論文の概要: Automated Detection and Mitigation of Dependability Failures in Healthcare Scenarios through Digital Twins

• arxiv url: http://arxiv.org/abs/2602.21037v1
• Date: Tue, 24 Feb 2026 15:56:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.825274
• Title: Automated Detection and Mitigation of Dependability Failures in Healthcare Scenarios through Digital Twins
• Title（参考訳）: デジタル双生児による医療シナリオにおける依存障害の自動検出と軽減
• Authors: Bruno Guindani, Matteo Camilli, Livia Lestingi, Marcello M. Bersani,
• Abstract要約: M-GENGARは、医療用CPSの信頼性を保証するためのクローズドループDigital Twin(DT)パラダイムに基づく方法論である。 M-GENGARは緩和戦略の自動合成をサポートし、DTループ内で実行時のフィードバックと制御を可能にする。 その結果、評価シナリオの87.5%において、正式なゲーム理論分析によって合成された戦略が、少なくとも人間の意思決定と同じくらい効果的に患者のバイタルメトリクスを安定化させることが示されている。
• 参考スコア（独自算出の注目度）: 3.188134462843442
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical Cyber-Physical Systems (CPSs) integrating Patients, Devices, and healthcare personnel (Physicians) form safety-critical PDP triads whose dependability is challenged by system heterogeneity and uncertainty in human and physiological behavior. While existing clinical decision support systems support clinical practice, there remains a need for proactive, reliability-oriented methodologies capable of identifying and mitigating failure scenarios before patient safety is compromised. This paper presents M-GENGAR, a methodology based on a closed-loop Digital Twin (DT) paradigm for dependability assurance of medical CPSs. The approach combines Stochastic Hybrid Automata modeling, data-driven learning of patient dynamics, and Statistical Model Checking with an offline critical scenario detection phase that integrates model-space exploration and diversity analysis to systematically identify and classify scenarios violating expert-defined dependability requirements. M-GENGAR also supports the automated synthesis of mitigation strategies, enabling runtime feedback and control within the DT loop. We evaluate M-GENGAR on a representative use case study involving a pulmonary ventilator. Results show that, in 87.5% of the evaluated scenarios, strategies synthesized through formal game-theoretic analysis stabilize patient vital metrics at least as effectively as human decision-making, while maintaining relevant metrics 20% closer to nominal healthy values on average.
• Abstract（参考訳）: 医療サイバー物理システム (CPS) は、患者、デバイス、医療従事者(Physicians)を統合し、システムの不均一性と人間の生理的行動の不確実性によって、信頼性が課題となる安全クリティカルなPDPトライアドを形成する。 既存の臨床意思決定支援システムは臨床実践を支援するが、患者の安全が損なわれる前に、障害シナリオを特定し緩和できる、積極的に信頼性を重視した方法論が必要である。 本稿では,医療用CPSの信頼性保証のためのクローズドループDigital Twin(DT)パラダイムに基づく方法論であるM-GENGARを提案する。 このアプローチは、確率的ハイブリッドオートマタモデリング、患者ダイナミクスのデータ駆動学習、および統計モデルチェックと、モデル空間探索と多様性分析を統合して、専門家が定義した信頼性要件に違反したシナリオを体系的に識別し分類するオフラインクリティカルシナリオ検出フェーズを組み合わせる。 M-GENGARはまた、緩和戦略の自動合成をサポートし、DTループ内で実行時のフィードバックと制御を可能にする。 肺換気器を応用したM-GENGARについて検討した。 その結果, 評価シナリオの87.5%において, 公式なゲーム理論分析によって合成された戦略は, 少なくともヒトの意思決定と同じくらい効果的に患者のバイタル指標を安定化させる一方で, 関連する指標は, 平均的に名目上の健全な値に20%近く維持することがわかった。

関連論文リスト

• Patient Digital Twins for Chronic Care: Technical Hurdles, Lessons Learned, and the Road Ahead [0.0]
  慢性疾患は世界中で死亡率、死亡率、医療費の主な負担となっている。 患者医療デジタルツインズ(PMDTs)は、臨床、ゲノム、ライフスタイル、およびQOLデータを統合する患者の総体的かつ継続的に更新されたデジタル版である。
  論文  参考訳（メタデータ） (2026-02-11T13:07:00Z)
• Toward an AI Reasoning-Enabled System for Patient-Clinical Trial Matching [0.0]
  本稿では,AI(Artificial Intelligence, 人工知能)による患者と臨床のマッチングのためのセキュアでスケーラブルな概念実証システムを提案する。 このシステムは、人間のループ内レビューを支援する解釈可能な推論チェーンを用いて、構造化された適性評価を生成する。 このシステムは、コーディネータの負担を軽減し、各患者が考慮する治験のセットをインテリジェントに拡大し、すべてのAI出力の総合的な監査性を保証することを目的としている。
  論文  参考訳（メタデータ） (2025-12-08T20:35:51Z)
• A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
  ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。 実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。 ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
  論文  参考訳（メタデータ） (2025-10-31T22:54:13Z)
• A Semantic Framework for Patient Digital Twins in Chronic Care [0.0]
  患者医療デジタルツイン(PMDT)は、生理的、精神社会的、行動的、ゲノム的な情報をコヒーレントなモデルに統合する。 PMDTはセマンティック・インターオペラビリティを確保し、自動推論をサポートし、さまざまな臨床コンテキストでの再利用を可能にする。 データ断片化とセマンティック標準化のギャップを埋めることによって、PMDTは、次世代デジタルヘルスエコシステムの検証された基盤を提供する。
  論文  参考訳（メタデータ） (2025-10-10T08:34:55Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• 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)
• Distribution-Free Uncertainty Quantification in Mechanical Ventilation Treatment: A Conformal Deep Q-Learning Framework [2.5070297884580874]
  本研究では,集中治療室における機械的換気を最適化するための,分布自由な共形深度Q-ラーニング手法であるConformalDQNを紹介する。 我々はMIMIC-IVデータベースからICU患者記録を用いてモデルを訓練・評価した。
  論文  参考訳（メタデータ） (2024-12-17T06:55:20Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。