論文の概要: Health Facility Location in Ethiopia: Leveraging LLMs to Integrate Expert Knowledge into Algorithmic Planning
- arxiv url: http://arxiv.org/abs/2601.11479v1
- Date: Fri, 16 Jan 2026 18:02:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-19 20:21:50.590966
- Title: Health Facility Location in Ethiopia: Leveraging LLMs to Integrate Expert Knowledge into Algorithmic Planning
- Title（参考訳）: エチオピアの保健施設立地:LLMを活用して知識をアルゴリズム計画に統合する
- Authors: Yohai Trabelsi, Guojun Xiong, Fentabil Getnet, Stéphane Verguet, Milind Tambe,
- Abstract要約: 専門家の知識と最適化技術を統合するハイブリッドフレームワークを提案する。
我々のフレームワークは、人口被覆最適化のための証明可能な近似アルゴリズムとLCM駆動反復改良を組み合わせたものである。
3つのエチオピア地域の実世界データに関する実験は、このフレームワークの有効性を実証している。
- 参考スコア（独自算出の注目度）: 35.118915023117914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ethiopia's Ministry of Health is upgrading health posts to improve access to essential services, particularly in rural areas. Limited resources, however, require careful prioritization of which facilities to upgrade to maximize population coverage while accounting for diverse expert and stakeholder preferences. In collaboration with the Ethiopian Public Health Institute and Ministry of Health, we propose a hybrid framework that systematically integrates expert knowledge with optimization techniques. Classical optimization methods provide theoretical guarantees but require explicit, quantitative objectives, whereas stakeholder criteria are often articulated in natural language and difficult to formalize. To bridge these domains, we develop the Large language model and Extended Greedy (LEG) framework. Our framework combines a provable approximation algorithm for population coverage optimization with LLM-driven iterative refinement that incorporates human-AI alignment to ensure solutions reflect expert qualitative guidance while preserving coverage guarantees. Experiments on real-world data from three Ethiopian regions demonstrate the framework's effectiveness and its potential to inform equitable, data-driven health system planning.
- Abstract（参考訳）: エチオピアの保健省は、特に農村部における重要なサービスへのアクセスを改善するために、健康職をアップグレードしている。
しかし、限られた資源は、多様な専門家やステークホルダーの好みを考慮して、どの施設をアップグレードするかを慎重に優先順位付けする必要がある。
エチオピア公衆衛生研究所と厚生労働省の協力を得て,専門家の知識を最適化技術と体系的に統合するハイブリッドフレームワークを提案する。
古典的な最適化手法は理論的な保証を提供するが、明示的で定量的な目的を必要とする。
これらのドメインをブリッジするために,Large Language ModelとExtended Greedy(LEG)フレームワークを開発した。
我々のフレームワークは、人口被覆最適化のための証明可能な近似アルゴリズムと、人間のAIアライメントを組み込んだLCM駆動の反復改良を組み合わせることで、カバレッジ保証を保ちながら、専門家の質的ガイダンスを反映する。
3つのエチオピア地域の実世界データに関する実験は、このフレームワークの有効性と、公平でデータ駆動型健康システム計画に通知する可能性を示している。
関連論文リスト
- MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - Optimizing Health Coverage in Ethiopia: A Learning-augmented Approach and Persistent Proportionality Under an Online Budget [24.40219447687751]
Health Access Resource Planner (HARP)は、シーケンシャルな施設計画のための原則化された意思決定支援最適化フレームワークに基づいている。
2つのアルゴリズムを提案する: (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) ) (i) (i) (i) ) (i) (i) (i) (i) ) (i) (i) (i) (i) ) (i) (i) (i) (i) ) (i) (i) (i) ) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (i)) (i)
エチオピア公衆衛生研究所と厚生労働省の協力を得て, 様々な計画シナリオの3つの地域において, 提案手法の実証的有効性を実証した。
論文 参考訳（メタデータ） (2025-08-29T15:32:17Z) - Developing a Responsible AI Framework for Healthcare in Low Resource Countries: A Case Study in Nepal and Ghana [0.0]
本稿ではネパールとガーナにおける調査に基づく評価と知見について述べる。
データプライバシ、信頼性、信頼の問題といった大きな障害を強調します。
本稿では,資源制約のある環境に適したResponsible AI(RAI)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-17T14:59:19Z) - Fair Foundation Models for Medical Image Analysis: Challenges and Perspectives [2.5573554033525636]
自己教師付き学習を通じて膨大なデータセットに基づいてトレーニングされたファンデーションモデル(FM)は、医療画像タスクにまたがる効率的な適応を可能にする。
これらのモデルは公正性を高める可能性を示しているが、人口統計学的グループ間で一貫したパフォーマンスを達成する上で大きな課題は残る。
この包括的な枠組みは、体系的なバイアス緩和と政策関与を組み合わせることで、医療におけるAIの同等性に対する技術的障壁と制度的障壁の両方に効果的に対処できることを示すことで、現在の知識を前進させる。
論文 参考訳（メタデータ） (2025-02-24T04:54:49Z) - Implementing agile healthcare frame works in the context of low income countries: Proposed Framework and Review [0.0]
本稿では,Ghanaを中心に,リソース制約のある環境におけるアジャイル統合について検討する。
主なメリットは、適応性、反復計画、ステークホルダーのコラボレーションです。
発見は、リアルタイムな意思決定を可能にし、コミュニティの関与を促進し、学際的なコラボレーションを促進するアジャイルの能力を明らかにする。
論文 参考訳（メタデータ） (2025-01-21T07:52:34Z) - Asymmetrical Reciprocity-based Federated Learning for Resolving Disparities in Medical Diagnosis [68.06621490069428]
地理的な健康格差は、特に低所得国と中所得国の未保存地域において、世界的課題となっている。
我々は、地理的な健康格差を緩和し、未保存地域の診断能力を増強することを目的とした、新しいクロスサイロ・フェデレーション学習フレームワークであるFedHelpを提案する。
論文 参考訳（メタデータ） (2024-12-27T13:59:58Z) - Guiding IoT-Based Healthcare Alert Systems with Large Language Models [22.54714587190204]
医療アラートシステム(HAS)は、人工知能(AI)、IoT(Internet of Things)技術の進歩、健康意識の向上など、急速に進化している。
パーソナライズされたヘルスアラートの正確さと、リソースに制約されたHAS環境における厳格なプライバシー保護のバランス。
本稿では,Large Language Models (LLM) をHASに組み込んだ一様フレームワーク LLM-HAS を導入し,その精度を大幅に向上させ,ユーザのプライバシーを確保し,パーソナライズされたヘルスサービスを強化する。
論文 参考訳（メタデータ） (2024-08-23T13:55:36Z) - Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。
提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
論文 参考訳（メタデータ） (2024-08-07T08:43:32Z) - LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。
オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-07T04:00:30Z)
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。