Artificial Intelligence in Health Promotion and Disease Reduction: Rapid Review
Notice bibliographique
Résumé
Background: Chronic diseases represent a significant global burden of mortality, exacerbated by behavioral risk factors. Artificial intelligence (AI) has transformed health promotion and disease reduction through improved early detection, encouraging healthy lifestyle modifications, and mitigating the economic strain on health systems. Objective: The aim of this study is to investigate how AI contributes to health promotion and disease reduction among Organization for Economic Co-operation and Development countries. Methods: We conducted a rapid review of the literature to identify the latest evidence on how AI is used in health promotion and disease reduction. We applied comprehensive search strategies formulated for MEDLINE (OVID) and CINAHL to locate studies published between 2019 and 2024. A pair of reviewers independently applied the inclusion and exclusion criteria to screen the titles and abstracts, assess the full texts, and extract the data. We synthesized extracted data from the study characteristics, intervention characteristics, and intervention purpose using structured narrative summaries of main themes, giving a portrait of the current scope of available AI initiatives used in promoting healthy activities and preventing disease. Results: We included 22 studies in this review (out of 3442 publications screened), most of which were conducted in the United States (10/22, 45%) and focused on health promotion by targeting lifestyle dimensions, such as dietary behavior (10/22, 45%), smoking cessation (6/22, 27%), physical activity (4/22, 18%), and mental health (3/22, 14%). Three studies targeted disease reduction related to metabolic health (eg, obesity, diabetes, hypertension). Most AI initiatives were AI-powered mobile apps. Overall, positive results were reported for process outcomes (eg, acceptability, engagement), cognitive and behavioral outcomes (eg, confidence, step count), and health outcomes (eg, glycemia, blood pressure). We categorized the challenges, benefits, and suggestions identified in the studies using a Strengths, Weaknesses, Opportunities, and Threats analysis to inform future developments. Key recommendations include conducting further investigations, taking into account the needs of end users, improving the technical aspect of the technology, and allocating resources. Conclusions: These findings offer critical insights into the effective implementation of AI for health promotion and disease prevention, potentially guiding policymakers and health care practitioners in optimizing the use of AI technologies in supporting health promotion and disease reduction.
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 | 0,017 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».