論文の概要: The Patient/Industry Trade-off in Medical Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2601.06144v1
• Date: Mon, 05 Jan 2026 18:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.612433
• Title: The Patient/Industry Trade-off in Medical Artificial Intelligence
• Title（参考訳）: 医療人工知能における患者・産業のトレードオフ
• Authors: Rina Khan, Annabelle Sauve, Imaan Bayoumi, Amber L. Simpson, Catherine Stinson,
• Abstract要約: 臨床実習へのAIの統合を妨げるAI研究の3つの特徴について論じる。 これには、臨床的に関連する指標の欠如、結果を検証するための臨床試験と縦断的研究の欠如、開発プロセスへの患者と医師の関与の欠如が含まれる。 このギャップに対処するための3つのアプローチを提案する。AIモデルの透明性と説明可能性の向上、実践に患者利益を集中させるという評判を持つ業界パートナとの関係の促進、医療全体の利益の優先順位付けである。
• 参考スコア（独自算出の注目度）: 0.9219967191855128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) in healthcare has led to many promising developments; however, increasingly, AI research is funded by the private sector leading to potential trade-offs between benefits to patients and benefits to industry. Health AI practitioners should prioritize successful adaptation into clinical practice in order to provide meaningful benefits to patients, but translation usually requires collaboration with industry. We discuss three features of AI studies that hamper the integration of AI into clinical practice from the perspective of researchers and clinicians. These include lack of clinically relevant metrics, lack of clinical trials and longitudinal studies to validate results, and lack of patient and physician involvement in the development process. For partnerships between industry and health research to be sustainable, a balance must be established between patient and industry benefit. We propose three approaches for addressing this gap: improved transparency and explainability of AI models, fostering relationships with industry partners that have a reputation for centering patient benefit in their practices, and prioritization of overall healthcare benefits. With these priorities, we can sooner realize meaningful AI technologies used by clinicians where mutua
• Abstract（参考訳）: 医療における人工知能(AI)は、多くの有望な発展をもたらしたが、近年では、AI研究は民間セクターによって資金提供され、患者に対する利益と産業に対する利益のトレードオフにつながる可能性がある。 医療AI実践者は、患者に有意義な利益をもたらすために、臨床実践への適応を成功させることを優先すべきであるが、翻訳は通常、産業との協力を必要とする。 本稿では,AIの臨床的実践への統合を妨げるAI研究の3つの特徴について,研究者と臨床医の視点から論じる。 これには、臨床的に関連する指標の欠如、結果を検証するための臨床試験と縦断的研究の欠如、開発プロセスへの患者と医師の関与の欠如が含まれる。 産業と健康研究のパートナーシップが持続可能となるためには、患者と産業の利益のバランスを確立する必要がある。 このギャップに対処するための3つのアプローチを提案する。AIモデルの透明性と説明可能性の向上、実践に患者利益を集中させるという評判を持つ業界パートナとの関係の促進、医療全体の利益の優先順位付けである。 これらの優先事項により、ムトゥアのある臨床医が使用する有意義なAI技術がより早く実現する。

関連論文リスト

• The Collaborations among Healthcare Systems, Research Institutions, and Industry on Artificial Intelligence Research and Development [3.3505351631804046]
  医療における人工知能の統合は、患者のケア、診断、治療プロトコルに革命をもたらすことを約束する。 この研究は、AIヘルスケアイニシアチブにおける協調的ネットワークと利害関係者を特徴づけることを目的としている。
  論文  参考訳（メタデータ） (2025-08-26T12:04:17Z)
• Ethical Challenges and Evolving Strategies in the Integration of Artificial Intelligence into Clinical Practice [1.0301404234578682]
  我々は、正義と公正、透明性、患者の同意と機密性、説明責任、患者中心で公平なケアの5つの重要な倫理的関心事に焦点を当てる。 この論文は、患者の信頼を維持する上でのバイアス、透明性の欠如、そして課題が、医療におけるAIアプリケーションの有効性と公正性を損なう可能性があるかを考察する。
  論文  参考訳（メタデータ） (2024-11-18T00:52:22Z)
• Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
  本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。 我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
  論文  参考訳（メタデータ） (2024-11-16T18:19:53Z)
• FUTURE-AI: International consensus guideline for trustworthy and deployable artificial intelligence in healthcare [73.78776682247187]
  医療AIに関連する技術的、臨床的、倫理的、法的リスクに関する懸念が高まっている。 この研究は、Future-AIガイドラインを、医療における信頼できるAIツールの開発とデプロイを導くための最初の国際コンセンサスフレームワークとして説明している。
  論文  参考訳（メタデータ） (2023-08-11T10:49:05Z)
• A Conceptual Algorithm for Applying Ethical Principles of AI to Medical Practice [5.005928809654619]
  AIを利用するツールは、複数のドメインにまたがる専門家レベルのパフォーマンスに、ますます一致するか、超えている。 これらのシステムは、人口、人種、社会経済の境界を越えたケア提供の格差を減らすことを約束している。 このようなAIツールの民主化は、ケアコストを削減し、リソース割り当てを最適化し、ケアの質を向上させる。
  論文  参考訳（メタデータ） (2023-04-23T04:14:18Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)

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。