論文の概要: Data reuse enables cost-efficient randomized trials of medical AI models

• arxiv url: http://arxiv.org/abs/2511.08986v2
• Date: Thu, 13 Nov 2025 20:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 14:38:02.103414
• Title: Data reuse enables cost-efficient randomized trials of medical AI models
• Title（参考訳）: データ再利用により、医療用AIモデルのコスト効率の良いランダム化試行が可能に
• Authors: Michael Nercessian, Wenxin Zhang, Alexander Schubert, Daphne Yang, Maggie Chung, Ahmed Alaa, Adam Yala,
• Abstract要約: 本稿では,AIに基づくリスクモデルのためのデータ再利用RCT設計であるBRIDGEを提案する。 BRIDGEトライアルは、レガシーモデルと更新モデルが一致した予測を行う場合に、AIモデルの完了したトライアルから参加者レベルのデータをリサイクルする。 我々は、乳がん検診の一連の研究をシミュレートし、我々の設計は、必要な入学を46.6%減らし、280万ドルを節約し、80%の電力を維持した。
• 参考スコア（独自算出の注目度）: 38.36499561588967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Randomized controlled trials (RCTs) are indispensable for establishing the clinical value of medical artificial-intelligence (AI) tools, yet their high cost and long timelines hinder timely validation as new models emerge rapidly. Here, we propose BRIDGE, a data-reuse RCT design for AI-based risk models. AI risk models support a broad range of interventions, including screening, treatment selection, and clinical alerts. BRIDGE trials recycle participant-level data from completed trials of AI models when legacy and updated models make concordant predictions, thereby reducing the enrollment requirement for subsequent trials. We provide a practical checklist for investigators to assess whether reusing data from previous trials allows for valid causal inference and preserves type I error. Using real-world datasets across breast cancer, cardiovascular disease, and sepsis, we demonstrate concordance between successive AI models, with up to 64.8% overlap in top 5% high-risk cohorts. We then simulate a series of breast cancer screening studies, where our design reduced required enrollment by 46.6%--saving over US$2.8 million--while maintaining 80% power. By transforming trials into adaptive, modular studies, our proposed design makes Level I evidence generation feasible for every model iteration, thereby accelerating cost-effective translation of AI into routine care.
• Abstract（参考訳）: ランダム化制御試験(RCT)は、医療人工知能(AI)ツールの臨床的価値を確立するのに不可欠であるが、新しいモデルが急速に出現するにつれて、高いコストと長いタイムラインがタイムリーな検証を妨げている。 本稿では,AIに基づくリスクモデルのためのデータ再利用RDT設計であるBRIDGEを提案する。 AIリスクモデルは、スクリーニング、治療選択、臨床アラートなど、幅広い介入をサポートする。 BRIDGEトライアルは、レガシーモデルと更新モデルが一致した予測を行う場合、AIモデルの完全なトライアルから参加者レベルのデータをリサイクルする。 我々は,過去の試行からのデータ再利用が適切な因果推論を可能にし,I型エラーを保存できるかどうかを調査員が検証する実用的なチェックリストを提供する。 乳がん、心臓血管疾患、敗血症の実際のデータセットを用いて、連続したAIモデル間の一致を示し、最大64.8%のハイリスクコホートが上位5%で重複している。 次に、乳がん検診の一連の研究をシミュレートし、我々の設計は、必要な入学を46.6%減らし、280万ドルを節約し、80%の電力を維持した。 試行を適応的でモジュラーな研究に変換することで、提案した設計は、モデルイテレーション毎にレベルIエビデンスの生成を可能にし、それによってコスト効率の高いAIのルーチンケアへの変換を加速させる。

関連論文リスト

• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
  糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。 我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。 当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
  論文  参考訳（メタデータ） (2025-08-17T21:54:11Z)
• Examining Deployment and Refinement of the VIOLA-AI Intracranial Hemorrhage Model Using an Interactive NeoMedSys Platform [0.7653237341032667]
  現在の研究では、AIモデルの効率的なデプロイメントと改善を可能にする、NeoMedSysと呼ばれる放射線学ソフトウェアプラットフォームについて説明している。 実地臨床環境でのNeoMedSysの実行可能性と有効性について検討した。
  論文  参考訳（メタデータ） (2025-05-14T13:33:38Z)
• Towards Virtual Clinical Trials of Radiology AI with Conditional Generative Modeling [10.014130930114172]
  本稿では,放射線学AIの仮想臨床試験(VCT)のために設計された条件付き生成AIモデルを紹介する。 画像と解剖学的構造の関節分布を学習することにより,実世界の患者集団の正確な再現を可能にした。 我々は,合成CTを用いたVCTを用いた放射線学AIモデルの有意義な評価を行った。
  論文  参考訳（メタデータ） (2025-02-13T15:53:52Z)
• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic Review [1.832300121391956]
  方法: PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を行った。 PROBASTを用いてバイアスのリスクを評価した。 37の診断モデル、22の予後モデル、21の診断関連結果を含む80の関心モデルがあった。 すべてのモデルが全体として偏見のリスクが高いか、あるいは不明確であることが判明し、ほとんどの研究は分析において偏見のリスクが高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-31T12:26:29Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。