論文の概要: When Should AI Decide, Defer, and Deviate? Responsible Automation for Deceased Donor Kidney Allocation

• arxiv url: http://arxiv.org/abs/2610.39045v1
• Date: Wed, 28 Oct 2026 23:17:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.018709
• Title: When Should AI Decide, Defer, and Deviate? Responsible Automation for Deceased Donor Kidney Allocation
• Title（参考訳）: AIはいつ決定し、決定し、破壊するべきか? ドナー・キドニー転位を減少させるための責任ある自動化
• Abstract要約: 米国で死んだドナーから回収された腎臓の約30%は移植されない。 AIを使用して、OOS(out-of-sequence)アロケーションの遅延や失敗のリスクに腎臓にフラグを付けることができるが、これはウェイトリストの上位候補をバイパスするコストがかかる。 我々は、様々な解釈可能なモデルを組み合わせるArbitratorフレームワークを構築し、予測の不確実性が望ましい行動を変更できない場合にのみ作用する。
• 参考スコア（独自算出の注目度）: 0.6949046326035425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We ask when an AI trained on historical decisions should be allowed to recommend decisions, defer to human experts, or in other cases, flag concerning patterns in data and deviate from past practice. This can be challenging because past decisions record what was done rather than what should have been done, and where data is sparse, a model's predictions may be too uncertain to act on. We provide a framework for addressing this problem using a case study in deceased-donor kidney allocation. Nearly 30% of kidneys recovered from deceased donors in the United States are never transplanted, largely because they are hard to place through the standard waitlist sequence. One can use AI to flag kidneys at risk of delayed or failed placement for out-of-sequence (OOS) allocation, but this comes at the cost of bypassing candidates higher on the waitlist. Thus, OOS allocation should only be used when the organ is demonstrably at high risk of discard on the standard sequence. Using Organ Procurement and Transplantation Network match-run data from 2016-2019 and 2023-2025 (excluding COVID-19-disrupted years), we build the Arbitrator framework, which combines various interpretable models and acts only when the uncertainty in their predictions cannot change the preferred action. Our Arbitrator resolves 93.5% of organ placement decisions using explicit medical criteria learned from data, and defers the remaining 6.5% to a human or a more complex model. We show that the Arbitrator correctly identifies 70.1% of historically discarded low-KDPI kidneys as OOS candidates, projecting that up to 43.9% of historically discarded kidneys could be flagged for expedited placement and potentially transplanted. We then exploit the interpretability of the Arbitrator to create an agentic audit comparing the learned rules to published clinical literature in order to flag decision-making patterns that are contentious.
• Abstract（参考訳）: 歴史的決定に基づいてトレーニングされたAIが、意思決定を推奨したり、人間の専門家に延期したり、場合によっては、データのパターンに関するフラグを掲げたり、過去のプラクティスから逸脱したりすることを許すべきかどうかを問う。 なぜなら、過去の決定は、何をすべきかではなく、何をすべきで、データが不足しているかを記録しているため、モデルの予測が実行できないためである。 本研究は,死亡者腎臓アロケーションにおけるケーススタディを用いて,この問題に対処するための枠組みを提供する。 米国で死んだドナーから回収された腎臓の約30%は、標準のウェイトリスト配列を通すのが難しいため移植されることはない。 AIを使用して、OOS(out-of-sequence)アロケーションの遅延や失敗のリスクに腎臓にフラグを付けることができるが、これはウェイトリストの上位候補をバイパスするコストがかかる。 したがって、OOSアロケーションは、標準シーケンスで破棄されるリスクの高い臓器が実証可能な場合にのみ使用されるべきである。 2016-2019年と2023-2025年のOrgan Procurement and Transplantation Networkのマッチングデータを用いて、さまざまな解釈可能なモデルを組み合わせたArbitratorフレームワークを構築し、予測の不確実性が望ましい行動を変更できない場合にのみ作用する。 我々のアービタレータは、データから得られた明確な医療基準を用いて臓器配置決定の93.5%を解決し、残りの6.5%を人間またはより複雑なモデルに限定する。 我々は、Arbitratorが歴史的に廃棄された低KDPI腎臓の70.1%をOOS候補と正しく識別し、歴史的に廃棄された腎臓の43.9%は、迅速な配置のためにフラグ付けされ、移植される可能性があることを予測している。 そこで我々は,Arbitratorの解釈可能性を活用して,学習ルールと臨床文献を比較したエージェント監査を作成し,批判的な意思決定パターンのフラグを立てる。

関連論文リスト

• Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
  機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。 正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。 既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
  論文  参考訳（メタデータ） (2026-06-01T12:03:22Z)
• Benchmarking Waitlist Mortality Prediction in Heart Transplantation Through Time-to-Event Modeling using New Longitudinal UNOS Dataset [1.7372615815088566]
  23,807人の患者を77変数で訓練し,生存予測と識別を1年間の地平線で評価した。 主要な予測者は、既知のリスク要因と整合し、新しい関連を明らかにする。 心移植決定における緊急評価と政策改善を支援することができる。
  論文  参考訳（メタデータ） (2025-07-09T23:51:31Z)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)
• Optimizing Hard-to-Place Kidney Allocation: A Machine Learning Approach to Center Ranking [0.4893345190925178]
  そこで本稿では, 中心に腎を配置するデータ駆動型機械学習によるランキングシステムを提案する。 本実験により, 提案方針は, 全腎臓に4倍, 固着腎臓に10倍のセンター数を減らした。
  論文  参考訳（メタデータ） (2024-10-10T17:15:41Z)
• Does AI help humans make better decisions? A statistical evaluation framework for experimental and observational studies [0.43981305860983716]
  我々は、人間とAI、AIの3つの代替意思決定システムのパフォーマンスを比較する方法を示す。 リスクアセスメントの勧告は、現金保釈を課す裁判官の決定の分類精度を向上しないことがわかった。
  論文  参考訳（メタデータ） (2024-03-18T01:04:52Z)
• Adaptively Weighted Top-N Recommendation for Organ Matching [5.585270308006354]
  臓器整合判定のための適応重み付きTop-Nレコメンデーション(AWTR)法を提案する。 AWTRは、過去のデータセットにおいて、限られた実際のマッチング性能を使用することで、現在のスコアリングモデルの性能を向上させる。 AWTRは、トップNマッチング患者の推奨とランキングの精度を強調することで、全体的なレコメンデーションの精度を犠牲にする。
  論文  参考訳（メタデータ） (2021-07-23T00:42:01Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)
• Indecision Modeling [50.00689136829134]
  AIシステムは人間の価値観に合わせて行動することが重要である。 人々はしばしば決定的ではなく、特に彼らの決定が道徳的な意味を持つときです。
  論文  参考訳（メタデータ） (2020-12-15T18:32:37Z)
• Improving Policy-Constrained Kidney Exchange via Pre-Screening [96.27605972266296]
  バーター交換は、様々な不確実性 - 受講者の嗜好、様々なスワップの実現可能性と品質など - の様々な形態に該当する。 私たちの仕事は、腎臓移植が必要な患者が、より良いマッチングを見つけるために、生きたドナーを交換する現実のバーターマーケットである、腎臓交換によって動機付けられています。 ドナー臓器が受給者の医療チームによって拒絶された場合、計画された移植は様々な理由で失敗することが多い。 ある米国拠点の取引所は、2019年に計画された移植の約85%が失敗したと推計している。
  論文  参考訳（メタデータ） (2020-10-22T21:07:36Z)
• Adapting a Kidney Exchange Algorithm to Align with Human Values [59.395925461012126]
  腎臓交換における個人プロファイルの重み付けをエンドツーエンドに推定する手法を提案する。 これらの重量を腎臓交換市場浄化アルゴリズムでどのように使うかを示す。
  論文  参考訳（メタデータ） (2020-05-19T21:00:29Z)

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。