論文の概要: FLARE: A Systematic, Uncertainty-Aware Framework for Evidence-Based Adoption of Artificial Intelligence in Healthcare

• arxiv url: http://arxiv.org/abs/2608.23643v1
• Date: Mon, 24 Aug 2026 07:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.444833
• Title: FLARE: A Systematic, Uncertainty-Aware Framework for Evidence-Based Adoption of Artificial Intelligence in Healthcare
• Title（参考訳）: FLARE:医療における人工知能のエビデンスに基づく採用のための体系的不確実性認識フレームワーク
• Abstract要約: FLAREは、医療におけるAIの採用による財務的および運用上の影響を評価するための、体系的で不確実性を認識したフレームワークである。 ケーススタディは、FLAREが従来のパスコスト、AI関連の開発と反復コスト、AI対応サービスセーブを定量化する方法を示している。 その結果, 経済的利益は, アルゴリズムの性能だけでなく, 患者数, 検証時間, インフラストラクチャの選択, ワークフロー設計にも依存することがわかった。
• 参考スコア（独自算出の注目度）: 0.5382679710017696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence is increasingly being introduced into healthcare workflows, yet most evaluations emphasize model accuracy rather than whether adoption is economically worthwhile in real clinical settings. This study proposes FLARE, a systematic and uncertainty-aware framework for evaluating the financial and operational implications of adopting AI in healthcare. FLARE combines fuzzy logic, time-driven activity-based costing, and return on investment analysis to estimate the cost of clinical service delivery, the cost of AI development and operation, and the economic consequences of workflow integration under uncertainty. The framework was demonstrated through an early health technology assessment case study of AI-assisted large vessel occlusion detection in the CT stroke pathway for acute ischemic stroke. The case study shows how FLARE can quantify conventional pathway cost, AI-related development and recurring costs, and AI-enabled service savings within a unified activity-based model. Under expected assumptions, the analysis identified a break-even threshold of approximately 3,992 patients per year, with positive first-year return on investment at typical annual stroke volumes of about 5,000 patients. The results further show that economic benefit depends not only on algorithmic performance, but also on patient volume, verification time, infrastructure choices, and workflow design. FLARE provides a transparent and practical decision-support framework for early-stage evaluation of AI adoption in healthcare. By making uncertainty, resource use, and implementation trade-offs explicit, it helps clinicians, administrators, and policymakers determine when AI deployment is economically viable and where operational changes may improve value.
• Abstract（参考訳）: 人工知能は医療ワークフローにますます導入されているが、ほとんどの評価では、実際の臨床環境での経済的価値よりも、モデルの精度を強調している。 本研究では,医療におけるAI導入の経済的および運用的意義を評価するための,体系的かつ不確実性を考慮したフレームワークであるFLAREを提案する。 FLAREはファジィ論理、時間駆動のアクティビティベースのコスト、投資分析の返却を組み合わせて、臨床サービス提供コスト、AI開発と運用のコスト、不確実性の下でのワークフロー統合の経済的影響を見積もる。 この枠組みは、急性虚血性脳梗塞に対するCT脳卒中経路におけるAIによる大血管閉塞検出の早期健康技術評価ケーススタディで実証された。 ケーススタディでは、FLAREが従来のパスコスト、AI関連の開発と繰り返しのコスト、AI対応サービスセーブを、統合されたアクティビティベースモデルで定量化する方法を示している。 予想される推定では、この分析では、約3,992人の患者に対して、平均して1年目で約5,000人の脳卒中患者に投資した。 さらに, 経済的利益は, アルゴリズムの性能だけでなく, 患者数量, 検証時間, インフラストラクチャの選択, ワークフロー設計にも依存することを示した。 FLAREは、医療におけるAI導入の初期段階評価のための透明で実践的な意思決定支援フレームワークを提供する。 不確実性、リソース使用、実装トレードオフを明確にすることで、臨床医、管理者、政策立案者がAIデプロイメントが経済的に有効であり、運用上の変更によって価値が向上するかどうかを判断するのに役立つ。

関連論文リスト

• From Operations to Elderly Care Outcomes: A Thematic Review of Industrial Engineering and Decision-Support Approaches [0.0]
  世界高齢化の急速な成長は、医療システムに深刻な課題をもたらしている。 産業工学と運用研究は、堅牢な最適化と意思決定支援ツールを提供するが、現在のアプリケーションは、しばしば断片化されている。 本研究は,独立した運用タスクから統合された多段階意思決定へと研究の焦点を移す概念的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-07-21T13:07:28Z)
• Computational Pathology in the Era of Emerging Foundation and Agentic AI -- International Expert Perspectives on Clinical Integration and Translational Readiness [33.59001301401135]
  基礎モデルとエージェントによる人工知能の最近の進歩は、計算病理学の進化を加速させた。 この発展の勢いにもかかわらず、実装が経済的、技術的、行政的な課題に直面しているため、現実世界の採用は遅れている。 このレビューでは、デプロイ可能な臨床関連性と下流分析能力を結合することにより、これらの新興AIシステムを医療実践に責任を持って組み込む方法について考察する。
  論文  参考訳（メタデータ） (2026-03-06T04:07:16Z)
• Beyond Accuracy: A Decision-Theoretic Framework for Allocation-Aware Healthcare AI [0.0]
  人工知能(AI)システムは、医療において専門家レベルの予測精度をますます達成している。 しかし、モデルパフォーマンスの改善は、患者の結果に対して対応する利益をもたらすことができないことが多い。 本稿では、この割当ギャップを解消し、結合資源制約の下での割当問題として、医療提供をモデル化することで決定論的説明を提供する。
  論文  参考訳（メタデータ） (2026-01-06T20:42:10Z)
• Leveraging AI to Accelerate Medical Data Cleaning: A Comparative Study of AI-Assisted vs. Traditional Methods [3.2666593942117688]
  Octoziは、大規模な言語モデルとドメイン固有性を組み合わせて医療データレビューを変換する人工知能支援プラットフォームである。 代表的な第3相腫瘍学試験の経済分析により、潜在的コスト削減は510万ドルであることが判明した。
  論文  参考訳（メタデータ） (2025-08-07T15:49:32Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• Standing on FURM ground -- A framework for evaluating Fair, Useful, and Reliable AI Models in healthcare systems [6.305990032645096]
  Stanford Health Careは、公正で有用で信頼性の高いAIモデルを特定するための、テストと評価のメカニズムを開発した。 評価プロセスを説明し、6つのアセスメントを要約し、同様のアセスメントを行うためのフレームワークを共有します。 我々の新しい貢献 - シミュレーションによる有用性推定、持続可能性の定量化のための財務予測、倫理的評価を行うプロセス - は、他の医療システムにおいて、候補AIソリューションの実用的な評価を行うことができる。
  論文  参考訳（メタデータ） (2024-02-27T03:33:40Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• 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)
• Reinforcement Learning with Efficient Active Feature Acquisition [59.91808801541007]
  実生活では、情報取得は患者の医療検査に該当する可能性がある。 本稿では,アクティブな特徴獲得ポリシーを学習するモデルに基づく強化学習フレームワークを提案する。 この成功の鍵は、部分的に観察された状態から高品質な表現を学ぶ新しい逐次変分自動エンコーダである。
  論文  参考訳（メタデータ） (2020-11-02T08:46:27Z)

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。