論文の概要: Can Physician Expertise Improve Machine Learning Identification of Delirium?

• arxiv url: http://arxiv.org/abs/2606.30651v1
• Date: Tue, 16 Jun 2026 01:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.607676
• Title: Can Physician Expertise Improve Machine Learning Identification of Delirium?
• Title（参考訳）: 物理学者は、デリリウムの機械学習識別を改善することができるか?
• Abstract要約: デリリウムは入院患者によく見られ、定期治療で欠席することが多い。 ユーザ中心の対話型機械学習(UC-iML)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.023141540283701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Delirium is common in hospitalized patients and is often missed in routine care. We present a user-centered interactive machine learning (UC-iML) framework for delirium detection support that combines physician-guided feature refinement with interpretable modeling. Using 3,862 labeled admissions from six Toronto hospitals in the General Medicine Inpatient Initiative (GEMINI), we integrate administrative variables, laboratory results, medications, and a radiology-derived text indicator. Physicians guide feature refinement and model evaluation, and Shapley Additive exPlanations (SHAP) are used to summarize feature attribution. We evaluate standard supervised classifiers with temporally separated holdout testing and a later-phase validation cohort. Compared with automated and baseline variants, the proposed framework shows better overall discrimination and stronger temporal robustness, while the explanations highlight clinically meaningful signals. These results support UC-iML as a practical human-in-the-loop framework for clinically relevant delirium modeling.
• Abstract（参考訳）: デリリウムは入院患者によく見られ、定期治療で欠席することが多い。 本稿では,医師誘導型特徴改善と解釈可能なモデリングを組み合わせた,デリリウム検出支援のためのユーザ中心型対話型機械学習(UC-iML)フレームワークを提案する。 トロント総合病院(GEMINI)の6病院から3,862件の入院をラベル付けし, 管理変数, 検査結果, 薬品, 放射線学由来のテキストインジケータを統合した。 医師は特徴の洗練とモデル評価をガイドし、Shapley Additive exPlanations (SHAP) を用いて特徴の属性を要約する。 時間的に分離されたホールドアウトテストと後続の検証コホートを用いた標準教師付き分類器の評価を行った。 自動およびベースラインの変種と比較して、提案フレームワークはより優れた全体的差別とより強い時間的堅牢性を示し、その説明は臨床的に有意義なシグナルを強調している。 これらの結果は、UC-iMLを臨床的に関係のあるデリリウムモデリングのための実用的ヒト・イン・ザ・ループフレームワークとしてサポートしている。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• ASAP: Advancing Medical Volumetric Representation Learning with Anatomy-aware Semantically-adaptive Pre-training [26.518178155362634]
  本稿では,医用ボリューム表現学習のための視覚言語事前学習フレームワークを提案する。 解剖学的知識注入モジュールは,(1)臓器レベルでの構造的前提を組み込んだもの,(2)文レベルの発見と局所的な領域を関連付ける意味的適応的選択的アライメント機構,(3)解剖学的に認知された視覚的特徴と接地されたテキストの手がかりとを効果的に相互作用するための意味的適応的融合モジュールである。
  論文  参考訳（メタデータ） (2026-05-30T07:59:21Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• MED-COPILOT: A Medical Assistant Powered by GraphRAG and Similar Patient Case Retrieval [12.265116154395434]
  MED-COPILOTは,臨床医と研修医を対象としたインタラクティブな臨床意思決定支援システムである。 このシステムはWHOとNICEのガイドラインから構造化知識グラフを構築し、効率的な検索にコミュニティレベルの要約を適用し、36,000ケースの類似患者データベースを維持している。
  論文  参考訳（メタデータ） (2026-02-28T04:32:03Z)
• 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)
• Automated Clinical Problem Detection from SOAP Notes using a Collaborative Multi-Agent LLM Architecture [8.072932739333309]
  我々は,このギャップに対処するために,臨床相談チームをモデル化する共同マルチエージェントシステム(MAS)を導入する。 このシステムは、SOAPノートの主観的(S)および目的的(O)セクションのみを分析することによって、臨床上の問題を特定する。 マネージャエージェントは、階層的で反復的な議論に従事し、合意に達するために、動的に割り当てられた専門家エージェントのチームを編成する。
  論文  参考訳（メタデータ） (2025-08-29T17:31:24Z)
• Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
  VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。 本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:19:28Z)
• 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)
• Investigating Alternative Feature Extraction Pipelines For Clinical Note Phenotyping [0.0]
  医療属性の抽出に計算システムを用いると、多くの応用が期待できる。 BERTベースのモデルは、臨床ノートを一連の表現に変換するために使用することができる。 そこで本研究では,ScispaCyNeumannを用いた代替パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-05T02:51:51Z)
• 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)
• Patient Aware Active Learning for Fine-Grained OCT Classification [12.89552245538411]
  本稿では,アクティブラーニングのサンプル選択プロセスに臨床知見を取り入れたフレームワークを提案する。 医学的に解釈可能な能動学習フレームワークは, OCT分類の性能向上のために, 患者から多彩な疾患の徴候を捉えている。
  論文  参考訳（メタデータ） (2022-06-23T05:47:51Z)

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。