Using a Multilingual AI Care Agent to Reduce Disparities in Colorectal Cancer Screening: Higher FIT Test Adoption Among Spanish-Speaking Patients
Notice bibliographique
Résumé
Abstract Background Colorectal cancer (CRC) screening rates remain disproportionately low among Hispanic and Latino populations compared to non-Hispanic whites. While artificial intelligence (AI) shows promise in healthcare delivery, concerns exist that AI-based interventions may disadvantage non-English-speaking populations due to biases in development and deployment. Objective To evaluate the effectiveness of a bilingual AI care agent in engaging Spanish-speaking patients for CRC screening compared to English-speaking patients. Methods This retrospective analysis examined an AI-powered outreach initiative at WellSpan Health in Pennsylvania and Maryland during September 2024. The study included 1,878 patients (517 Spanish-speaking, 1,361 English-speaking) eligible for CRC screening who lacked active online health profiles. A bilingual AI conversational agent conducted personalized telephone calls in the patient’s preferred language to provide education about CRC screening and facilitate fecal immunochemical test (FIT) kit requests. Primary outcome was FIT test opt-in rate, with secondary outcomes including connect rates and call duration. Statistical analysis included descriptive statistics, bivariate comparisons, and multivariate logistic regression. Results Spanish-speaking patients demonstrated significantly higher engagement across all measures compared to English-speaking patients: FIT test opt-in rates (18.2% vs. 7.1%, p<0.001), connect rates (69.6% vs. 53.0%, p<0.001), and call duration (6.05 vs. 4.03 minutes, p<0.001). Demographically, Spanish-speaking patients were younger (mean age 57 vs. 61 years, p<0.001) and more likely to be female (49.1% vs. 38.4%, p<0.001). In multivariate analysis, Spanish language preference remained an independent predictor of FIT test opt-in (adjusted OR 2.012, 95% CI 1.340-3.019, p<0.001) after controlling for demographic factors and call duration. Conclusions AI-powered outreach achieved significantly higher engagement among Spanish-speaking patients, challenging the assumption that technological interventions inherently disadvantage non-English speaking populations. The 2.6-fold higher FIT test opt-in rate among Spanish-speaking patients represents a notable departure from historical patterns of healthcare disparities. These findings suggest that language-concordant AI interactions may help address longstanding disparities in preventive care access. Study limitations include its single healthcare system setting, short duration, and lack of follow-up data on completed screenings. Future research should assess long-term adherence and whether higher engagement translates to improved clinical outcomes.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».