急性呼吸不全診断のためのヒューマンアルゴリズムインタラクション

人工知能 (AI) は、臨床画像の異常を特定するのに有望です。 ただし、体系的に偏った AI モデルでは、モデルが部分母集団全体に対して不正確な予測を行うため、エラーや潜在的な損害が発生する可能性があります。 AI モデルからの誤った予測が示されると、臨床医の診断精度が損なわれる可能性があります。 この研究は、臨床医が AI モデルの予測ロジックをよりよく理解できるように、AI モデルの予測を提供する際に、画像ベースの AI モデルの説明を臨床医に提供することの有効性を研究することを目的としています。 臨床医に AI モデルの説明を提供することで診断の精度が向上し、モデルが誤った決定を下していることを臨床医が把握できるかどうかを評価します。 急性呼吸不全の根本的な原因を特定することは治療法を決定する上で非常に重要ですが、臨床的に困難な場合があるため、テストケースとして、この研究は急性呼吸不全の診断に焦点を当てます。

AI の説明を提供することで臨床医の診断精度が向上し、体系的に偏った AI モデルを臨床医に示すことによる潜在的な影響を軽減できるかどうかを判断するために、ランダム化された臨床ビネット調査研究が実施されます。 調査中、研究参加者には、患者の症状、身体検査、検査結果、胸部X線写真など、急性呼吸不全で入院した患者の臨床場面が示される。 その後、研究参加者は、心不全、肺炎、慢性閉塞性肺疾患（COPD）が基礎的な診断である可能性を評価するよう求められます。 調査の特定の場面では、参加者には、心不全、肺炎、COPD が基礎的な診断である可能性を推定する標準的または系統的に偏った AI モデルも表示されます。 臨床医はランダムに割り当てられ、AI 予測のみを参照するか、AI モデルを提示したときに説明付きの AI 予測を参照します。 この調査設計により、体系的に偏ったモデルは臨床医の診断精度を損なうが、一般的に使用される画像ベースの説明は臨床医のパフォーマンスを部分的に回復するのに役立つという仮説を検証することができます。