論文の概要: How Clinicians Think and What AI Can Learn From It

• arxiv url: http://arxiv.org/abs/2601.12547v1
• Date: Sun, 18 Jan 2026 19:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.677146
• Title: How Clinicians Think and What AI Can Learn From It
• Title（参考訳）: 臨床医はどのように考えるか、AIがそこから学べるか
• Authors: Dipayan Sengupta, Saumya Panda,
• Abstract要約: ほとんどの臨床AIシステムは、ラベルやリスクスコアを生成する予測エンジンとして動作するが、実際の臨床推論は、不確実性の下で、時間に縛られたシーケンシャルな制御の問題である。 クリニック推論の主流となる計算基板は、基数最適化ではなく、順序的、非補償的意思決定であると主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most clinical AI systems operate as prediction engines -- producing labels or risk scores -- yet real clinical reasoning is a time-bounded, sequential control problem under uncertainty. Clinicians interleave information gathering with irreversible actions, guided by regret, constraints and patient values. We argue that the dominant computational substrate of clinician reasoning is not cardinal optimization but ordinal, non-compensatory decision-making: Clinicians frequently rely on fast-and-frugal, lexicographic heuristics (e.g., fast-and-frugal trees) that stop early after checking a small, fixed sequence of cues. We provide a normative rationale for why such algorithms are not merely bounded rationality shortcuts, but can be epistemically preferred in medicine. First, many clinical trade-offs are constructed through human judgment and are only weakly measurable on absolute scales; without strong measurement axioms, only orderings are invariant, motivating an ordinal-by-default stance. Second, preference and signal elicitation are structurally crude: The mapping from truth $\to$ perception $\to$ inference $\to$ recorded variables introduces layered noise, leaving a persistent uncertainty floor. When this 'crudeness' overwhelms the decision margin, plug-in expected-utility optimization becomes brittle (high flip probability under small perturbations), whereas robust dominance/filtering rules ($ε$-dominance, maximin) stabilize decisions.Finally, we outline a clinician-aligned AI blueprint: Use rich models for beliefs and trajectories, but choose actions through robust ordinal rules; treat heuristics as the low-dimensional special case; and deploy AI as 'selective complexity' -- invoked mainly for tie-breaking when decisions are fragile and information has positive expected impact.
• Abstract（参考訳）: ほとんどの臨床AIシステムは、ラベルやリスクスコアを生成する予測エンジンとして動作するが、実際の臨床推論は、不確実性の下で、時間に縛られたシーケンシャルな制御の問題である。 臨床医は、後悔、制約、患者価値によって導かれる不可逆的な行動で情報を収集する。 臨床医は, 定型的, 定型的, 非補償的な意思決定を行う上で, 早期に停止する急速的, 急速的, 速速的ヒューリスティックス(例えば, 高速, フルリスティックな木)にしばしば依存する。 このようなアルゴリズムが単に有界な合理性ショートカットであるだけでなく、医学において認識論的に好まれる理由の規範的合理性を提供する。 第一に、多くの臨床的トレードオフは人間の判断によって構築され、絶対的な尺度でしか測定できない。 第二に、好みと信号の推論は構造的に粗い: true $\to$ perception $\to$ inference $\to$ recorded variables は層状ノイズを導入し、永続的な不確実性フロアを残します。 この「クレデネス」が決定マージンを圧倒すると、プラグインの予測ユーティリティ最適化は不安定(小さな摂動下で高いフリップ確率)になり、一方、堅牢な支配/フィルタリングルール(ε$-dominance, maximin)は決定を安定させます。

関連論文リスト

• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• AT-CXR: Uncertainty-Aware Agentic Triage for Chest X-rays [12.843444405498404]
  胸部X線に対する不確実性認識剤AT-CXRについて紹介する。 システムは、ケースごとの信頼度と分散適合度を推定し、次に、自動決定を発行するための段階的なポリシーに従う。 同一の入力と動作を共有する2つのルータの設計を評価する。
  論文  参考訳（メタデータ） (2025-08-26T14:33:09Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Finding Counterfactually Optimal Action Sequences in Continuous State Spaces [22.84932480886562]
  有限水平マルコフ決定過程を用いた離散的な行動と連続状態の列を記述する。 次に,環境のダイナミクスの連続性に基づく探索手法を開発する。 提案手法は実際は非常に効率的であり, 逐次意思決定タスクに興味深い洞察を与える可能性がある。
  論文  参考訳（メタデータ） (2023-06-06T18:00:29Z)
• Simple and Efficient Confidence Score for Grading Whole Slide Images [0.7349727826230862]
  学習課題におけるAIモデルの信頼度を測定するための新しいスコアを提案する。 我々の信頼スコアは、特に順序の出力変数に適応しており、汎用的で、追加のトレーニングや追加の推論を必要としない。 このスコアは, 誤予測されたスライドを正確に識別し, 高い信頼度判定の精度が低信頼度判定の精度よりも有意に高いことを示す。
  論文  参考訳（メタデータ） (2023-03-08T14:15:43Z)
• Improving the compromise between accuracy, interpretability and personalization of rule-based machine learning in medical problems [0.08594140167290096]
  特定の患者に対してルールが正しいか否かを予測するための新しいコンポーネントを導入し、その手順にパーソナライズを導入する。 3つの公開臨床データセットを用いた検証結果から,選択したルールセットの予測性能の向上も可能であることが示された。
  論文  参考訳（メタデータ） (2021-06-15T01:19:04Z)
• 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)

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。