脳卒中管理における二酸化炭素相当排出量の評価と緩和：モデリング研究

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Novel integration of AI carbon footprint quantification with healthcare imaging workflows.

🏢実務担当者:Hospitals can adopt carbon-aware routing of AI computations to reduce environmental impact.

🏛政策担当者:Supports policies promoting green AI in healthcare and carbon-aware infrastructure.

背景 人工知能（AI）は脳卒中画像診断のワークフローを改善できるが、その計算上の炭素フットプリントは十分に定量化されていない。我々は、米国の脳卒中管理におけるAI使用からの二酸化炭素換算（CO₂eq）排出量を推定し、炭素を意識した緩和策を評価した。 方法 我々は、TriNetXの神経画像利用データと、2018年から2019年のGlobal Burden of Diseaseの脳卒中負担推定値を組み合わせた。画像利用率は、州、年、脳卒中タイプ、性別、年齢層ごとに調整した。我々は2つのAIシナリオをモデル化した：Minimal AI（1つの2次元分類モデルと1つの2次元セグメンテーションモデルと定義）とIdeal AI（2つの2次元分類モデル、2つの3次元セグメンテーションモデル、および1つの3次元分類モデルと定義）。モデルのエネルギー使用量は、Electricity Mapsの州レベルの電力炭素強度を用いてCO₂eqに換算した。 結果 Ideal AIは年間16,375.09トンのCO₂eq（95% CI、16,340.83〜16,409.36）を生成し、Minimal AIの年間7,692.70トンのCO₂eq（95% CI、7,676.08〜7,709.32）と比較された。CT血管造影と磁気共鳴画像が最大のモダリティ寄与因子であった。一人当たりの排出量は州によって大きく異なり、地域の電力構成を反映していた。AI関連処理をよりクリーンなエネルギーの州に移設することで、モデル化されたIdeal AI排出量は年間7,408.68トンのCO₂eq（95% CI、7,386.99〜7,430.38）に削減され、54.75%の削減となった。 結論 AI支援による脳卒中画像診断は、モデルの強度、画像モダリティ、および電力炭素強度に依存する測定可能な炭素フットプリントを有する。計算の炭素を意識したルーティングは、臨床でのAI使用を維持しながら即時の緩和戦略を提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Background Artificial intelligence (AI) can improve stroke imaging workflows, but its computational carbon footprint remains poorly quantified. We estimated carbon dioxide equivalent (CO 2 eq) emissions from AI use in US stroke management and evaluated carbon‐aware mitigation. Methods We combined TriNetX neuroimaging utilization data with Global Burden of Disease stroke burden estimates for 2018 to 2019. Imaging utilization rates were aligned by state, year, stroke type, sex, and age group. We modeled 2 AI scenarios: Minimal AI, defined as one 2‐dimensional classification model and one 2‐dimensional segmentation model; and Ideal AI, defined as two 2‐dimensional classification models, two 3‐dimensional segmentation models, and one 3‐dimensional classification model. Model energy use was converted to CO 2 eq using state‐level grid carbon intensity from Electricity Maps. Results Ideal AI generated 16 375.09 metric tons CO 2 eq/year (95% CI, 16 340.83–16 409.36), compared with 7692.70 metric tons CO 2 eq/year (95% CI, 7676.08–7709.32) for Minimal AI. Computed tomography angiography and magnetic resonance imaging were the largest modality contributors. Per‐capita emissions varied substantially by state, reflecting local grid composition. Relocating AI‐related processing to cleaner‐energy states reduced modeled Ideal AI emissions to 7408.68 metric tons CO 2 eq/year (95% CI, 7386.99–7430.38), a 54.75% reduction. Conclusions AI‐assisted stroke imaging has a measurable carbon footprint that depends on model intensity, imaging modality, and grid carbon intensity. Carbon‐aware routing of computation offers an immediate mitigation strategy while preserving clinical AI use.

• crossref https://doi.org/10.1161/jaha.125.047556first seen 2026-07-16 07:27:01 · last seen 2026-07-19 06:20:43