論文の概要: Treatment Response Optimized Clinical Decision Support AI System via Digital Twin Simulation
- arxiv url: http://arxiv.org/abs/2606.17405v1
- Date: Tue, 16 Jun 2026 01:39:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.199691
- Title: Treatment Response Optimized Clinical Decision Support AI System via Digital Twin Simulation
- Title（参考訳）: デジタル双極子シミュレーションによる治療応答最適化臨床意思決定支援AIシステム
- Abstract要約: 本稿では,治療効果(TE)推定と臨床効果の定量化を統合したオンライン適応フレームワーク,治療軌跡をシミュレートする患者用Digital Twin(DT),シーケンシャルな意思決定のための強化学習(RL)を提案する。
The Cancer Genome Atlas (TCGA) の合成臨床シミュレータと実世界の卵巣癌データセットを用いて,本フレームワークの有効性を検証した。
本手法は, シミュレーションと臨床の両方において, 標準的な計算基準に比べて, 治療を推奨する上で, 優れた効果と安定性を示した。
- 参考スコア（独自算出の注目度）: 2.6593327311591115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical decision support AI systems (CDSASs) must adapt to evolving patient conditions in real-time while adhering to strict safety constraints. We present an online adaptive framework that integrates Treatment Effect (TE) estimation to quantify clinical benefits, a patient Digital Twin (DT) to simulate treatment trajectories, and Reinforcement Learning (RL) for sequential decision-making. The AI system is initially trained on historical medical records and operates in a continuous learning loop. To ensure safety, a rule-based module monitors vital signs and blocks contraindicated treatments. Cases with strong internal model disagreement are flagged for clinician review, simulated in our experiments via a pre-trained outcome model. We validate our framework using both a synthetic clinical simulator and a real-world ovarian cancer dataset from The Cancer Genome Atlas (TCGA). In both simulated and clinical settings, our method demonstrated superior effectiveness and stability in recommending treatments compared to standard computational baselines. Furthermore, the AI system maintains low latency and requires expert consultation for only a minority of cases in our experimental validation, demonstrating its potential as a safe, clinician-supervised tool for personalized medicine that continuously improves through practical use.
- Abstract（参考訳）: 臨床意思決定支援AIシステム(CDSAS)は、厳格な安全性の制約に固執しつつ、リアルタイムで進行する患者の状況に適応する必要がある。
本稿では,治療効果(TE)推定と臨床効果の定量化を統合したオンライン適応フレームワーク,治療軌跡をシミュレートする患者用Digital Twin(DT),シーケンシャルな意思決定のための強化学習(RL)を提案する。
AIシステムは、当初、歴史的な医療記録に基づいてトレーニングされ、継続的な学習ループで運用されている。
安全を確保するために、ルールベースのモジュールは、バイタルサインを監視し、禁忌治療をブロックする。
内的モデル不一致が強い症例は, 臨床検査のために, 事前訓練の結果モデルを用いてシミュレートした。
The Cancer Genome Atlas (TCGA) の合成臨床シミュレータと実世界の卵巣癌データセットを用いて,本フレームワークの有効性を検証した。
本手法は, シミュレーションと臨床の両方において, 標準的な計算基準に比べて, 治療を推奨する上で, 優れた効果と安定性を示した。
さらに、AIシステムは低レイテンシを保ち、実験的な検証において少数のケースに対して専門家による相談を必要とする。
関連論文リスト
- Digital Twins as Synthetic Controls in Single-Arm Trials [0.0]
結果モデルに基づく合成制御アームは、単腕試験において重要なツールである、と我々は主張する。
我々は、過去のデータセットに基づいてトレーニングされた機械学習モデルから生じる病気の進行のパーソナライズされた予測であるデジタルツインに焦点を当てる。
論文 参考訳（メタデータ） (2026-05-12T23:58:48Z) - Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。
対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。
StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-04-14T02:37:46Z) - Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。
LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。
我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
論文 参考訳（メタデータ） (2025-10-21T18:10:45Z) - 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) - Reinforcement Learning enhanced Online Adaptive Clinical Decision Support via Digital Twin powered Policy and Treatment Effect optimized Reward [3.3025649517524793]
本稿では、強化学習がポリシーを提供し、患者デジタルツインが環境を提供し、治療効果が報酬を定義するオンライン適応ツールを提案する。
人工臨床シミュレータの実験では、レイテンシの低下、スループットの安定、安全度の高いクエリ率の低下、標準値ベースラインに対するリターンの改善などが示されている。
論文 参考訳（メタデータ） (2025-08-24T04:51:22Z) - TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。
微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。
現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
論文 参考訳（メタデータ） (2025-05-13T12:39:06Z) - Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。
我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。
我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
論文 参考訳（メタデータ） (2025-03-12T10:17:54Z) - Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。
本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。
その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Optimal personalised treatment computation through in silico clinical
trials on patient digital twins [0.0]
知的検索によって導かれる広範囲なコンピュータシミュレーションに基づく実験的キャンペーン(ISTC)により、個々の患者の薬理学的治療(精密医療)を最適化する手法とアルゴリズムを提案する。
本研究は, 実薬理学的治療を含む症例研究, すなわち, ヒトの再生支援のための複雑な臨床プロトコルの減量段階における有効性を示すものである。
論文 参考訳（メタデータ） (2021-06-20T12:12:36Z)
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。