XiaoMi-AI文件搜索系统
World File Search System决策支持系统
影响临床医生使用基于人工智能的临床决策支持系统意愿的因素
背景：鉴于基于人工智能 (AI) 的决策支持系统在医疗保健领域创造的机遇，至关重要的问题是临床医生是否愿意将这项技术作为临床工作流程的一个组成部分。目的：本研究利用经过验证的问题制定在线调查，从而探索影响临床医生使用基于人工智能的血液利用率计算器 (BUC) 意愿的认知人为因素，BUC 是嵌入在电子健康记录中的人工智能系统，可提供数据驱动的个性化建议，以确定为特定患者输血的浓缩红细胞数量。方法：使用有目的的抽样策略，专门包括威斯康星州一所大学医院的临床医生 BUC 用户。我们招募了 119 名完成整个调查的 BUC 用户。我们利用结构方程模型来捕捉“人工智能感知”和“期望”对临床医生使用该技术意愿的直接和间接影响，当受“感知风险”介导时。结果：研究结果表明，人工智能感知对 BUC 风险的直接影响呈显著负相关 (ß = − 0.23, p < 0.001)。同样，期望对风险有显著的负面影响 (ß = − 0.49, p < 0.001)。我们还注意到风险对使用 BUC 的意图有显著的负面影响 (ß = − 0.34, p < 0.001)。关于期望对使用 BUC 意图的间接影响，研究结果显示风险介导的显著正影响 (ß = 0.17, p = 0.004)。研究指出，当由风险介导时，人工智能感知对使用 BUC 的意图有显著的正间接影响 (ß = 0.08, p = 0.027)。总体而言，本研究展示了期望、感知风险和对 AI 的认知对临床医生使用 BUC（一种 AI 系统）意愿的影响。AI 开发人员需要强调 AI 技术的优势，确保易用性（努力预期），阐明系统的潜力（性能预期），并通过改进整体设计将风险认知降至最低。结论：确定决定临床医生使用基于 AI 的决策支持系统意愿的因素有助于改善医疗领域的技术采用和使用。增强和安全地采用 AI 可以提升整体护理流程，并有助于标准化临床决策和程序。医疗保健领域改进的 AI 采用将帮助临床医生分担日常临床工作量并做出关键决策。
报告指南的早期临床评估对人工智能驱动的决策支持系统的临床评估：决定 - ai
越来越多的基于人工智能（AI）的临床决策支持系统在临床前，硅，评估中表现出了有希望的表现，但很少有人能显示出对患者护理的真正好处。早期临床评估对于评估AI系统在小规模上的实际临床表现，确保其安全性，评估其使用围绕其使用的人为因素以及为进一步的大规模试验铺平道路很重要。但是，这些早期研究的报告仍然不足。本声明为人工智能驱动的决策支持系统的发展和探索性临床调查提供了基于共识的报告指南（decution-ai）。我们进行了两轮修改的Delphi过程，以收集和分析有关AI系统早期临床评估报告的专家意见。专家是从20个预定义的利益相关者
人工智能作为决策支持系统应用于黑色素瘤、龋齿和糖尿病视网膜病变的检测和分级的成本效益
AI 表示人工智能。在面板 A 中，每个点和方块代表单个人在接受标准护理诊断或 AI 辅助筛查后产生的终生费用（巴西雷亚尔，R$）。在面板 B 中，根据研究假设，AI 在支付意愿较低的情况下更有可能降低成本效益，尽管这种确定性对额外质量调整生命年 (QALY) 的支付意愿 (WTP) 很敏感。
诊所的基于决策支持系统
抽象在极其复杂和困难的过程和情况下做出良好的决定既是诊所的关键任务，又是挑战，并且导致了大量临床，法律和道德规范，方案和反思，以保证公平，参与性和最新的临床决策途径。尽管如此，过程和身体现象的复杂性，时间以及经济限制，并非最不重要的进一步努力以及医学和医疗保健方面的成就不断提高评估和改善临床决策的需求。本文审查了是否以及如何通过所谓的人工智能驱动的决策支持系统（AI-DSS）的兴起来挑战临床决策过程。在第一步中，本文分析了AI-DSS的兴起将如何影响和改变诊所不同药物之间的相互作用模式。在第二步中，我们指出了这些不断变化的互动方式还意味着在透明度的信任度，认知挑战，代理的基本规范概念及其嵌入到具体的部署环境以及最终对（可能的（可能的）责任的后果所产生的后果中，其潜在的规范概念及其嵌入到具体的情况中。第三，我们就临床AI-DSS的“有意义的人类控制”得出了有关进一步步骤的第一个结论。
已发布版本的引文 (APA)：Braun, M., Hummel, P., Beck, S., & Dabrock, P. (2021)。临床中基于人工智能的决策支持系统的伦理入门。《医学伦理学杂志》，47(12)，第 E3 条。https://doi.org/10.1136/medethics-2019- 105860
摘要 在极其复杂和困难的过程和情况下做出正确的决策一直是一项关键任务，也是临床上的一项挑战，并导致了大量的临床、法律和道德惯例、协议和反思，以保证临床决策的公平、参与和最新途径。然而，过程和物理现象的复杂性、时间和经济限制，以及医学和医疗保健领域的进一步努力和成就，不断提高了评估和改进临床决策的必要性。本文探讨了所谓的人工智能驱动的决策支持系统 (AI-DSS) 的兴起是否以及如何挑战临床决策过程。首先，本文分析了 AI-DSS 的兴起将如何影响和改变临床中不同代理之间的交互模式。第二步，我们指出这些不断变化的互动模式也意味着信任条件的变化、透明度方面的认知挑战、代理的基本规范概念及其在具体部署环境中的嵌入，以及最终对（可能的）责任归属的影响。第三，我们得出关于临床 AI-DSS 的“有意义的人为控制”的进一步步骤的初步结论。
请引用原文：Knapic, S., Malhi, A., Saluja, R., & Framling, K. (2021). 可解释人工智能在医学领域人类决策支持系统中的应用。机器学习与知识提取，3 (3), 740-770。https://doi.org/10.3390/make3030037
摘要：本文介绍了可解释人工智能方法在医学图像分析场景中提供决策支持的潜力。通过将三种可解释方法应用于同一医学图像数据集，我们旨在提高卷积神经网络 (CNN) 提供的决策的可理解性。视频胶囊内窥镜 (VCE) 获得的体内胃部图像是视觉解释的主题，目的是提高医疗专业人员对黑盒预测的信任度。我们实施了两种事后可解释机器学习方法，称为局部可解释模型不可知解释 (LIME) 和 SHapley 附加解释 (SHAP)，以及一种替代解释方法，即上下文重要性和效用 (CIU) 方法。产生的解释由人工评估。我们根据 LIME、SHAP 和 CIU 提供的解释进行了三项用户研究。来自不同非医学背景的用户在基于网络的调查环境中进行了一系列测试，并陈述了他们对给定解释的经验和理解。我们对具有三种不同解释形式的三个用户组（n = 20、20、20）进行了定量分析。我们发现，正如假设的那样，在改善对人类决策的支持以及更加透明从而让用户更容易理解方面，CIU 可解释方法比 LIME 和 SHAP 方法表现更好。此外，CIU 因能够更快地生成解释而优于 LIME 和 SHAP。我们的研究结果表明，在不同的解释支持设置之间，人类的决策存在显著差异。与此相符，我们提出了三种潜在的可解释方法，随着未来实施的改进，这些方法可以推广到不同的医疗数据集，并为医疗专家提供有效的决策支持。
大数据作为决策支持系统中的价值生成器
摘要 目的——本文旨在分析决策支持系统如何管理大数据以获取价值。 设计/方法/方法——进行了系统的文献综述，筛选并分析了 2012 年至 2019 年期间发表的 72 篇文章。 发现——研究结果表明，决策支持系统主要使用与计算机科学和云计算相关的大数据分析、机器学习算法和技术。另一个发现是，这些技术和技术的主要应用领域是物流、交通、健康、商业和市场。本文还让作者了解了描述性、预测性和规范性分析的使用关系，根据数据分析的复杂性和人类决策的需要之间的反比关系。 原创性/价值——由于这是一个新兴主题，本研究旨在概述文献中正在讨论的技术和技术，以解决各自领域的问题，作为一种理论贡献。作者还认识到，讨论的成熟度具有实际贡献，甚至提出了反思作为未来研究的建议，例如伦理讨论。本研究的描述性分类还可以作为寻求了解涉及决策支持系统和大数据的研究的新研究人员的指南，以获得价值
基于 Web 的飞机调度和维护决策支持系统
摘要：飞机调度涉及在飞机发生意外故障时确定最佳调度选项。目前，停机坪上的维护技术人员获取支持信息的渠道有限，在大量维护手册中找到正确的信息是一项耗时的任务，常常导致技术延误。本文介绍了一种新型的基于 Web 的原型决策支持系统，以帮助技术人员进行飞机调度决策和后续维护执行。建立并实施了实时调度决策支持的系统架构。持证维护技术人员通过运营环境中的案例研究对开发的系统进行了评估。该系统完全自动从多个数据源检索信息，对给定的故障消息执行替代识别和评估，并为技术人员提供对相关信息（包括相关维护任务）的现场访问。案例研究表明，每个调度决策可能节省高达 98% 的时间。此外，它使目前主要基于纸张的调度决策流程数字化，从而减少物流和纸张浪费。该原型是第一个在飞机维护领域提供运营决策支持的原型，并通过提供代表性案例研究解决了决策支持系统研究中经常发现的理论与实践之间缺乏关联的问题。为基于 SGML 的文档开发的自定义解析器可以有效地识别和提取相关信息，极大地有助于整体缩短决策时间。
乌克兰武装部队陆军编队和部队指挥官的本体决策支持系统组成和结构确定
摘要 本文的主题是自动化军事控制系统中的本体决策支持系统。这项工作的主要目的是使用本体论方法确定乌克兰武装部队陆军编队和部队指挥官的决策支持系统的组成和结构。目标是开发：基于本体知识库的决策支持系统；为其提供软件、数学和信息支持的原型；根据美国武装部队标准 (MDMP) 为乌克兰武装部队陆军营及以上部队在军事决策过程的每个阶段 (步骤) 提供功能活动算法。乌克兰武装部队陆军编队和部队指挥官决策支持系统的基本特征是本体知识库的核心组成部分。描述了使用本体来表示结构化组成决策和描述此过程的相关组件域的可能用途。主题领域本体根据北约成员国的标准建立，以信息交换指导文件中形式化的知识、数据库结构和决策支持系统各个模块的模型、方法和算法的软件实现为基础，描述和解释 MDMP 的决策过程。开发了原型软件和数学与信息管理，可用作乌克兰武装部队陆军未来自动化子系统管理的原型。它用于模拟乌克兰武装部队陆军建筑物和部队指挥官的形成和本体决策支持系统。根据美国武装部队 (MDMP) 标准，提出了营及以上官员的工作算法。MDMP 每个阶段（步骤）的自动化可以减少决策时间。该算法可用于在模拟中心实施培训高等军事教育机构军官和学员的教育过程，随后用于战争和军队训练中心的决策。关键词 1 决策支持系统、本体论、知识库、软件数学和信息支持、决策、武装力量、陆军、决策过程、学科领域、军事决策过程、决策支持、军事决策、智能系统、本体决策支持系统、北约成员国、制定过程、作战任务、作战行动、北约标准、信息支持、多智能体系统、乌克兰武装力量、自动控制系统、智能决策支持系统、信息交换、博弈方法
使用模拟中心评估人工智能驱动的临床决策支持系统对抑郁症治疗的感知效用 Myriam Tanguay-Sela* a、David Benrimoh* 1a、Christina Popescu a、Tamara Perez b、Colleen Rollins c、
Aifred 是一种临床决策支持系统 (CDSS)，它使用人工智能帮助医生选择重度抑郁症 (MDD) 的治疗方法，根据患者特征提供不同治疗方案的缓解概率。我们评估了参与模拟临床互动的医生对 CDSS 的实用性的看法。20 名精神病学和家庭医学工作人员和住院医生完成了一项研究，其中每位医生与标准化患者进行了三次 10 分钟的临床互动，这些患者表现出轻度、中度和重度 MDD 发作。在这些场景中，医生可以访问 CDSS，他们可以在治疗决策中使用它们。通过自我报告问卷、场景观察和访谈评估了 CDSS 的感知效用。60% 的医生认为 CDSS 是他们治疗选择过程中的有用工具，家庭医生认为其效用最大。此外，50% 的医生会将该工具用于所有抑郁症患者，另外 35% 的医生表示他们会将该工具留给病情更严重或难以治疗的患者。此外，临床医生发现该工具在与患者讨论治疗方案时很有用。必须在临床试验中进一步评估该 CDSS 的疗效及其改善治疗结果的潜力。