論文の概要: Emergency Department Revisit Quality Review Screening: Exploring Human Decision-Making and Artificial Intelligence Support
- arxiv url: http://arxiv.org/abs/2609.10421v1
- Date: Wed, 09 Sep 2026 16:37:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.113084
- Title: Emergency Department Revisit Quality Review Screening: Exploring Human Decision-Making and Artificial Intelligence Support
- Title（参考訳）: 緊急部は品質審査を見直し、人間による意思決定と人工知能のサポートを探る
- Abstract要約: 潜在的なペアを自動的にスクリーニングし、事前に評価するアルゴリズムを作成しました。
臨床診断者の間では、医療用重力の再検討は目標と大きく関連していた。
KGAは、少なくとも1つのクリニカル・レーダに対して83-100%の正の予測値を達成し、さらなる評価が保証された。
- 参考スコア（独自算出の注目度）: 0.5272195843074776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Emergency Department (ED) return visits are commonly reviewed for quality assurance, but are often limited (e.g., to revisits within 48-72 hours) to increase actionable finding yield while minimizing chart review burden. Those limitations may lead to missed quality improvement opportunities. Methods: We conducted an exploratory, retrospective study of randomly selected ED visits to a multihospital health system having an ED revisit within 1-14 days to the same health system. Given only each visit's primary diagnosis, raters (2-3 clinicians and GPT-4 large language model [LLM]) assessed characteristics of the diagnosis pairs, including the "target": whether a pair warranted further assessment. Informed by rater response analyses, an algorithm leveraging an LLM-populated knowledge graph ("KGA") was created to automatically screen for potentially concerning pairs, then preliminarily assessed. Results: 99 diagnosis pairs were included. GPT-4 responses poorly correlated to clinician raters, rating nearly all (94%) pairs as warranting follow-up (4.4-13.3 times more than clinicians). However, prompt engineering was minimal. Among clinician raters, revisit medical gravity was consistently significantly associated with the target, while a differential diagnosis/complication composite was significantly associated on unadjusted, but not adjusted (though less powered) analysis. The KGA achieved 83-100% positive predictive value for at least one clinician rater determining further assessment was warranted based on the diagnosis pair. Conclusion: These results can inform next steps for improving screening with LLMs like ChatGPT. Further research is warranted to validate this preliminary work's finding that the KGA may enable enhancing the scope and yield of screening without substantially increasing reviewer workload.
- Abstract（参考訳）: 背景: 救急部門(ED)のリターンビジットは品質保証のために概ねレビューされるが、チャートレビューの負担を最小限に抑えつつ、実用的な発見率を高めるために(例:48～72時間以内に再訪)制限されることが多い。
これらの制限は品質改善の機会を逃す可能性がある。
方法: 1～14日以内にED再診を行った多施設健康システムを対象に,ランダムに選択したED訪問の振り返り調査を行った。
各来訪者の初診時のみに2-3名の臨床医とGPT-4大言語モデル(LLM)が「ターゲット」を含む診断ペアの特徴を評価した。
レーダ応答解析によってインフォームドされ、LLMに代表される知識グラフ(KGA)を利用したアルゴリズムが作成され、潜在的なペアを自動的にスクリーニングし、事前に評価された。
結果:99対の診断結果が得られた。
GPT-4の反応は臨床医のレーナーと相関が低く、ほぼすべての(94%)のペアが臨床医の4.4～13.3倍のフォローアップを保証していると評価されている。
しかし、急進的な技術は最小限であった。
一方, 診断・合併症複合体は, 調整されていないが, 調整されていない (低出力) 分析では有意な関連がみられた。
KGAは,少なくとも1つの臨床検診者に対して83-100%の正の予測値を達成し,診断ペアに基づいてさらなる評価が保証された。
結論:これらの結果は、ChatGPTのようなLCMによるスクリーニングを改善するための次のステップを知らせることができます。
さらなる研究は、この予備的な作業が、レビューの作業量を大幅に増加させることなく、KGAがスコープとスクリーニングの収量を高めることができることを検証することを保証している。
関連論文リスト
- MA-RAG: Multi-Agent Retrieval-Augmented Generation for Query-Driven Summarization of Longitudinal Parkinson's Disease Assessments [0.8859671910259244]
MA-RAGはクエリ駆動型マルチエージェント検索拡張生成フレームワークである。
臨床推論をドメイン特化剤に分解する。
構造化された縦断評価データに対して、事実的正確かつ時間的に一貫した応答を生成する。
論文 参考訳（メタデータ） (2026-07-30T23:20:00Z) - Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。
実際の患者は1,089件、医療画像は3,760件、専門は8件。
プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
論文 参考訳（メタデータ） (2026-07-28T16:19:03Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - Clinician input steers frontier AI models toward both accurate and harmful decisions [10.599240857217811]
8つのフロンティアモデルにまたがる21の言語モデル (LLM) を, 差分診断生成と次のステップ勧告に基づいて評価した。
専門的な文脈は、21モデル全体にわたる正しい最終診断の包含を著しく改善した。
GPT-4o 実験では, 臨床症状の明確な不確実性信号により, 対側的文脈での診断性能が向上した。
論文 参考訳（メタデータ） (2026-03-14T23:47:53Z) - Optimizing Point-of-Care Ultrasound Video Acquisition for Probabilistic Multi-Task Heart Failure Detection [3.5617951813421818]
本稿では、RLエージェントが次のビューを選択して取得を終了するパーソナライズされたデータ取得戦略を提案する。
終了時,診断モデルは大動脈狭窄(AS)重症度と左室放出率(LVEF)を同時予測する
本手法は32%の動画を用いて,AS重度分類とLVEF推定における平均平衡精度(bACC)を77.2%達成し,フルスタディ性能と一致した。
論文 参考訳（メタデータ） (2026-02-14T07:56:21Z) - A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。
本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文 参考訳（メタデータ） (2025-12-23T13:26:13Z) - Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。
本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。
DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
論文 参考訳（メタデータ） (2025-10-28T17:19:47Z) - 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) - Enhancing Diagnostic Accuracy through Multi-Agent Conversations: Using Large Language Models to Mitigate Cognitive Bias [5.421033429862095]
臨床的意思決定における認知的バイアスは、診断の誤りや患者下結果に大きく寄与する。
本研究では,多エージェントフレームワークの利用を通じて,これらのバイアスを軽減するために,大規模言語モデルが果たす役割について検討する。
論文 参考訳（メタデータ） (2024-01-26T01:35:50Z) - A Systematic Evaluation of GPT-4V's Multimodal Capability for Medical
Image Analysis [87.25494411021066]
医用画像解析のためのGPT-4Vのマルチモーダル機能の評価を行った。
GPT-4Vは医用画像の理解に優れ、高品質な放射線診断レポートを生成する。
医用視覚接地の性能は大幅に改善する必要があることが判明した。
論文 参考訳（メタデータ） (2023-10-31T11:39:09Z)
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。