Integrating Machine Learning and Big Data Analytics to Transform Patient Outcomes in Chronic Disease Management
Notice bibliographique
Résumé
Chronic diseases such as diabetes, cancer, and cardiovascular diseases account for nearly 70% of the total healthcare costs that can have a much broader negative impact on the quality of life of patients with decreased life expectancies, productivity loss, and increased healthcare costs. Therefore, a concerted effort is required to alleviate the burden of chronic diseases. Machine learning is becoming more ubiquitous in healthcare because of the exponential growth of electronic health records and the substantial advancement of big data analytics capability. In this study, systematic literature review approaches are employed to identify the machine learning and big data analytics technologies that are already implemented in chronic disease management. Each technology is thoroughly examined in terms of its definition, rationale, and types. In addition, deep coverage of implementation studies of the technologies is provided regarding the motivation, objective, methodology, type of chronic disease, findings, and limitations. This study focuses on how ML and BDA-enabled chronic disease management systems facilitate the decisions made by doctors, patients, and policymakers in detecting, predicting, managing, and integrating into the patient-centric care paradigm across disease evolution stages. Based on the analytics need and the proposed BDA architecture, this research offers integrated perspectives on how to transform patient outcomes for chronic disease management by synergistically implementing ML and BDA. This research has crucial academic, technical, and managerial implications and opens up other future research avenues. Despite the enormous potential of machine learning and big data analytics to transform chronic disease management, only a handful of innovations have been subjected to larger-scale trials, hindering a swift translation into patient-centric chronic disease care. Many of the innovations hinge on inaccurate or ambiguous clinical concepts and few have considered the social dynamics involved in chronic disease. Concerns surrounding the responsibility of machines or algorithms for unintended negative consequences and the limited accessibility and equity of AI-based technologies further hinder the adoption of these innovations. Hence, innovations should pay special attention to conveyability and accountability that maintain a balance between complexity and interpretability and engage end-users early in the design phase through participatory design principles to foster trust in technology.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».