A Data-Driven Intelligent Methodology for Developing Explainable Diagnostic Model for Febrile Diseases
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Febrile diseases such as malaria, typhoid fever, tuberculosis, and HIV/AIDS pose significant diagnostic challenges in Low- and Middle-Income Countries (LMICs). Misdiagnosis leads to delayed treatment, increased healthcare costs, and higher mortality rates. This study presents a prototype diagnostic framework integrating machine learning (ML) and explainable artificial intelligence (XAI) to enhance diagnostic performance, interpretability, and usability in resource-constrained settings. A dataset of 3914 patient records from secondary and tertiary healthcare facilities was used to train and validate predictive models, employing Random Forest, Extreme Gradient Boost, and Multi-Layer Perceptron with optimized hyperparameters. To ensure transparency, XAI techniques such as Local Interpretable Model-Agnostic Explanations (LIME) and Large Language Models (LLMs) were integrated, enabling clinicians to understand model predictions. A prototype mobile-based diagnostic system was developed to explore its feasibility for real-time decision-making. The system features an intuitive interface, patient record management, and AI-driven diagnostic insights with visual and textual explanations. While usability testing with simulated case studies demonstrated its potential, real-world deployment and large-scale clinical validation are yet to be conducted. The system is designed with scalability in mind, allowing for future adaptation to different LMIC settings. However, limitations such as dataset imbalance and exclusion of pediatric data remain. Future research will focus on refining the model, expanding the dataset, and conducting extensive clinical validation before real-world implementation. This study serves as a foundational step toward AI-driven diagnostic tools in resource-limited healthcare environments.
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.
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 | 0,001 | 0,014 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle