論文の概要: From Fuzzy to Formal: Scaling Hospital Quality Improvement with AI

• arxiv url: http://arxiv.org/abs/2604.20055v1
• Date: Tue, 21 Apr 2026 23:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.887143
• Title: From Fuzzy to Formal: Scaling Hospital Quality Improvement with AI
• Title（参考訳）: ファジィからフォーマルへ - AIによる病院の質向上
• Abstract要約: 病院品質改善(QI)は、高水準の病院目標を実行可能なソリューションに翻訳することで、医療提供を最適化する上で重要な役割を担っている。 QIの重要なステップは、私たちがQIファクター発見と呼ぶプロセスである、変更可能な重要な要因を特定することです。 現在のAIアライメント手法では、タスクが適切に定義されていると仮定しているが、QI因子発見は探索的でファジィで反復的な感覚形成プロセスである。
• 参考スコア（独自算出の注目度）: 1.772594441978314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hospital Quality Improvement (QI) plays a critical role in optimizing healthcare delivery by translating high-level hospital goals into actionable solutions. A critical step of QI is to identify the key modifiable contributing factors, a process we call QI factor discovery, typically through expert-driven semi-structured qualitative tools like fishbone diagrams, chart reviews, and Lean Healthcare methods. AI has the potential to transform and accelerate QI factor discovery, which is traditionally time- and resource-intensive and limited in reproducibility and auditability. Nevertheless, current AI alignment methods assume the task is well-defined, whereas QI factor discovery is an exploratory, fuzzy, and iterative sense-making process that relies on complex implicit expert judgments. To design an AI pipeline that formalizes the QI process while preserving its exploratory components, we propose viewing the task as learning not only LLM prompts but also the overarching natural-language specifications. In particular, we map QI factor discovery to steps of the classical AI/ML development process (problem formalization, model learning, and model validation) where the specifications are tunable hyperparameters. Domain experts and AI agents iteratively refine both the overarching specifications and AI pipeline until AI extractions are concordant with expert annotations and aligned with clinical objectives. We applied this "Human-AI Spec-Solution Co-optimization" framework at an urban safety-net hospital to identify factors driving prolonged length of stay and unplanned 30-day readmissions. The resulting AI-for-QI pipelines achieved $\ge 70\%$ concordance with expert annotations. Compared to prior manual Lean analyses, the AI pipeline was substantially more efficient, recovered previous findings, surfaced new modifiable factors, and produced auditable reasoning traces.
• Abstract（参考訳）: 病院品質改善(QI)は、高水準の病院目標を実行可能なソリューションに翻訳することで、医療提供を最適化する上で重要な役割を担っている。 一般的には、魚骨図、チャートレビュー、リーンヘルスケアといった専門家主導の半構造化質的ツールを通じて、QIファクタ発見と呼ばれるプロセスです。 AIはQI因子の発見を変革し、加速する可能性がある。 しかしながら、現在のAIアライメント手法では、タスクが適切に定義されていると仮定しているが、QI因子の発見は、複雑な暗黙の専門的判断に依存する探索的、ファジィ、反復的な感覚形成プロセスである。 探索的コンポーネントを保存しながらQIプロセスを形式化するAIパイプラインを設計するために、我々は、タスクをLLMプロンプトだけでなく、包括的な自然言語仕様も学習するものとして見ることを提案する。 特に、QI因子の検出を、仕様が調整可能なハイパーパラメータである古典的なAI/ML開発プロセス(プロブレム形式化、モデル学習、モデル検証)のステップにマッピングする。 ドメインエキスパートとAIエージェントは、AI抽出が専門家のアノテーションと一致し、臨床目的と一致するまで、包括的な仕様とAIパイプラインの両方を反復的に洗練する。 我々は,この「Human-AI Spec-Solution Co-optimization」フレームワークを都市安全ネット病院に導入し,長期滞在と30日間の無計画入院の要因を特定した。 結果として得られたAI-for-QIパイプラインは、エキスパートアノテーションと一致して$\ge 70\%に達した。 以前の手動のリーン分析と比較すると、AIパイプラインははるかに効率的で、以前の発見を回収し、新しい変更可能な要因を表面化し、監査可能な推論トレースを生成した。

関連論文リスト

• AMATA: Adaptive Multi-Agent Trajectory Alignment for Knowledge-Intensive Question Answering [59.145044878490815]
  AMATAはAdaptive Multi-Agent Trajectory Alignmentフレームワークである。 外部知識を動的に統合し、応答の解釈可能性と事実的根拠を改善する。 本稿では,(1)重要エージェントを優先する目的指向の嗜好を学習するトラジェクトリ内選好学習,(2)エージェント間の依存性学習,という2つの主要なイノベーションを紹介する。
  論文  参考訳（メタデータ） (2026-05-17T09:45:24Z)
• Towards Automated Ontology Generation from Unstructured Text: A Multi-Agent LLM Approach [1.029029220360574]
  大規模言語モデル(LLM)は将来性を示すが、どのアーキテクチャ設計が生成品質を駆動するかは定かではない。 本研究は、ドメイン固有の保険契約を用いて、これらの課題を調査するための制御された実験的研究である。 その結果,マルチエージェントアプローチは構造的品質を著しく向上し,クエリ可能性も適度に向上することがわかった。
  論文  参考訳（メタデータ） (2026-04-25T00:58:17Z)
• A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series [9.72130666902599]
  本稿では,多変量生理的時系列を記述した役割構造型マルチエージェントシステムであるVivaldiを紹介する。 実験の結果,エージェントパイプラインは,非思考的,医学的に微調整されたモデルに極めて有用であることがわかった。 一方、痛みスコアや滞在時間といった主観的対象は、限定的あるいは矛盾的な変化を示す。
  論文  参考訳（メタデータ） (2026-03-04T14:55:46Z)
• AgenticIQA: An Agentic Framework for Adaptive and Interpretable Image Quality Assessment [69.06977852423564]
  画像品質評価(IQA)は、人間の視覚系に根ざした知覚品質の定量化と解釈の両方を反映している。 AgenticIQAは、IQAを歪み検出、歪み解析、ツール選択、ツール実行の4つのサブタスクに分解する。 本稿では,IQAエージェントに適した大規模命令データセットであるAgenticIQA-200Kと,VLMベースのIQAエージェントの計画,実行,要約機能を評価するための最初のベンチマークであるAgenticIQA-Evalを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T09:37:01Z)
• SoftPipe: A Soft-Guided Reinforcement Learning Framework for Automated Data Preparation [10.764970149373845]
  我々は,厳格な制約をソフトガイダンスのパラダイムに置き換える,新しいRLフレームワークであるSoftPipeを紹介した。 我々は、SoftPipeがパイプラインの品質を最大13.9%改善し、2.8$times$既存の方法よりも高速な収束を実現することを実証した。
  論文  参考訳（メタデータ） (2025-07-18T07:43:22Z)
• Beyond Black-Box AI: Interpretable Hybrid Systems for Dementia Care [2.4339626079536925]
  近年の大規模言語モデル(LLM)のブームは、人工知能(AI)システムが医療診断に役立つという期待を再燃させた。 ベンチマークスコアはめちゃくちゃですが、LCMアシスタントはまだベッドサイドで測定可能な改善を提供していません。 このスクーピングレビューは、臨床現場で実践的な貢献をするためにAIが制限されている領域を強調することを目的としている。
  論文  参考訳（メタデータ） (2025-07-02T01:43:06Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Designing Interpretable ML System to Enhance Trust in Healthcare: A Systematic Review to Proposed Responsible Clinician-AI-Collaboration Framework [13.215318138576713]
  論文は、解釈可能なAIプロセス、方法、応用、および医療における実装の課題についてレビューする。 医療における堅牢な解釈可能性アプローチの重要な役割を包括的に理解することを目的としている。
  論文  参考訳（メタデータ） (2023-11-18T12:29:18Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Deep Algorithmic Question Answering: Towards a Compositionally Hybrid AI for Algorithmic Reasoning [0.0]
  問題の解答におけるアルゴリズム推論の課題は、AIに対する"システム"アプローチに効果的に取り組むことができる、と我々は主張する。 本稿では,QA,Deep Algorithmic Question Answeringのためのアルゴリズム推論手法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T14:28:18Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)

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。