論文の概要: SmartAlert: Implementing Machine Learning-Driven Clinical Decision Support for Inpatient Lab Utilization Reduction

• arxiv url: http://arxiv.org/abs/2512.04354v1
• Date: Thu, 04 Dec 2025 00:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:45.942585
• Title: SmartAlert: Implementing Machine Learning-Driven Clinical Decision Support for Inpatient Lab Utilization Reduction
• Title（参考訳）: SmartAlert: マシンラーニング駆動型臨床診断支援による院内ラボ利用削減
• Authors: April S. Liang, Fatemeh Amrollahi, Yixing Jiang, Conor K. Corbin, Grace Y. E. Kim, David Mui, Trevor Crowell, Aakash Acharya, Sreedevi Mony, Soumya Punnathanam, Jack McKeown, Margaret Smith, Steven Lin, Arnold Milstein, Kevin Schulman, Jason Hom, Michael A. Pfeffer, Tho D. Pham, David Svec, Weihan Chu, Lisa Shieh, Christopher Sharp, Stephen P. Ma, Jonathan H. Chen,
• Abstract要約: このケーススタディでは、SmartAlertのデプロイから学んだ実装プロセス、課題、教訓について説明する。 SmartAlertは、機械学習による臨床意思決定支援システムで、電子健康記録に組み込まれている。 その結果,SmartAlertディスプレイの52時間以内にCBC値が有意に低下した。
• 参考スコア（独自算出の注目度）: 4.9712826535880925
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Repetitive laboratory testing unlikely to yield clinically useful information is a common practice that burdens patients and increases healthcare costs. Education and feedback interventions have limited success, while general test ordering restrictions and electronic alerts impede appropriate clinical care. We introduce and evaluate SmartAlert, a machine learning (ML)-driven clinical decision support (CDS) system integrated into the electronic health record that predicts stable laboratory results to reduce unnecessary repeat testing. This case study describes the implementation process, challenges, and lessons learned from deploying SmartAlert targeting complete blood count (CBC) utilization in a randomized controlled pilot across 9270 admissions in eight acute care units across two hospitals between August 15, 2024, and March 15, 2025. Results show significant decrease in number of CBC results within 52 hours of SmartAlert display (1.54 vs 1.82, p <0.01) without adverse effect on secondary safety outcomes, representing a 15% relative reduction in repetitive testing. Implementation lessons learned include interpretation of probabilistic model predictions in clinical contexts, stakeholder engagement to define acceptable model behavior, governance processes for deploying a complex model in a clinical environment, user interface design considerations, alignment with clinical operational priorities, and the value of qualitative feedback from end users. In conclusion, a machine learning-driven CDS system backed by a deliberate implementation and governance process can provide precision guidance on inpatient laboratory testing to safely reduce unnecessary repetitive testing.
• Abstract（参考訳）: 臨床に有用な情報が得られそうにない反復検査は、患者を負担し、医療費を増大させる一般的な習慣である。 教育やフィードバックの介入は成功に留まり、一般的な検査命令や電子アラートは適切な臨床ケアを妨げる。 機械学習(ML)による臨床意思決定支援システムであるSmartAlertの導入と評価を行った。 本症例では,2024年8月15日から2025年3月15日までの2つの病院で,9270件の入院患者に対して,無作為化コントロールパイロットを用いて,SmartAlertによる全血量(CBC)利用の実施過程,課題,教訓について述べる。 その結果,SmartAlertディスプレイ(1.54 vs 1.82, p <0.01)の52時間以内にCBC結果が有意に減少し, 二次安全性に悪影響を及ぼすことなく, 反復試験の15%の相対的減少を示した。 実践的な教訓としては、臨床コンテキストにおける確率的モデル予測の解釈、許容可能なモデル行動を定義するステークホルダーの関与、臨床環境における複雑なモデルをデプロイするためのガバナンスプロセス、ユーザインターフェースの設計上の考慮、臨床運用上の優先事項の整合性、エンドユーザーからの質的なフィードバックの価値などがある。 結論として、故意な実施とガバナンスプロセスに支えられた機械学習駆動型CDSシステムは、不必要な反復テストの安全性を低下させるために、入院試験の精度ガイダンスを提供することができる。

関連論文リスト

• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Attention-enabled Explainable AI for Bladder Cancer Recurrence Prediction [0.4369058206183195]
  非浸潤性膀胱癌 (NMIBC) の再発率は70-80%まで上昇した。 各再発は、侵襲的な手順のカスケード、生涯にわたる監視、医療費の増大を引き起こす。 既存の臨床予測ツールには根本的な欠陥が残っており、しばしば再発リスクを過大評価する。
  論文  参考訳（メタデータ） (2025-04-30T20:39:33Z)
• ExOSITO: Explainable Off-Policy Learning with Side Information for Intensive Care Unit Blood Test Orders [13.090586660373775]
  そこで本稿では,ICU実験の最適セットを特定するために,非政治学習と特権情報を組み合わせた新しい手法を提案する。 オフラインデータを用いて訓練した因果バンドイットと,臨床的に承認されたルールから得られる報酬関数としてこの問題を提起する。 学習されたポリシー機能は、解釈可能な臨床情報を提供し、重要な検査命令を省略することなくコストを削減します。
  論文  参考訳（メタデータ） (2025-04-24T06:07:14Z)
• SepsisCalc: Integrating Clinical Calculators into Early Sepsis Prediction via Dynamic Temporal Graph Construction [27.020030731672477]
  セプシス(Sepsis)は、感染症に対する免疫反応の低下によって引き起こされる臓器機能障害である。 臨床電卓は臨床医のワークフローにおける敗血症の同定において重要な役割を担っている。
  論文  参考訳（メタデータ） (2024-12-31T00:02:07Z)
• 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)
• A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
  PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。 本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。 我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
  論文  参考訳（メタデータ） (2024-05-21T20:31:42Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
  患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。 提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。 定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
  論文  参考訳（メタデータ） (2021-09-14T14:16:32Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)

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。