論文の概要: Exploring AI-Augmented Sensemaking of Patient-Generated Health Data: A Mixed-Method Study with Healthcare Professionals in Cardiac Risk Reduction
- arxiv url: http://arxiv.org/abs/2602.05687v1
- Date: Thu, 05 Feb 2026 14:11:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.96427
- Title: Exploring AI-Augmented Sensemaking of Patient-Generated Health Data: A Mixed-Method Study with Healthcare Professionals in Cardiac Risk Reduction
- Title（参考訳）: 患者が生成する健康データに対するAI強化型センスメイキングの探索 : 心臓リスク低減のための医療専門家との混合手法による研究
- Authors: Pavithren V S Pakianathan, Rania Islambouli, Diogo Branco, Albrecht Schmidt, Tiago Guerreiro, Jan David Smeddinck,
- Abstract要約: 本稿では,患者生成健康データ(PGHD)の自動要約と自然言語データ探索によって,大規模言語モデル(LLM)がいかにして患者生成健康データ(PGHD)の認識を支援するかを示す。
発見によると、AIの要約は、探索を固定する素早い概要を提供し、会話の相互作用はフレキシブルな分析とブリッジされたデータリテラシーギャップを支持した。
- 参考スコア（独自算出の注目度）: 10.518626161486548
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Individuals are increasingly generating substantial personal health and lifestyle data, e.g. through wearables and smartphones. While such data could transform preventative care, its integration into clinical practice is hindered by its scale, heterogeneity and the time pressure and data literacy of healthcare professionals (HCPs). We explore how large language models (LLMs) can support sensemaking of patient-generated health data (PGHD) with automated summaries and natural language data exploration. Using cardiovascular disease (CVD) risk reduction as a use case, 16 HCPs reviewed multimodal PGHD in a mixed-methods study with a prototype that integrated common charts, LLM-generated summaries, and a conversational interface. Findings show that AI summaries provided quick overviews that anchored exploration, while conversational interaction supported flexible analysis and bridged data-literacy gaps. However, HCPs raised concerns about transparency, privacy, and overreliance. We contribute empirical insights and sociotechnical design implications for integrating AI-driven summarization and conversation into clinical workflows to support PGHD sensemaking.
- Abstract（参考訳）: 個人は、例えばウェアラブルやスマートフォンを通じて、実質的な健康とライフスタイルのデータを生成している。
このようなデータは予防的ケアを変える可能性があるが、医療従事者(HCP)の規模、不均一性、時間的プレッシャー、データリテラシーによって臨床実践への統合が妨げられている。
患者生成健康データ(PGHD)の自動要約と自然言語データ探索によって,大規模言語モデル(LLM)がいかにして患者生成健康データ(PGHD)の感覚形成を支援するかを検討する。
心血管疾患 (CVD) のリスク低減をユースケースとして, 16人のHCPsが多モードPGHDを共通チャート, LLM生成サマリー, 会話インタフェースを併用した試薬を用いて検討した。
発見によると、AIの要約は、探索を固定する素早い概要を提供し、会話の相互作用はフレキシブルな分析とブリッジされたデータリテラシーギャップを支持した。
しかし、HCPは透明性、プライバシー、信頼性に関する懸念を提起した。
PGHDセンスメイキングを支援するために,AIによる要約と会話を臨床ワークフローに統合するための経験的洞察と社会技術設計に寄与する。
関連論文リスト
- Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。
構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。
臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
論文 参考訳（メタデータ） (2025-12-09T05:37:54Z) - Mitigating Clinician Information Overload: Generative AI for Integrated EHR and RPM Data Analysis [0.523377539745706]
生成人工知能(GenAI)の能力・要件・応用の概要を概観する。
患者データ,すなわちリアルタイム遠隔患者モニタリング(RPM)ストリームと従来の電子健康記録(EHR)の形式と情報源について,まず背景を述べる。
これらのアプリケーションは、縦断的患者のデータのナビゲーションを強化し、自然言語対話による実用的な臨床診断支援を提供する。
論文 参考訳（メタデータ） (2025-08-26T17:10:21Z) - 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) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。
このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。
また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
論文 参考訳（メタデータ） (2023-12-24T23:01:00Z) - 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) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z)
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。