Febrile disease modeling and diagnosis system for optimizing medical decisions in resource-scarce settings
Notice bibliographique
Résumé
Febrile diseases are highly prevalent in tropical regions due to elevated humidity and high temperatures. These regions, mainly comprising low- and middle-income countries, often face challenges related to inadequate medical infrastructure and a lack of skilled personnel for accurately diagnosing febrile diseases. Distinguishing one febrile illness from another posed a significant challenge, adding to the complexity of accurate diagnoses. This study developed a multi-symptom multi-disease model to address this challenge, leveraging exploratory data analysis of patient datasets from field studies and the expertise of medical practitioners specializing in tropical diseases. The research investigated the most effective modeling approach for differentiating among 11 febrile illnesses that are prevalent in Nigeria using three intelligent techniques: Extreme Gradient Boost (XGBoost), Fuzzy Cognitive Map (FCM), and Analytic Hierarchy Process (AHP). Comparative analysis demonstrates that AHP surpassed the others, achieving a precision of 84%, recall of 83%, and an F1-score of 84%. Consequently, the AHP technique was integrated into the development of “Febra Diagnostica,” an app aimed at enhancing febrile disease diagnosis in resource-constrained settings. The app was then deployed and utilized in select Nigerian states, offering scalability and empowering frontline health workers in primary health facilities. Febra Diagnostica featured user-friendly interfaces, automated diagnosis and treatment suggestions, streamlined referrals, and provisions for further investigations. Encryption, access control, and multi-factor authentication were some of the security and privacy considerations in the app which gained acceptance from medical experts and adapted to regulatory and ethical policies for smart healthcare systems.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».