論文の概要: Integrating Causal Machine Learning into Clinical Decision Support Systems: Insights from Literature and Practice

• arxiv url: http://arxiv.org/abs/2603.24448v1
• Date: Wed, 25 Mar 2026 16:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.374026
• Title: Integrating Causal Machine Learning into Clinical Decision Support Systems: Insights from Literature and Practice
• Title（参考訳）: 因果機械学習を臨床診断支援システムに統合する:文学と実践から
• Authors: Domenique Zipperling, Lukas Schmidt, Benedikt Hahn, Niklas Kühl, Steven Kimbrough,
• Abstract要約: 現在の臨床意思決定支援システム(CDSS)は、典型的には因果関係ではなく相関に基づくものである。 近年、因果機械学習(ML)は、解釈可能な治療固有の推論を提供することで、CDSSによる意思決定を改善するための有望な方法として浮上している。 本研究は,コラボレーティブな臨床的意思決定を支援するために,因果MLに基づくCDSSをどう設計すべきかを検討した。
• 参考スコア（独自算出の注目度）: 3.858208502679784
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Current clinical decision support systems (CDSSs) typically base their predictions on correlation, not causation. In recent years, causal machine learning (ML) has emerged as a promising way to improve decision-making with CDSSs by offering interpretable, treatment-specific reasoning. However, existing research often emphasizes model development rather than designing clinician-facing interfaces. To address this gap, we investigated how CDSSs based on causal ML should be designed to effectively support collaborative clinical decision-making. Using a design science research methodology, we conducted a structured literature review and interviewed experienced physicians. From these, we derived eight empirically grounded design requirements, developed seven design principles, and proposed nine practical design features. Our results establish guidance for designing CDSSs that deliver causal insights, integrate seamlessly into clinical workflows, and support trust, usability, and human-AI collaboration. We also reveal tensions around automation, responsibility, and regulation, highlighting the need for an adaptive certification process for ML-based medical products.
• Abstract（参考訳）: 現在の臨床意思決定支援システム(CDSS)は、典型的には因果関係ではなく相関に基づくものである。 近年、因果機械学習(ML)は、解釈可能な治療固有の推論を提供することで、CDSSによる意思決定を改善するための有望な方法として浮上している。 しかし、既存の研究は、クリニックのインターフェースを設計するよりもモデル開発に重点を置いていることが多い。 このギャップに対処するために,我々は,因果MLに基づくCDSSを協調的臨床的意思決定を効果的に支援するためにどう設計すべきかを検討した。 デザインサイエンス研究手法を用いて、構造化された文献レビューを行い、経験者医師にインタビューした。 そこで我々は,8つの経験的基礎設計要件を導出し,7つの設計原則を開発し,9つの実用的設計特徴を提案した。 本研究は、因果的洞察を提供するCDSSを設計し、臨床ワークフローにシームレスに統合し、信頼性、ユーザビリティ、人間とAIのコラボレーションを支援するためのガイダンスを確立した。 また、自動化、責任、規制に関する緊張感を明らかにし、MLベースの医療製品に対する適応的な認証プロセスの必要性を強調します。

関連論文リスト

• 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)
• Retrieval-Augmented Framework for LLM-Based Clinical Decision Support [0.19999259391104388]
  本稿では,大言語モデル(LLM)を用いた臨床意思決定支援システムを提案する。 このフレームワークは自然言語処理と構造化された臨床入力を統合し、文脈に関連のあるレコメンデーションを生成する。 本稿では,表現表現のアライメントや生成戦略など,システムの技術的コンポーネントについて概説する。
  論文  参考訳（メタデータ） (2025-10-01T18:45:25Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• STRICTA: Structured Reasoning in Critical Text Assessment for Peer Review and Beyond [68.47402386668846]
  本研究では,テキストアセスメントをステップワイド推論プロセスとしてモデル化するために,Structured Reasoning In Critical Text Assessment (STRICTA)を導入する。 STRICTAは、因果性理論に基づく相互接続推論ステップのグラフに評価を分解する。 約40人のバイオメディカル専門家が20以上の論文について4000以上の推論ステップのデータセットにSTRICTAを適用した。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• Neural machine translation of clinical procedure codes for medical diagnosis and uncertainty quantification [1.974814309194804]
  医療エントロピーの概念を導入し,ICD-9法に基づくニューラルマシン翻訳によって予測される患者の予後の不確かさを定量化する。 簡単なICD-9コードに基づいて,術式と診断シーケンスの相関が強いことを示す。 また,データ駆動アプローチにより入院時の不確実性の傾向をモデル化する有望な能力を示す。
  論文  参考訳（メタデータ） (2024-02-07T20:11:56Z)
• Applying Artificial Intelligence to Clinical Decision Support in Mental Health: What Have We Learned? [0.0]
  本稿では,近年開発されたAI-CDSSであるAifred Healthを事例として,うつ病における治療の選択と管理を支援する。 我々は、このAI-CDSSの開発およびテスト中にもたらされた原則と、実装を容易にするために開発された実践的ソリューションの両方を考慮する。
  論文  参考訳（メタデータ） (2023-03-06T21:40:51Z)
• VBridge: Connecting the Dots Between Features, Explanations, and Data for Healthcare Models [85.4333256782337]
  VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。 我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。 症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
  論文  参考訳（メタデータ） (2021-08-04T17:34:13Z)
• Moral Decision-Making in Medical Hybrid Intelligent Systems: A Team Design Patterns Approach to the Bias Mitigation and Data Sharing Design Problems [0.0]
  チームデザインパターン(TDP)は、決定が道徳的な要素を持つ設計問題の成功と再利用可能な構成を記述する。 本稿では,医療用hiシステムにおける2つの設計問題の解のセットについて述べる。 パターンの理解性、有効性、一般化性に関するユーザビリティを評価するために、調査が作成されました。
  論文  参考訳（メタデータ） (2021-02-16T17:09:43Z)

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。