論文の概要: An AI-Based Framework for Assessing Sustainability Conflicts in Medical Device Development

• arxiv url: http://arxiv.org/abs/2512.13005v1
• Date: Mon, 15 Dec 2025 05:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.548231
• Title: An AI-Based Framework for Assessing Sustainability Conflicts in Medical Device Development
• Title（参考訳）: 医療機器開発におけるサステナビリティ問題を評価するAIベースのフレームワーク
• Authors: Apala Chakrabarti,
• Abstract要約: 本稿では、競合検出を自動化するAI駆動型フレームワークを紹介する。 機械学習と自然言語処理は、設計決定からトレードオフを抽出するために使用される。 このアプローチは一貫性を改善し、主観的バイアスを減らし、初期の設計決定をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Designing sustainable medical devices requires balancing environmental, economic, and social demands, yet trade-offs across these pillars are difficult to identify using manual assessment alone. Current methods depend heavily on expert judgment, lack standardisation, and struggle to integrate diverse lifecycle data, which leads to overlooked conflicts and inconsistent evaluations. This paper introduces an AI-driven framework that automates conflict detection. Machine learning and natural language processing are used to extract trade-offs from design decisions, while Multi-Criteria Decision Analysis (MCDA) quantifies their magnitude through a composite sustainability score. The approach improves consistency, reduces subjective bias, and supports early design decisions. The results demonstrate how AI-assisted analysis provides scalable, data-driven support for sustainability evaluation in medical device development.
• Abstract（参考訳）: 持続可能な医療機器の設計には環境、経済、社会的要求のバランスが必要だが、これらの柱間のトレードオフは手動による評価だけでは識別が困難である。 現在の手法は、専門家の判断、標準化の欠如、多様なライフサイクルデータの統合に苦慮している。 本稿では、競合検出を自動化するAI駆動型フレームワークを紹介する。 機械学習と自然言語処理は設計決定からトレードオフを抽出するために使用され、Multi-Criteria Decision Analysis (MCDA)は複合サステナビリティスコアによってその大きさを定量化する。 このアプローチは一貫性を改善し、主観的バイアスを減らし、初期の設計決定をサポートする。 この結果は、医療機器開発におけるサステナビリティ評価のためのスケーラブルでデータ駆動型サポートを実現するAI支援分析の方法を示している。

関連論文リスト

• Toward an AI Reasoning-Enabled System for Patient-Clinical Trial Matching [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-08T20:35:51Z)
• 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)
• Choosing a Model, Shaping a Future: Comparing LLM Perspectives on Sustainability and its Relationship with AI [6.8883812743678865]
  本研究では,5つの最先端の大規模言語モデルが持続可能性とそのAIとの関係をいかに概念化しているかを体系的に検討する。 評価,持続可能性に関する質問紙調査を1モデルにつき100回ずつ実施し,反応パターンと変動性について検討した。 この結果から,モデル選択が組織的サステナビリティ戦略に大きく影響を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-05-20T14:41:56Z)
• Automated Real-time Assessment of Intracranial Hemorrhage Detection AI Using an Ensembled Monitoring Model (EMM) [1.8767322781894276]
  本稿では,複数の専門家レビューを用いた臨床コンセンサスプラクティスに触発されたEMM(Ensembled Monitoring Model)を紹介する。 EMMは内部AIコンポーネントや中間出力へのアクセスを必要とせずに独立して動作する。 EMMがAI生成予測の信頼度をうまく分類し、異なる行動を提案することを実証する。
  論文  参考訳（メタデータ） (2025-05-16T22:50:42Z)
• Supporting Data-Frame Dynamics in AI-assisted Decision Making [6.4219774981192455]
  高い利害関係の意思決定は、進化する証拠とシフトする仮説の間の継続的な相互作用を必要とする。 我々は、センスメイキングのデータフレーム理論と評価AIパラダイムに基づく、AI支援意思決定のための混合開始型フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-04-22T13:36:06Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model, Data, and Training [109.9218185711916]
  アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。 我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
  論文  参考訳（メタデータ） (2023-04-19T11:07:43Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• On the Gap between Epidemiological Surveillance and Preparedness [0.0]
  コンピュータインテリジェンス(CI)ツールを用いた意思決定支援システム(DSS)が必要である。 このようなDSSは、CIと人間の専門家が協力して働くことを可能にする認知力学システムであるべきだ、と私たちは主張する。
  論文  参考訳（メタデータ） (2020-08-10T00:43:52Z)

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。