Fugu-MT 論文翻訳(概要): Quantifying the Relationship Between Clinical Safety and Environmental Impact in Therapeutic LLMs

論文の概要: Quantifying the Relationship Between Clinical Safety and Environmental Impact in Therapeutic LLMs

arxiv url: http://arxiv.org/abs/2608.11830v1
Date: Wed, 12 Aug 2026 09:14:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.529658
Title: Quantifying the Relationship Between Clinical Safety and Environmental Impact in Therapeutic LLMs
Title（参考訳）: 治療用LDMの安全性と環境影響の定量化
Abstract要約: メンタルヘルスの文脈における大規模言語モデル(LLM)の展開は、臨床安全性と環境コストの関係に関する疑問を提起する。エネルギー利用, 二酸化炭素排出, 水消費, 無生物的枯渇の4次元にわたるモデル性能と環境影響を評価した。
参考スコア（独自算出の注目度）: 1.818940434606531
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The deployment of large language models (LLMs) in mental health contexts raises questions about the relationship between clinical safety and environmental cost. In this paper, we examine this relationship by combining K-Bench clinical safety scores with EcoLogits life-cycle assessment estimates across 47 supported model configurations. We evaluate model performance and environmental impact across four dimensions: energy use, carbon emissions, water consumption, and abiotic depletion. The results indicate a non-linear trade-off at the upper end of the safety distribution: a 2.61 percentage-point increase in clinical safety score corresponded to an approximately 60-fold increase in estimated energy use per million output tokens. Row-level analyses further suggest that additional test-time compute did not consistently improve clinical safety and, in some configurations, was associated with lower clinical safety scores. These findings suggest that relying solely on larger models or additional inference-time computation may be an inefficient strategy for improving safety in therapeutic AI systems. We discuss the implications for sustainable deployment and highlight dynamic model selection, including model cascading, as a potential approach for reducing environmental impact while preserving clinical performance in higher-risk cases.
Abstract（参考訳）: メンタルヘルスの文脈における大規模言語モデル(LLM)の展開は、臨床安全性と環境コストの関係に関する疑問を提起する。本稿では,K-Bench 臨床安全スコアとEcoLogits のライフサイクルアセスメントを組み合わせ,47 のモデル構成で評価した。エネルギー利用, 二酸化炭素排出, 水消費, 無生物的枯渇の4次元にわたるモデル性能と環境影響を評価した。その結果、安全分布上端における非線形トレードオフが示され、臨床安全スコアの2.61ポイントの増加は、100万単位の出力トークン当たりの推定エネルギー使用量の約60倍の増加と一致した。ローレベル分析は、追加のテスト時間計算が臨床安全性を継続的に改善せず、一部の構成では、より低い臨床安全性スコアに関連していることを示唆している。これらの結果は、より大きなモデルや追加の推論時間計算のみに依存することが、治療用AIシステムの安全性を改善するための非効率な戦略である可能性を示唆している。リスクの高い症例では臨床効果を保ちながら環境への影響を低減するための潜在的アプローチとして,持続的展開とモデルカスケードを含む動的モデル選択の強調を論じる。

関連論文リスト

Evaluating Patient Safety Risks in Generative AI: Development and Validation of a FMECA Framework for Generated Clinical Content [0.5049603364708264]
障害モード、効果、臨界分析(FMECA)は、体系的なリスク識別のための積極的なフレームワークを提供する。本研究の目的は, LLM 作成臨床サマリーにおける患者安全リスクの予測評価のための新しい FMECA フレームワークの開発と評価である。
論文参考訳（メタデータ） (2026-04-23T14:44:15Z)
An interpretable data-driven approach to optimizing clinical fall risk assessment [0.0559762074594338]
我々は,Johns Hopkins Fall Risk Assessment Toolの転倒リスク予測を,データ駆動型モデリングアプローチによる臨床的に有意義な指標と整合させることを目標としている。我々は,JHFRATスコアの重み付けに制約スコア最適化モデルを用い,その付加的構造と臨床閾値を保存した。このモデルは現在のJHFRATよりも予測性能が大幅に向上した。
論文参考訳（メタデータ） (2026-01-08T18:17:31Z)
A Novel Evaluation Benchmark for Medical LLMs: Illuminating Safety and Effectiveness in Clinical Domains [15.73821689524201]
大言語モデル (LLMs) は臨床決定支援において有望であるが、安全性評価と有効性検証において大きな課題に直面している。臨床専門家のコンセンサスに基づく多次元フレームワークであるCSEDBを開発した。 13名の専門医が, 現実のシナリオをシミュレートする26の臨床部門にまたがって, 2,069件のオープンエンドQ&A項目を作成した。
論文参考訳（メタデータ） (2025-07-31T12:10:00Z)
TabulaTime: A Novel Multimodal Deep Learning Framework for Advancing Acute Coronary Syndrome Prediction through Environmental and Clinical Data Integration [4.684605277663849]
急性冠症候群 (ACS) は世界中で死亡率の高い疾患である。臨床リスク要因と大気汚染データを組み合わせた多モード深層学習フレームワークであるTabulaTimeを紹介した。実験の結果,TabulaTimeでは従来のモデルに比べて予測精度が20%以上向上していることがわかった。
論文参考訳（メタデータ） (2025-02-24T11:01:07Z)
Towards Integrating Epistemic Uncertainty Estimation into the Radiotherapy Workflow [40.07325268305058]
放射線治療計画における目標構造と臓器リスク(OAR)の整合性の精度は、治療効果と患者の安全を確保するために不可欠である。近年のディープラーニング(DL)の進歩により,OARコンチューリング性能が大幅に向上した。しかし、これらのモデルの信頼性、特にアウト・オブ・ディストリビューション(OOD)シナリオの存在は、臨床設定において懸念されている。
論文参考訳（メタデータ） (2024-09-27T10:55:58Z)
A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文参考訳（メタデータ） (2023-07-01T15:18:00Z)
Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文参考訳（メタデータ） (2023-03-09T15:38:16Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文参考訳（メタデータ） (2020-10-13T14:48:31Z)
Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
論文参考訳（メタデータ） (2020-06-09T03:06:45Z)

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。