An improved and decentralized/distributed healthcare framework for disabled people through AI models
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
Access to adequate healthcare is critical for everyone, but people with disabilities often face considerable challenges in receiving reliable and timely medical treatment. The Vision 2030 plan in Saudi Arabia intends to change the healthcare system by incorporating new technologies that increase accessibility, efficiency, and service delivery. However, current healthcare systems continue to suffer from delays, inefficient data processing, and accessibility concerns, especially for the visually impaired. This study proposes a more decentralized healthcare system that uses artificial intelligence (AI) and machine learning (ML) models to improve healthcare services for individuals with disabilities. The system achieves real-time data processing, reduces latency, and enhances decision-making accuracy by combining federated learning and zero-shot architectures. Furthermore, smart technologies such as the Internet of Things (IoT) and natural language processing (NLP) provide seamless data collection and analysis, allowing healthcare practitioners to provide prompt and personalized treatment. The suggested solution solves crucial issues such as inefficiencies in data processing, delays in obtaining medical information, and limits in current healthcare processes. This platform improves impaired people’s freedom and mobility by delivering remote healthcare solutions using AI-powered diagnostics and real-time monitoring. This study contributes to a more inclusive and efficient healthcare system in Saudi Arabia by bridging the gap between technology and accessibility, which aligns with the Vision 2030 objective of providing fair healthcare services to everyone.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle