SAFE_DTx: Safety-First Framework for AI-Driven Personalization in Digital Therapeutics.

چکیده اصلی

Digital therapeutics (DTx) are emerging as evidence-based software interventions, but current AI-driven personalization approaches lack dedicated safety-focused frameworks and face challenges due to scarce long-term outcome data and unpredictable model behaviors. We propose SAFE_DTx, a safety-first architectural framework for DTx that integrates well-established principles of predictive modeling and constrained decision-making to prioritize patient safety. SAFE_DTx's 2-module architecture comprises an AI feedback prediction module that forecasts short-term patient responses and a constrained planning module that selects the next intervention under explicit safety constraints. By decoupling these components and enforcing clear safety guardrails, the framework enables dynamic, real-time adaptation to individual patient feedback while staying within evidence-based safety limits. This modular design also enhances transparency in the decision-making process, and an in silico evaluation demonstrates its preliminary architectural feasibility, showing greater engagement and no safety violations compared to baseline strategies within the simulated environment. SAFE_DTx's safety-by-design architecture aligns with emerging regulatory emphasis on AI transparency and patient safety. It directly addresses key clinical challenges in AI-driven DTx personalization by ensuring that tailored interventions do not compromise patient safety.

ترجمه فارسی چکیده

درمان‌های دیجیتال (DTx) به عنوان مداخلات نرم‌افزاری مبتنی بر شواهد ظهور می‌کنند، اما رویکردهای فعلی شخصی‌سازی هوش مصنوعی فاقد چارچوب‌های متمرکز بر ایمنی هستند و با چالش‌هایی روبرو هستند. ما SAFE_DTx را پیشنهاد می‌کنیم، یک چارچوب معماری اولویت‌بخشی به ایمنی برای DTx که اصول مبتنی بر پیش‌بینی و تصمیم‌گیری محدود را برای اولویت‌بخشی به ایمنی بیمار ادغام می‌کند. معماری دو ماژولی SAFE_DTx شامل یک ماژول پیش‌بینی بازخورد هوش مصنوعی است که پاسخ‌های کوتاه‌مدت بیمار را پیش‌بینی می‌کند و یک ماژول برنامه‌ریزی محدود که مداخله بعدی را تحت محدودیت‌های صریح ایمنی انتخاب می‌کند. این چارچوب با جداسازی این اجزا و اجرای محدودیت‌های ایمنی، امکان تطبیق پویا و در زمان واقعی با بازخورد بیمار را فراهم می‌کند. این طراحی ماژولار همچنین شفافیت را در فرآیند تصمیم‌گیری افزایش می‌دهد و ارزیابی شبیه‌سازی‌شده نشان می‌دهد که این چارچوب اولیه، مشارکت بیشتری و بدون نقض ایمنی نسبت به استراتژی‌های پایه در محیط شبیه‌سازی شده دارد.

متن کامل اصلی