論文の概要: Toward an AI Reasoning-Enabled System for Patient-Clinical Trial Matching

• arxiv url: http://arxiv.org/abs/2512.08026v1
• Date: Mon, 08 Dec 2025 20:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.718327
• Title: Toward an AI Reasoning-Enabled System for Patient-Clinical Trial Matching
• Title（参考訳）: 患者・クリニカル・トライアルマッチングのためのAI推論システムの実現に向けて
• Authors: Caroline N. Leach, Mitchell A. Klusty, Samuel E. Armstrong, Justine C. Pickarski, Kristen L. Hankins, Emily B. Collier, Maya Shah, Aaron D. Mullen, V. K. Cody Bumgardner,
• Abstract要約: 本稿では,AI(Artificial Intelligence, 人工知能)による患者と臨床のマッチングのためのセキュアでスケーラブルな概念実証システムを提案する。 このシステムは、人間のループ内レビューを支援する解釈可能な推論チェーンを用いて、構造化された適性評価を生成する。 このシステムは、コーディネータの負担を軽減し、各患者が考慮する治験のセットをインテリジェントに拡大し、すべてのAI出力の総合的な監査性を保証することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Screening patients for clinical trial eligibility remains a manual, time-consuming, and resource-intensive process. We present a secure, scalable proof-of-concept system for Artificial Intelligence (AI)-augmented patient-trial matching that addresses key implementation challenges: integrating heterogeneous electronic health record (EHR) data, facilitating expert review, and maintaining rigorous security standards. Leveraging open-source, reasoning-enabled large language models (LLMs), the system moves beyond binary classification to generate structured eligibility assessments with interpretable reasoning chains that support human-in-the-loop review. This decision support tool represents eligibility as a dynamic state rather than a fixed determination, identifying matches when available and offering actionable recommendations that could render a patient eligible in the future. The system aims to reduce coordinator burden, intelligently broaden the set of trials considered for each patient and guarantee comprehensive auditability of all AI-generated outputs.
• Abstract（参考訳）: 臨床試験の適性を確認することは、手作業、時間、リソース集約的なプロセスのままである。 我々は、EHR(Electronic Health Record)データの統合、専門家のレビューの円滑化、厳格なセキュリティ標準の維持など、重要な実装課題に対処する、セキュアでスケーラブルなAI(Artificial Intelligence)拡張型患者と医療のマッチングシステムを提案する。 オープンソースの推論可能な大規模言語モデル(LLMs)を活用して、このシステムはバイナリ分類を超えて、ヒューマン・イン・ザ・ループレビューをサポートする解釈可能な推論チェーンによる構造化された適性評価を生成する。 この決定支援ツールは、適度性は固定された決定ではなく、動的状態として表現し、利用可能なマッチを特定し、将来患者に適応可能なアクション可能なレコメンデーションを提供する。 このシステムは、コーディネータの負担を軽減し、各患者が考慮する治験のセットをインテリジェントに拡大し、すべてのAI出力の総合的な監査性を保証することを目的としている。

関連論文リスト

• A Comprehensive Review of Datasets for Clinical Mental Health AI Systems [55.67299586253951]
  本稿では,AIを活用した臨床アシスタントの訓練・開発に関連する臨床精神保健データセットの総合的調査を行う。 本調査では, 縦断データの欠如, 文化・言語表現の制限, 一貫性のない収集・注釈基準, 合成データのモダリティの欠如など, 重要なギャップを明らかにした。
  論文  参考訳（メタデータ） (2025-08-13T13:42:35Z)
• TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
  本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。 微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。 現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
  論文  参考訳（メタデータ） (2025-05-13T12:39:06Z)
• Artificial Intelligence-Driven Clinical Decision Support Systems [5.010570270212569]
  この章は、医療で信頼できるAIシステムを作るには、公平さ、説明可能性、プライバシーを慎重に考慮する必要があることを強調している。 AIによる公平な医療提供を保証するという課題は強調され、臨床予測モデルのバイアスを特定し緩和する方法が議論されている。 この議論は、ディープラーニングモデルのデータ漏洩からモデル説明に対する高度な攻撃に至るまで、医療AIシステムのプライバシ脆弱性の分析に進展している。
  論文  参考訳（メタデータ） (2025-01-16T16:17:39Z)
• 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)
• Functional requirements to mitigate the Risk of Harm to Patients from Artificial Intelligence in Healthcare [0.0]
  本研究は、医療目的に関連するリスクを軽減するために、AIシステムが実装可能な14の機能要件を提案する。 ここでの私たちの意図は、将来のEU規制フレームワークに準拠した患者に、継続的なパフォーマンスとAIシステムの使用を保証するために、技術的なソリューションの特定のハイレベルな仕様を提供することです。
  論文  参考訳（メタデータ） (2023-09-19T08:37:22Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Applying Artificial Intelligence to Clinical Decision Support in Mental Health: What Have We Learned? [0.0]
  本稿では,近年開発されたAI-CDSSであるAifred Healthを事例として,うつ病における治療の選択と管理を支援する。 我々は、このAI-CDSSの開発およびテスト中にもたらされた原則と、実装を容易にするために開発された実践的ソリューションの両方を考慮する。
  論文  参考訳（メタデータ） (2023-03-06T21:40:51Z)

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。