A Data-Driven Intelligent Methodology for Developing Explainable Diagnostic Model for Febrile Diseases
Notice bibliographique
Résumé
Febrile diseases such as typhoid fever, malaria, tuberculosis, and HIV/AIDS present diagnostic challenges in Low- and Middle-Income Countries (LMICs). Misdiagnosis leads to delayed treatment, higher healthcare costs, and increased mortality. This study proposes a data-driven diagnostic framework leveraging explainable artificial intelligence (XAI) and machine learning (ML) to enhance diagnostic accuracy and usability in resource-limited settings. To develop and evaluate a diagnostic system combining ML algorithms and XAI techniques for accurate and interpretable detection of febrile diseases, focusing on usability in clinical settings. A dataset of 3,914 patient records from secondary and tertiary hospitals was used to train and validate predictive models. Random Forest, Extreme Gradient Boost, and Multi-Layer Perceptron algorithms were employed, with hyperparameter tuning for optimization. XAI frameworks, including Large Language Models and Local Interpretable Model-agnostic Explanations, were integrated to enhance interpretability. A mobile-based platform was developed for real-time diagnostic use. The ML models demonstrated high diagnostic accuracy across multiple febrile diseases. Integrating XAI frameworks provided intuitive visualizations and textual explanations, enabling clinicians to understand the reasoning behind predictions better. The mobile-based implementation facilitated real-time decision-making, particularly in resource-constrained environments. The study highlights the potential of combining ML algorithms with explainable AI to improve diagnostic accuracy and usability in LMICs. While the system demonstrated effectiveness, limitations such as excluding pediatric data and certain febrile diseases were noted. Future research will expand the dataset, include additional diseases, and optimize system deployment to enhance adoption. This work establishes a foundation for transparent, AI-driven diagnostic tools in resource-poor settings.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».