論文の概要: Auditing Institutional Heterogeneity for Generative AI in Patient Education: A Large-Scale Study of 102 US Transplant Handbooks

• arxiv url: http://arxiv.org/abs/2607.22606v2
• Date: Wed, 23 Sep 2026 11:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.13456
• Title: Auditing Institutional Heterogeneity for Generative AI in Patient Education: A Large-Scale Study of 102 US Transplant Handbooks
• Title（参考訳）: 患者教育における創発的AIのための制度的不均一性の検討 : 102US移植ハンドブックの大規模研究
• Abstract要約: 構造化された大言語モデル判定器を用いて,23の固形臓器移植センターから102の患者教育ハンドブックを検査した。 同中心の組織間合意は、同中心の組織間合意を0.024ドル超えている。 移植医療における患者向け生成AIの展開の意義について論じる。
• 参考スコア（独自算出の注目度）: 8.86745721473138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Health systems are rapidly deploying generative-AI assistants that answer patient questions from institution-authored education materials, on the premise that grounding in local content yields consistent guidance. Do the underlying documents themselves agree? We use a structured-output large-language-model judge to audit 1{,}772{,}261 pairwise comparisons across 102 patient-education handbooks from 23 US solid-organ transplant centers, paired with 1{,}115 patient-derived questions (TransplantQA). Four findings bear directly on deployment: (1) same-center cross-organ agreement exceeds cross-center same-organ agreement by $0.024$ in the primary analysis (Holm-adjusted $p=0.011$), with sensitivity to document selection; (2) information gaps concern topics relevant to underrepresented subgroups, with reproductive health a \emph{double jeopardy}: 82\% absence and 86\% judge-rated high significance among divergent/contradictory pairs; (3) judge-derived themes form 991 clusters, with immunosuppression and pregnancy timing among the highest judge-rated priorities; (4) question and observed-coverage features predict high-divergence questions retrospectively (AUC $0.77$). We discuss implications for deploying patient-facing generative AI in transplant care.
• Abstract（参考訳）: 医療機関は、現地コンテンツへの接点が一貫したガイダンスをもたらすという前提のもと、医療機関が認可した教育資料から患者に回答する生成AIアシスタントを迅速に展開している。 基盤となるドキュメント自体に同意するだろうか? 1{,}772{,}261を米国23の固形臓器移植センターの102の患者教育ハンドブックで比較し,1{,}115の患者由来質問票(TransplantQA)と組み合わせて比較した。 同一中心の組織間合意は,(1)一次分析において0.024ドルを越え (Holm-adjusted $p=0.011$) 文書選択に敏感な情報ギャップ,(2) 未表現サブグループに関連する話題,(2) 生殖健康に関する話題,(2) 82 % 欠如と86 % 差別的ペア間の高い有意性,(3) 差別的/競争的ペア間の判断的価値,(3) 判断的由来のテーマ,(991 クラスタ), 最高の判断的優先順位の中での免疫抑制と妊娠時期, (4) 調査的特徴は高い偏見的質問を予測する(AUC$0.77.77)。 移植医療における患者向け生成AIの展開の意義について論じる。

関連論文リスト

• Large Language Model Agents for Evidence Based Genetic Disease Severity Classification [10.957590866922857]
  我々は10,211人の人間現象型オントロジー用語を分類する自律型AIエージェントを開発した。 表現型レベルでは、エージェントは直接の証拠または有効な推論によって支持されたクレームの82.6%から91.4%の精度で93.55%の精度を達成した。 このシステムは、直接的な証拠によって支えられた信頼性の高い自動分類を提供することにより、標準化されたパネル設計を可能にする。
  論文  参考訳（メタデータ） (2026-09-17T01:56:38Z)
• Blinded Multi-Rater Comparative Evaluation of a Large Language Model and Clinician-Authored Responses in CGM-Informed Diabetes Counseling [9.716840300626417]
  連続血糖モニタリング(Continuous glucose monitoring, CGM)は糖尿病治療の中心であるが、CGMのパターンを明確に説明し、共感的に時間を要する。 CGMの解釈と糖尿病カウンセリング支援のための検索地上大言語モデル(LLM)を開発した。 このシステムは、個別化された治療アドバイスを避けながら、平易な応答を生成した。
  論文  参考訳（メタデータ） (2026-04-16T15:11:47Z)
• When Documents Disagree: Measuring Institutional Variation in Transplant Guidance with Retrieval-Augmented Language Models [8.86745721473138]
  固形臓器移植のための患者教育材料は、米国中央で大きく異なる。 検索強化言語モデルを用いて,異なるセンターのハンドブックに同一の患者質問を根拠とする枠組みを導入する。 20.8%の非存在対比較が臨床的に有意な相違を示すことが判明した。
  論文  参考訳（メタデータ） (2026-03-23T00:42:40Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• ReXVQA: A Large-scale Visual Question Answering Benchmark for Generalist Chest X-ray Understanding [3.5568372183159203]
  ReXVQAは胸部X線検査における視覚的質問応答(VQA)の最大かつ最も包括的なベンチマークである。 約696,000の質問と、トレーニング、検証、テストセットにわたる16万の胸部X線研究のペアで構成されている。 我々は,MedGemma-4B-it,Qwen2.5-VL,Janus-Pro-7B,Eagle2-9Bを含む8つの最先端マルチモーダル言語モデルを評価する。
  論文  参考訳（メタデータ） (2025-06-04T18:11:59Z)
• Auditing Algorithmic Fairness in Machine Learning for Health with Severity-Based LOGAN [70.76142503046782]
  臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。 LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。 SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
  論文  参考訳（メタデータ） (2022-11-16T08:04:12Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。