論文の概要: AI-Driven Clinical Decision Support System for Enhanced Diabetes Diagnosis and Management
- arxiv url: http://arxiv.org/abs/2602.11237v1
- Date: Wed, 11 Feb 2026 17:06:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.476539
- Title: AI-Driven Clinical Decision Support System for Enhanced Diabetes Diagnosis and Management
- Title（参考訳）: 糖尿病診断・管理のためのAIによる臨床診断支援システム
- Authors: Mujeeb Ur Rehman, Imran Rehan, Sohail Khalid,
- Abstract要約: 人工知能(AI-CDSS)を取り入れた臨床意思決定支援システムは、医療専門家が2型糖尿病を高精度に診断するのを助けることができる。
本研究の目的は、専門家主導の洞察と機械学習技術を統合するハイブリッドアプローチを用いて、2型糖尿病の診断に特化して開発されたAI-CDSSを評価することである。
AI-CDSSは、糖尿病予測の99.8%、糖尿病予測の99.3%、リスクのある個人を特定する99.2%、糖尿病予測の98.8%という高い精度を示した。
- 参考スコア（独自算出の注目度）: 1.452875650827562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying type 2 diabetes mellitus can be challenging, particularly for primary care physicians. Clinical decision support systems incorporating artificial intelligence (AI-CDSS) can assist medical professionals in diagnosing type 2 diabetes with high accuracy. This study aimed to assess an AI-CDSS specifically developed for the diagnosis of type 2 diabetes by employing a hybrid approach that integrates expert-driven insights with machine learning techniques. The AI-CDSS was developed (training dataset: n = 650) and tested (test dataset: n = 648) using a dataset of 1298 patients with and without type 2 diabetes. To generate predictions, the algorithm utilized key features such as body mass index, plasma fasting glucose, and hemoglobin A1C. Furthermore, a clinical pilot study involving 105 patients was conducted to assess the diagnostic accuracy of the system in comparison to non-endocrinology specialists. The AI-CDSS showed a high degree of accuracy, with 99.8% accuracy in predicting diabetes, 99.3% in predicting prediabetes, 99.2% in identifying at-risk individuals, and 98.8% in predicting no diabetes. The test dataset revealed a 98.8% agreement between endocrinology specialists and the AI-CDSS. Type 2 diabetes was identified in 45% of 105 individuals in the pilot study. Compared with diabetes specialists, the AI-CDSS scored a 98.5% concordance rate, greatly exceeding that of nonendocrinology specialists, who had an 85% agreement rate. These findings indicate that the AI-CDSS has the potential to be a useful tool for accurately identifying type 2 diabetes, especially in situations in which diabetes specialists are not readily available.
- Abstract（参考訳）: 2型糖尿病の診断は、特にプライマリケアの医師にとって困難である。
人工知能(AI-CDSS)を取り入れた臨床意思決定支援システムは、医療専門家が2型糖尿病を高精度に診断するのを助けることができる。
本研究の目的は、専門家主導の洞察と機械学習技術を統合するハイブリッドアプローチを用いて、2型糖尿病の診断に特化して開発されたAI-CDSSを評価することである。
AI-CDSSは、トレーニングデータセット(n = 650)を開発し、テストデータセット(n = 648)を2型糖尿病患者1298人のデータセットを用いてテストした。
このアルゴリズムは, 体量指数, プラズマ断食グルコース, ヘモグロビンA1Cなどの重要な特徴を利用した。
さらに,非内分泌学専門医と比較して,システムの診断精度を評価するために,105人の患者を対象とした臨床試験を行った。
AI-CDSSは、糖尿病予測の99.8%、糖尿病予測の99.3%、リスクのある個人を特定する99.2%、糖尿病予測の98.8%という高い精度を示した。
テストデータセットでは、内分泌学の専門家とAI-CDSSとの間で98.8%の合意が示された。
パイロット実験では2型糖尿病が105人中45%で確認された。
糖尿病の専門家と比較すると、AI-CDSSは98.5%の一致率を記録し、非内分泌学の専門家の85%の合意率を大きく上回った。
これらの結果から,AI-CDSSは2型糖尿病の診断に有用である可能性が示唆された。
関連論文リスト
- An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。
我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。
当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文 参考訳（メタデータ） (2025-08-17T21:54:11Z) - An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。
ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。
モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文 参考訳（メタデータ） (2025-04-30T16:10:20Z) - AI-Driven Diabetic Retinopathy Screening: Multicentric Validation of AIDRSS in India [0.0]
糖尿病網膜症(DR:diabetic retinopathy)は、特にインドでは、農村部では網膜専門医へのアクセスが制限されている主要な視覚障害の原因である。
本研究の目的は, DR検出および有病率評価のための人工知能を用いた糖尿病網膜症スクリーニングシステムを評価することである。
論文 参考訳（メタデータ） (2025-01-10T10:03:56Z) - SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for
Electronic Health Records [0.951828574518325]
本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。
提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。
T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
論文 参考訳（メタデータ） (2023-01-12T07:14:47Z) - Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural
Network and Machine Learning Classifiers [1.1470070927586016]
本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。
トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。
私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
論文 参考訳（メタデータ） (2023-01-08T19:10:20Z) - A novel solution of deep learning for enhanced support vector machine
for predicting the onset of type 2 diabetes [32.25039205521283]
本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。
提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
論文 参考訳（メタデータ） (2022-08-05T18:15:40Z) - New-Onset Diabetes Assessment Using Artificial Intelligence-Enhanced
Electrocardiography [19.027974114710958]
糖尿病の成人は21.4%である。
AI強化心電図(ECG)は、新しい発症糖尿病の成人を識別する。
論文 参考訳（メタデータ） (2022-05-05T19:39:32Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳（メタデータ） (2022-02-17T08:33:52Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z)
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。