Barriers and opportunities to improve renal outcomes in South Africa using AI technology for pediatric ultrasound interpretation
Notice bibliographique
Résumé
Over 10% of the global population is affected by chronic kidney disease (CKD) and those without preventative care and early intervention are the worst impacted. Many childhood precursors to CKD such as hydronephrosis (HN) continue to be detected and treated late in low- and middle-income countries where prenatal and early-life ultrasound is less common. Artificial intelligence-based technology holds promise for improving some of this detection and treatment. In this work, we explore the barriers and opportunities of transferring an AI-based tool for early HN detection in pediatric ultrasound from Canada, where it was initially developed, to South Africa. We explore these challenges and opportunities at the health-system-, institutional-, and provider-levels. Our investigation is performed through interviews with clinicians at various levels, locations, and in different specialties. We find that the context of our tool’s use will change in terms of both clinicians and patients, as the users of our tool in South Africa will have less access to pediatric sonography expertise and, for related reasons, patients will tend to be older when they receive an ultrasound imaging. These differences indicate that while the initial algorithm can be tested and fine-tuned in certain settings, there is a larger need for tools which make standardized ultrasound easier to acquire. The clinicians interviewed are eager for AI-based assistance in caring patients earlier and more effectively and believe algorithms of this kind will be useful for improving care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».