論文の概要: What Patients Say They Can't Access: Mining Cancer Screening Barriers from Online Communities

• arxiv url: http://arxiv.org/abs/2611.07113v1
• Date: Wed, 04 Nov 2026 20:27:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.446166
• Title: What Patients Say They Can't Access: Mining Cancer Screening Barriers from Online Communities
• Title（参考訳）: 患者がアクセスできないと言っているもの:オンラインコミュニティからがんをスクリーニングする障壁をマイニングする
• Abstract要約: われわれは6つのRedditコミュニティで5万6000件以上の投稿を大規模に分析し、米国の患者のがんスクリーニングに対する障壁を明らかにする。 我々の質的分析は、がんの種類やコミュニティの状況によって有意に異なる構造的、情報的、精神社会的障壁が繰り返し現れることを示している。
• 参考スコア（独自算出の注目度）: 7.2436324700457275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer screening disparities persist across the U.S., yet the patient-reported barriers driving low uptake remain poorly characterized at scale. While clinical surveys capture structured responses, they miss the organic, unsolicited discourse where patients candidly describe real-world obstacles. In this paper, we conduct a large-scale analysis of over 56,000 posts across six cancer-specific Reddit communities to surface barriers to cancer screening among U.S. patients. We apply a pipeline combining keyword filtering, barrier triage, open coding, and codebook synthesis to systematically extract and categorize patient-reported barriers from 576 U.S.-located posts. Our qualitative analysis reveals recurring structural, informational, and psychosocial barriers that vary meaningfully by cancer type and community context. These findings lay the groundwork for future work aimed at proactively identifying and addressing barriers at scale - spanning a broader range of cancer types and populations - and informing the design of targeted interventions, navigator programs, and health system policies that translate patient-reported obstacles into actionable solutions.
• Abstract（参考訳）: がん検診の格差は米国全土で続いているが、患者が報告した低用量化の障壁はいまだに大きな特徴が残っていない。 臨床調査は構造化された反応を捉えているが、患者が現実世界の障害をうまく説明できるような、有機的で無意味な談話は見逃している。 本稿では,米国におけるがん検診の障壁を明らかにするため,6つのRedditコミュニティで56,000件以上の投稿を大規模に分析した。 我々は, キーワードフィルタリング, バリアトリアージ, オープンコーディング, コードブック合成を組み合わせたパイプラインを用いて, 患者報告された576件のポストから, 患者報告された障壁を体系的に抽出し分類する。 我々の質的分析は、がんの種類やコミュニティの状況によって有意に異なる構造的、情報的、精神社会的障壁が繰り返し現れることを示している。 これらの発見は、がんの種類や集団の幅広い範囲にまたがる障壁を積極的に特定し、対処することを目的とした将来の研究の基盤となり、患者が報告した障害を行動可能なソリューションに翻訳する、標的となる介入、ナビゲータプログラム、健康システムポリシーの設計を通知する。

関連論文リスト

• CG-Probes: Recovering Guardrail Directions from Patient Query Embeddings [0.0]
  患者向けAIアシスタントは、患者に貴重なサポートを提供するが、入ってくるクエリは医療リスクを引き起こす可能性がある。 我々は、腫瘍学者と共同で、医学的緊急性、心理的緊急性、トピック感受性の3つの習慣的リスク軸を定義している。 本稿では,クエリの埋め込みからリスクを測定するために,臨床ガードレールプローブ(CG-Probes)を提案する。
  論文  参考訳（メタデータ） (2026-09-25T10:01:13Z)
• Responsible Integration of AI in Cancer Genomics: Barriers, Risks, and Pathways to Trustworthy Clinical Translation [0.0]
  人工知能(AI)と自然言語処理(NLP)は、がんゲノム学に関連するバイオメディカル知識の抽出、統合、解釈にますます利用されている。 本総説では,NLPとAIが,文献マイニングや自動変異解釈から臨床治験まで,がんゲノムパイプラインをどのようにサポートするかを検討する。 私たちは、エビデンス不整合、説明可能性と不確実性、データガバナンスと相互運用性の4つの相互関連翻訳障害ドメインを特定します。
  論文  参考訳（メタデータ） (2026-08-31T14:56:36Z)
• HealthNLP_Retrievers at ArchEHR-QA 2026: Cascaded LLM Pipeline for Grounded Clinical Question Answering [4.835744579415159]
  本稿では,HealthNLP_Retrieversチームが開発したシステムについて述べる。 提案手法では,Gemini 2.5 Proの大規模言語モデルを利用した多段階カスケードパイプラインを使用する。 本アーキテクチャは,(1)患者問合せを要約する数発の問合せ修正ユニット,(2)臨床文章をリコールする動詞ベースのエビデンススコアラ,(3)専門職の回答を合成する接地応答生成器の4つの統合モジュールから構成される。
  論文  参考訳（メタデータ） (2026-04-29T16:47:20Z)
• SoK: Privacy-aware LLM in Healthcare: Threat Model, Privacy Techniques, Challenges and Recommendations [0.6533091401094101]
  大きな言語モデル(LLM)は、臨床的な意思決定を支援し、患者のケアを強化するために、医療においてますます採用されている。 この研究は、データ前処理、ファインチューニング、推論という3つの中核LSMフェーズにわたる進化する脅威の展望を、現実的な医療環境の中で検証する。 我々は、各フェーズにおける敵、能力、攻撃面を特徴付ける詳細な脅威モデルを提示し、既存のプライバシ保護技術(PPT)がこれらの脆弱性を緩和しようとしているかを体系化する。
  論文  参考訳（メタデータ） (2026-01-15T02:28:57Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• A Review of Generative Adversarial Networks in Cancer Imaging: New Applications, New Solutions [12.1951719081621]
  コンピュータビジョンにおけるGAN(Generative Adrial Networks)の最近の進歩は、がんの検出と解析における機能強化の基礎となるかもしれない。 データ不足や不均衡など,がん画像の多くの重要な課題に対処するために,GANの可能性を評価した。 本稿では,ガン画像に応用された既存のGANの文献を批判的に評価するとともに,これらの課題に対処するための今後の研究方向性について提案する。
  論文  参考訳（メタデータ） (2021-07-20T14:57:51Z)

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。