論文の概要: Optimal Liability Design for Medical AI

• arxiv url: http://arxiv.org/abs/2608.03114v1
• Date: Tue, 04 Aug 2026 04:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.034873
• Title: Optimal Liability Design for Medical AI
• Title（参考訳）: 医療用AIの最適責任設計
• Abstract要約: 本稿では,社会プランナーが医療の責任を設計し,医師を個人的品質情報で統制するプリンシパル・エージェント・モデルを開発する。 非対称情報の下での最適メカニズムは驚くほど単純であることを示す。 情報非対称性はAIの存在下では二重刃の剣であり、透明性の向上はすべての利害関係者に平等に利益をもたらすものではない。
• 参考スコア（独自算出の注目度）: 4.238757198284236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) is increasingly integrated into medical decision-making, yet its liability implications remain complex, particularly when physicians differ in diagnostic skills and their quality is unobservable. This paper develops a principal-agent model in which a social planner designs medical liability to regulate a physician with private quality information who chooses between a standard treatment, a personalized judgment-based treatment, or following an imperfect AI recommendation. Our analysis yields several novel insights. First, we show that the optimal mechanism under asymmetric information is surprisingly simple: a uniform, one-size-fits-all liability level for all physician types who deviate from the standard of care. Despite physician heterogeneity, this simple policy often achieves the full-information first-best outcome, particularly when standard care is reliable or AI is highly accurate. Second, the relationship between AI accuracy and optimal liability is non-monotonic. Contrary to common intuition, better AI does not always imply more relaxed liability. As AI accuracy increases, the optimal liability either decreases monotonically or follows an inverted-U pattern, depending on the uncertainty of the standard treatment. Third, asymmetric information does not universally reduce social welfare. Welfare loss arises only when standard care is unreliable and AI accuracy is too low; even then, its magnitude follows an inverted U-shape, initially increasing as AI complicates the regulatory problem, but declining as more accurate AI helps mitigate it. Finally, we find that information asymmetry is a double-edged sword in the presence of AI, and greater transparency does not benefit all stakeholders equally.
• Abstract（参考訳）: 人工知能(AI)は、医学的意思決定にますます統合されているが、その負債の影響は、特に医師が診断スキルが異なる場合、複雑であり、その品質は監視不能である。 本稿では,標準的な治療,パーソナライズされた判断に基づく治療,あるいは不完全なAIレコメンデーションの順に選択した個人的品質情報を用いて医師を統制するための医療責任を設計するプリンシパル・エージェント・モデルを開発する。 我々の分析はいくつかの新しい洞察をもたらす。 まず、非対称情報に基づく最適メカニズムは驚くほど単純であることを示し、ケアの基準から逸脱する全ての医師に対して、一様で一様で、すべての責任レベルを示す。 医師の異質性にもかかわらず、この単純な方針は、特に標準的なケアが信頼できる場合や、AIが極めて正確である場合、多くの場合、完全な情報ファーストベストの結果を達成する。 第二に、AIの精度と最適責任の関係はモノトニックではない。 一般的な直観とは対照的に、より良いAIは必ずしも負債を緩和するわけではない。 AIの精度が向上するにつれて、最適な負債は単調に減少するか、標準処理の不確実性に応じて逆Uパターンに従う。 第三に、非対称な情報は社会福祉を普遍的に減らさない。 福祉の損失は、標準的なケアが信頼できないことと、AIの精度が低すぎる場合にのみ発生します。 最後に、情報非対称性はAIの存在下では二重刃の剣であり、透明性の向上はすべての利害関係者に平等に利益をもたらすものではないことに気付きます。

関連論文リスト

• Algorithm Design and Physician Liability [0.22940141855172036]
  米国の債務法では、異なるアルゴリズムへの依存が誤った臨床判断に寄与する場合、医療提供者が責任を負う。 このような負債の考慮がAI企業のアルゴリズム設計決定をどう変えるかを検討する。 責任ルールはAIの異なる利用を誘発する可能性がある。
  論文  参考訳（メタデータ） (2026-08-12T21:08:34Z)
• Trustworthy AI Suffers from Invariance Conflicts and Causality is The Solution [80.98492754957466]
  公正性、堅牢性、プライバシ、説明可能性といった、信頼性の高いAI目標を同時に達成することは難しい。 本稿では、パフォーマンスにおけるトレードオフを理解しバランスをとるためには因果性が必要であると論じ、信頼できるAIの複数の目的について論じる。
  論文  参考訳（メタデータ） (2026-05-04T14:26:28Z)
• The Imbalanced User-AI Relationships as an Ethical Failure of Front-End Design in Healthcare AI [0.0]
  データ推論によって、患者がどのようにAIシステムに高度に可視化されているかを示すが、どのように表現されているかを理解したり、質問したり、影響を与えることはない。 医療におけるよりバランスのとれた参加型ユーザ・AI関係のための介入を提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:15:57Z)
• Explainable AI as a Double-Edged Sword in Dermatology: The Impact on Clinicians versus The Public [46.86429592892395]
  説明可能なAI(XAI)は、AI意思決定の洞察を提供することによって、この問題に対処する。 フェアネスに基づく診断AIモデルと異なるXAI説明を組み合わせた2つの大規模実験の結果を報告する。
  論文  参考訳（メタデータ） (2025-12-14T00:06:06Z)
• Scalable Oversight via Partitioned Human Supervision [47.001801756596926]
  優れた人間の専門家でさえ、単一の狭い領域でしか知識がない。 人間は弱い信号、すなわち、誤ったオプションを示す補完的なラベルを提供することができる。 我々は,フロンティアAIシステムを評価するためのスケーラブルな監視フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T02:42:03Z)
• Exploring the Impact of Explainable AI and Cognitive Capabilities on Users' Decisions [1.1049608786515839]
  NFC(Need for Cognition)のようなパーソナリティ特性は、低レベルのNFC個人と高レベルのNFC個人の間で異なる意思決定結果をもたらす可能性がある。 ローンアプリケーションのシナリオにおいて,AI情報の提示が精度,AI依存度,認知負荷に与える影響について検討した。 精度, 認知負荷において, NFC群と高い群では有意な差は認められず, 意思決定における人格特性の役割について疑問が呈された。
  論文  参考訳（メタデータ） (2025-05-02T11:30:53Z)
• Engineering Trustworthy AI: A Developer Guide for Empirical Risk Minimization [53.80919781981027]
  信頼できるAIのための重要な要件は、経験的リスク最小化のコンポーネントの設計選択に変換できる。 私たちは、AIの信頼性の新たな標準を満たすAIシステムを構築するための実用的なガイダンスを提供したいと思っています。
  論文  参考訳（メタデータ） (2024-10-25T07:53:32Z)
• Explainable AI Enhances Glaucoma Referrals, Yet the Human-AI Team Still Falls Short of the AI Alone [6.740852152639975]
  各種のAI説明は、提供者が即時または緊急の専門紹介を必要とする患者を区別するのにどのように役立つかを検討する。 我々は、高リスク患者を特定するためのプロキシとして、通常のアイケアデータから緑内障手術のニーズを予測するための説明可能なAIアルゴリズムを構築した。 本研究は,本質的・ポストホックな説明性を取り入れ,ヒト-AIチームのパフォーマンスを評価するために,眼科医とオンライン研究を行った。
  論文  参考訳（メタデータ） (2024-05-24T03:01:20Z)
• Fairness in AI and Its Long-Term Implications on Society [68.8204255655161]
  AIフェアネスを詳しく見て、AIフェアネスの欠如が、時間の経過とともにバイアスの深化につながるかを分析します。 偏りのあるモデルが特定のグループに対してよりネガティブな現実的な結果をもたらすかについて議論する。 問題が続くと、他のリスクとの相互作用によって強化され、社会不安という形で社会に深刻な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-04-16T11:22:59Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• Explainable AI meets Healthcare: A Study on Heart Disease Dataset [0.0]
  目的は、様々な技術を用いて説明可能なAIシステムの理解性と解釈可能性について実践者に啓蒙することである。 本論文は、心臓病データセットに基づく例を収録し、信頼性を高めるために説明可能性技術をどのように好むべきかを解明する。
  論文  参考訳（メタデータ） (2020-11-06T05:18:43Z)
• Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
  AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。 我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。 実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
  論文  参考訳（メタデータ） (2020-04-27T19:06:28Z)

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。