Fugu-MT 論文翻訳(概要): Clinical Pathways as Safety Specifications for Physical AI in Hospital Wards

論文の概要: Clinical Pathways as Safety Specifications for Physical AI in Hospital Wards

arxiv url: http://arxiv.org/abs/2607.19827v1
Date: Wed, 22 Jul 2026 07:02:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-23 18:51:37.997086
Title: Clinical Pathways as Safety Specifications for Physical AI in Hospital Wards
Title（参考訳）: 病院病棟における物理AIの安全基準としての臨床パス
Abstract要約: 本稿では,臨床パスウェイズを医療用AIの明確な実行時安全仕様として再解釈する。本稿では,ウェアラブルセンサ,スマートメディカルデバイス,ロボット部品をリアルタイム監視のための統合されたフレームワークに統合する概念的ロボットアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 2.479074862022315
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ensuring safety in Physical AI systems operating in real-world environments is a critical challenge, particularly in hospital wards where vulnerable patients, clinical staff, medical devices, and assistive robots coexist. In this paper, we reinterpret Clinical Pathways as explicit runtime safety specifications for embodied medical AI. We propose a conceptual robotic architecture that integrates wearable sensors, smart medical devices, and assistive robotic components into a unified framework for real-time safety monitoring. At its core, a Runtime Safety Monitor (RSM) evaluates multimodal physiological and system-level signals against clinically defined constraints derived from the prescribed care process. Rather than relying solely on statistical anomaly detection, the proposed approach combines temporal prediction, uncertainty-aware reasoning, and constraint-based verification to identify safety violations. The RSM targets three classes of events: physiological deviations from prescribed care, hardware and communication failures, and potential data tampering or misuse. This work contributes to Safe Physical AI by operationalizing domain-specific clinical knowledge as enforceable safety constraints, bridging learning-based perception and runtime safety monitoring to assist nursing staff in real-world hospital wards.
Abstract（参考訳）: 特に、脆弱な患者、臨床スタッフ、医療機器、補助ロボットが共存する病院区では、現実の環境で動く物理AIシステムの安全性を確保することが重要な課題である。本稿では,臨床パスウェイズを具体化医療用AIの明確な実行時安全仕様として再解釈する。本稿では,ウェアラブルセンサ,スマートメディカルデバイス,ロボット部品をリアルタイム監視のための統合されたフレームワークに統合する概念的ロボットアーキテクチャを提案する。実行時安全モニター(RSM)は、所定のケアプロセスから導かれる臨床上の制約に対して、マルチモーダルな生理的およびシステムレベルの信号を評価する。提案手法は,統計的異常検出のみに頼るのではなく,時間的予測,不確実性を考慮した推論,安全違反を識別するための制約に基づく検証を組み合わせる。 RSMは、所定のケアからの生理的逸脱、ハードウェアおよび通信障害、潜在的なデータの改ざんまたは誤用の3つのクラスをターゲットにしている。この研究は、現実の病院病棟における看護スタッフを支援するために、ドメイン固有の臨床知識を強制的安全制約として運用し、学習に基づく認識をブリッジし、実行時安全監視を行うことによって、セーフ物理AIに寄与する。

関連論文リスト

Safe Embodied AI for Long-horizon Tasks: A Cross-layer Analysis of Robotic Manipulation [34.70550511647954]
身体的なAIシステムは、物理的環境における拡張された地平線を推論し、行動することがますます期待されている。安全な具体化されたAIは大きな注目を集めているが、その文献は計画、ポリシー設計、実行時に断片化されている。この調査は、エンボディドAIの観点から、長距離ロボット操作における安全性の構造化されたレビューを提供する。
論文参考訳（メタデータ） (2026-06-04T03:43:09Z)
Hazard Management in Robot-Assisted Mammography Support [4.4103353984747935]
MammoBotは、X線マンモグラフィーで患者を支援するために設計されたロボットシステムである。本稿では,マンモボットのハザード管理手法を提案する。
論文参考訳（メタデータ） (2026-04-07T11:52:02Z)
CareGuardAI: Context-Aware Multi-Agent Guardrails for Clinical Safety & Hallucination Mitigation in Patient-Facing LLMs [5.437368195729715]
CareGuardAIは、患者向け医療質問応答のためのリスク対応安全フレームワークである。推論時にCareGuardAIは、コントローラエージェント、安全制約生成、二重リスク評価からなる多段階パイプラインを使用する。 patientSafeBench, MedSafetyBench, MedHallu に対する CareGuardAI の評価を行った。
論文参考訳（メタデータ） (2026-04-07T10:54:57Z)
Safety in Embodied AI: A Survey of Risks, Attacks, and Defenses [168.50301366360344]
Embodied AI (Embodied AI) は、知覚、認知、計画、相互作用を、安全クリティカルな環境で機能するエージェントに統合する。デジタルAIシステムとは異なり、エンボディエージェントは不確実な検知、不完全な知識、動的な人間とロボットの相互作用の下で行動しなければならない。この調査は、エンボディされたAIにおける安全性研究の包括的なレビューを提供し、完全なエンボディされたパイプラインにわたる攻撃と防御を調査している。
論文参考訳（メタデータ） (2026-03-28T13:21:44Z)
Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
論文参考訳（メタデータ） (2026-01-11T02:20:40Z)
A Practical Framework for Evaluating Medical AI Security: Reproducible Assessment of Jailbreaking and Privacy Vulnerabilities Across Clinical Specialties [11.500745861209774]
医学大言語モデル (LLMs) は、様々な専門分野にまたがる臨床上の意思決定支援のために、ますます普及している。既存のセキュリティベンチマークでは、GPUクラスタ、商用APIアクセス、保護されたヘルスデータが必要になる。本稿では,現実的な資源制約下での医療AIセキュリティを評価するための,実用的で完全に再現可能なフレームワークを提案する。
論文参考訳（メタデータ） (2025-12-09T02:28:15Z)
Towards provable probabilistic safety for scalable embodied AI systems [79.31011047593492]
エンボディードAIシステムは、様々なアプリケーションでますます普及している。複雑な運用環境での安全性確保は依然として大きな課題である。このパースペクティブは、安全で大規模に実施されたAIシステムを安全クリティカルなアプリケーションに採用するための道筋を提供する。
論文参考訳（メタデータ） (2025-06-05T15:46:25Z)
Open Problems in Machine Unlearning for AI Safety [61.43515658834902]
特定の種類の知識を選択的に忘れたり、抑圧したりするマシンアンラーニングは、プライバシとデータ削除タスクの約束を示している。本稿では,アンラーニングがAI安全性の包括的ソリューションとして機能することを防止するための重要な制約を特定する。
論文参考訳（メタデータ） (2025-01-09T03:59:10Z)
Beyond One-Time Validation: A Framework for Adaptive Validation of Prognostic and Diagnostic AI-based Medical Devices [55.319842359034546]
既存のアプローチは、これらのデバイスを実際にデプロイする際の複雑さに対処するのに不足することが多い。提示されたフレームワークは、デプロイメント中に検証と微調整を繰り返すことの重要性を強調している。現在の米国とEUの規制分野に位置づけられている。
論文参考訳（メタデータ） (2024-09-07T11:13:52Z)
RAISE -- Radiology AI Safety, an End-to-end lifecycle approach [5.829180249228172]
放射線学へのAIの統合は、臨床ケアの供給と効率を改善する機会をもたらす。モデルが安全性、有効性、有効性の最高基準を満たすことに注力すべきである。ここで提示されるロードマップは、放射線学におけるデプロイ可能で信頼性があり、安全なAIの達成を早めることを目的としている。
論文参考訳（メタデータ） (2023-11-24T15:59:14Z)
Leveraging Traceability to Integrate Safety Analysis Artifacts into the Software Development Process [51.42800587382228]
安全保証ケース(SAC)は、システムの進化中に維持することが困難である。本稿では,ソフトウェアトレーサビリティを活用して,関連するシステムアーチファクトを安全解析モデルに接続する手法を提案する。安全ステークホルダーがシステム変更が安全性に与える影響を分析するのに役立つように、システム変更の合理性を設計する。
論文参考訳（メタデータ） (2023-07-14T16:03:27Z)

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。