AI APPLICATIONS IN SCREENING AND DIAGNOSIS OF DIABETIC RETINOPATHY IN RURAL SETTINGS
Notice bibliographique
Résumé
Diabetic retinopathy (DR) remains a significant cause of vision impairment and blindness, particularly in rural settings where access to specialized healthcare services is limited. The integration of artificial intelligence (AI) holds promise in revolutionizing the screening and diagnosis of DR, offering a scalable solution to bridge the gap in healthcare disparities. This systematic review synthesizes existing literature on AI applications tailored for screening and diagnosing diabetic retinopathy in rural areas. Through a comprehensive search across various databases, including PubMed, IEEE Xplore, and Google Scholar, a total of 88 studies meeting the inclusion criteria were identified. These studies encompassed a range of AI techniques, including deep learning algorithms, machine learning models, and image processing methods, deployed in diverse rural healthcare settings globally. The findings reveal that AI-based systems demonstrate high accuracy, sensitivity, and specificity in detecting diabetic retinopathy from fundus images, thereby enabling early identification and timely intervention. Moreover, the scalability and cost-effectiveness of these AI solutions make them particularly suitable for resource-constrained rural environments. However, several challenges persist, including the need for robust validation studies, integration with existing healthcare infrastructure, and addressing ethical and regulatory concerns. Additionally, considerations regarding data privacy, patient acceptance, and healthcare provider training are crucial for the successful implementation of AI-driven DR screening programs in rural settings. This systematic review underscores the transformative potential of AI technologies in improving access to diabetic retinopathy screening and diagnosis in rural areas. Future research should focus on addressing the identified challenges and optimizing AI systems to enhance their efficacy and accessibility in underserved communities. Keywords: AI, Rural, Diagnosis, Diabetic, Retinopathy, Rural, Review.
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 | 0,005 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».