論文の概要: A Hybrid AI and Rule-Based Decision Support System for Disease Diagnosis and Management Using Labs

• arxiv url: http://arxiv.org/abs/2603.14876v1
• Date: Mon, 16 Mar 2026 06:22:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.096429
• Title: A Hybrid AI and Rule-Based Decision Support System for Disease Diagnosis and Management Using Labs
• Title（参考訳）: ラボを用いた疾患診断・管理のためのハイブリッドAIとルールベース意思決定支援システム
• Authors: Muhammad Hammad Maqsood, Mubashir Sajid, Khubaib Ahmed, Muhammad Usamah Shahid, Muddassar Farooq,
• Abstract要約: このシステムは、ルールベースのエキスパートシステムに含まれる知識を融合し、データ駆動予測器の推論を実験室の機能に基づいて行う。 私たちのルールベースは臨床的に検証されたルールで構成されており、59の健康条件をモデル化し、1つまたは複数の疾患を直接確認し、ICD-10コードを割り当てることができます。 Likelyの診断システムは、37のICD-10コードを含む多クラス分類を使用しており、医師が診断を確認するために処方する実験に基づいて11のカテゴリにまとめられている。
• 参考スコア（独自算出の注目度）: 0.8264316322451414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research paper outlines the development and implementation of a novel Clinical Decision Support System (CDSS) that integrates AI predictive modeling with medical knowledge bases. It utilizes the quantifiable information elements in lab results for inferring likely diagnoses a patient might have. Subsequently, suggesting investigations to confirm the likely diagnoses -- an assistive tool for physicians. The system fuses knowledge contained in a rule-base expert system with inferences of data driven predictors based on the features in labs. The data for 593,055 patients was collected from 547 primary care centers across the US to model our decision support system and derive Real-Word Evidence (RWE) to make it relevant for a large demographic of patients. Our Rule-Base comprises clinically validated rules, modeling 59 health conditions that can directly confirm one or more of diseases and assign ICD-10 codes to them. The Likely Diagnosis system uses multi-class classification, covering 37 ICD-10 codes, which are grouped together into 11 categories based on the labs that physicians prescribe to confirm the diagnosis. This research offers a novel system that assists a physician by utilizing medical profile of a patient and routine lab investigations to predict a group of likely diseases and then confirm them, coupled with providing explanations for inferences, thereby assisting physicians to reduce misdiagnosis of patients in clinical decision-making.
• Abstract（参考訳）: 本稿では,AI予測モデルと医療知識ベースを統合する新しい臨床意思決定支援システム(CDSS)の開発と実装について概説する。 これは、検査結果の定量情報要素を利用して、患者が抱える可能性のある診断を推測する。 その後、医師の補助具である診断の可能性を確認するための調査を提案する。 このシステムは、ルールベースのエキスパートシステムに含まれる知識を融合させ、データ駆動予測器の推論を実験室の機能に基づいて行う。 593,055人の患者のデータは、米国内547のプライマリケアセンターから収集され、意思決定支援システムをモデル化し、Real-Word Evidence(RWE)を導出し、患者の大規模な人口動態に関連付ける。 私たちのルールベースは臨床的に検証されたルールで構成されており、59の健康条件をモデル化し、1つまたは複数の疾患を直接確認し、ICD-10コードを割り当てることができます。 Likelyの診断システムは、37のICD-10コードを含む多クラス分類を使用しており、医師が診断を確認するために処方する実験に基づいて11のカテゴリにまとめられている。 本研究は, 臨床診断における患者の誤診を減らすために, 患者の医療的プロファイルを活用し, 定期的な検査を行い, 疾患群を予測し, 確認し, 推論の説明を提供することにより, 医師を支援する新しいシステムを提供する。

関連論文リスト

• Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
  本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。 本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。 DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:19:47Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
  Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。 実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-21T17:42:47Z)
• 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)
• Conversational Disease Diagnosis via External Planner-Controlled Large Language Models [18.93345199841588]
  本研究は,医師のエミュレートによる計画能力の向上を目的としたLCMに基づく診断システムを提案する。 実際の患者電子カルテデータを利用して,仮想患者と医師とのシミュレーション対話を構築した。
  論文  参考訳（メタデータ） (2024-04-04T06:16:35Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)
• Clinical Evidence Engine: Proof-of-Concept For A Clinical-Domain-Agnostic Decision Support Infrastructure [26.565616653685115]
  本稿では,3つの領域にまたがって,このアプローチの技術的,設計的実現可能性を示す概念実証システムを提案する。 このシステムは、BioBERTを活用すれば、長い臨床質問に基づいて、治験報告を効果的に識別することができる。 ドメインに依存しない意思決定支援基盤として、DSTやアルゴリズムに限らず、DSTの説明を設計するという考え方について議論する。
  論文  参考訳（メタデータ） (2021-10-31T23:21:25Z)

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。