論文の概要: GUIDE: Computationally Augmented Consensus for Trustworthy Clinical Practice Guidelines
- arxiv url: http://arxiv.org/abs/2610.16108v1
- Date: Mon, 12 Oct 2026 03:16:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.295628
- Title: GUIDE: Computationally Augmented Consensus for Trustworthy Clinical Practice Guidelines
- Title（参考訳）: GUIDE:信頼できる臨床実践ガイドラインのための計算拡張コンセンサス
- Abstract要約: 我々は,人間とAIの協調的ガイドライン生成と更新のための多エージェント協調システムであるGUIDEを開発した。
GUIDEは専門のAIエージェントに労働集約的なタスクを委譲し、専門家の判断と最終的な仲裁を保持する。
12のNICE眼科データセットでは、GUIDEは88.85%の文献リコール、86.06%のアライメント、91.67%のレコメンデーション契約を達成した。
- 参考スコア（独自算出の注目度）: 19.228560980714466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maintaining up-to-date clinical practice guidelines (CPGs) is essential for evidence-based medicine, but rapid evidence growth and complex expert consensus formation limit timely updates. We developed GUIDE, a multi-agent copilot system for human-AI collaborative guideline generation and updating. GUIDE delegates labor-intensive tasks to specialized AI agents while preserving expert judgment and final arbitration. In 12 NICE ophthalmology datasets, GUIDE achieved 88.85% literature recall, 86.06% alignment in certainty-of-evidence ratings, and 91.67% recommendation agreement, requiring 162.17 minutes per dataset on average (28.68% human intervention). Performance remained stable across 20 additional datasets from cardiology, endocrinology, gastroenterology, and respiratory medicine. Ablation analysis showed that removing expert intervention reduced performance in judgment-intensive steps such as Risk-of-Bias assessment. In six post-cutoff datasets, GUIDE maintained robust end-to-end performance on unseen evidence. Prospective real-world validation showed that GUIDE reduced expert workload and produced more clinically acceptable recommendations than the original decade-old guideline (mean score, 3.73 vs. 1.53; agreement, 66.7% vs. 13.3%), with outcomes comparable to human-only updating (P = 0.588) but substantially less time and effort. GUIDE offers a practical framework for timely, trustworthy, expert-centric guideline development and validates computationally augmented consensus.
- Abstract（参考訳）: 最新の臨床実践ガイドライン(CPGs)を維持することは、エビデンスベースの医療には不可欠であるが、素早いエビデンスの成長と複雑な専門家の合意形成は、タイムリーな更新を制限している。
我々は,人間とAIの協調的ガイドライン生成と更新のための多エージェント協調システムであるGUIDEを開発した。
GUIDEは専門のAIエージェントに労働集約的なタスクを委譲し、専門家の判断と最終的な仲裁を保持する。
12のNICE眼科データセットでは、GUIDEは88.85%の文献リコール、86.06%のアライメント、91.67%のレコメンデーション契約を達成し、1データセットあたり平均162.17分を必要とした(28.68%の人的介入)。
成績は、心疾患、内分泌疾患、胃腸科学、呼吸器医学の20種類の追加データセットで安定していた。
アブレーション分析の結果, リスク・オブ・バイアス評価などの判断集約段階において, 専門家介入の除去がパフォーマンスを低下させることがわかった。
カットオフ後の6つのデータセットでは、GUIDEは目に見えないエビデンスに対して堅牢なエンドツーエンドのパフォーマンスを維持した。
先進的な実世界の検証では、GUIDEは専門家の作業量を削減し、最初の10年前のガイドライン(平均スコア 3.73 vs. 1.53; 合意率 66.7% vs. 13.3%)よりも臨床的に許容できる勧告を生み出した。
GUIDEは、タイムリーで信頼できる専門家中心のガイドライン開発のための実践的なフレームワークを提供し、計算的に拡張されたコンセンサスを検証する。
関連論文リスト
- OA-MAP: Evidence-Grounded Multi-Agent Multimodal Framework for Interpretable Knee Osteoarthritis Progression [5.888781927710688]
OA-MAPは,KOAの構造と痛みの進行を実証的に評価するための,自律型マルチエージェントフレームワークである。
システムは、MRI、X線、臨床薬を含むモダリティ特異的剤とコーディネーター剤を組み込む。
FNIH型変形性関節症に対するバイオマーカーコンソーシアムの600名を用いた予測モデルの評価を行った。
論文 参考訳（メタデータ） (2026-10-08T15:23:02Z) - AI-assisted mitotic counting improves reproducibility and efficiency across multiple tumour types [1.152859279737078]
MitProは、病理学者を最も予測された有糸分裂活動のある領域に誘導することで、一貫性と効率を改善するように設計されたAIツールである。
本研究は,その効果が,非干渉的,非干渉的,対の読者研究におけるミオティックカウントの効率に及ぼす影響を検証した。
論文 参考訳（メタデータ） (2026-10-01T14:48:55Z) - TrialAtlas: Multi-Agent Research Organization for Clinical Trial Design and Optimization [25.52035756737]
TrialAtlas(トリアルアトラス、TrialAtlas)は、臨床試験計画のための、メモリ拡張型マルチエージェント研究機関である。
TrialAtlasは、これまでの新薬応用を含む、歴史的な臨床試験と規制の成果から学ぶ。
TrialAtlasBenchはFDA完全対応レター291から構築されている。
論文 参考訳（メタデータ） (2026-09-18T14:53:34Z) - A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。
臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
論文 参考訳（メタデータ） (2026-05-06T07:44:39Z) - End-to-End Evaluation and Governance of an EHR-Embedded AI Agent for Clinicians [3.018184429993625]
このフレームワークは、バリデーション、ライブデプロイメントフィードバック、技術的パフォーマンス監視、コストトラッキングを統合している。
20人の臨床医が823件に1,646件の試薬を提出した。
結果は、デプロイされた臨床AIの継続的なマルチチャネルガバナンスは達成可能かつ効果的であることを示している。
論文 参考訳（メタデータ） (2026-04-30T01:45:39Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。
FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。
Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
論文 参考訳（メタデータ） (2026-01-22T01:34:39Z) - The Trust in AI-Generated Health Advice (TAIGHA) Scale and Short Version (TAIGHA-S): Development and Validation Study [1.0112913394578702]
本研究は,AI生成型ヘルスアドバイザ(TAIGHA)尺度とその4項目短縮形(TAIGHA-S)の開発と検証を行った。
項目は生成AIアプローチを使用して開発され、続いて10のドメインエキスパートによるコンテンツ検証、30人のレイ参加者による顔検証、および症状評価シナリオでAI生成アドバイスを受けた385人の英国参加者による心理測定検証が実施された。
論文 参考訳（メタデータ） (2025-12-16T10:40:07Z) - MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。
生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。
結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
論文 参考訳（メタデータ） (2025-08-17T15:14:03Z)
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。