AI-Assisted Diagnostics for Rural and Underserved Communities: Bridging Healthcare Gaps
Notice bibliographique
Résumé
The delivery of quality healthcare in rural and other hard-to-reach areas in the United States remains a challenge due to inadequate infrastructure, a shortage of healthcare workers, and limited funding. These barriers lead to late diagnosis, worse health and a large disparity in health care. This research aims to identify the process of developing and implementing cost-effective diagnostic AI systems that are specifically designed to identify chronic and critical diseases, such as diabetes, skin cancer, and influenza, in these areas. The tools employed include machine learning algorithms, portable diagnostic devices, and cloud-based analytics. They showed high diagnostic accuracy with sensitivity of up to 94% for diabetes diagnosis and 91% for skin cancer diagnosis. Another important improvement was the cost efficiency, which was noted as the fact that the AI-based methods were, on average, 45% cheaper than conventional methods. Moreover, the use of AI-supported tools enhanced early detection by a large margin, especially in Appalachia; early diabetes identification rose from 40% in 2019 to 78% in 2023. Nevertheless, some of the issues highlighted include restricted internet connections, legal restraints, and initial rejection from the medical fraternity. Solving these problems will require infrastructure development, changes in the law, and trust in new technologies. This paper focuses on the role of AI Diagnostics in filling gaps in healthcare for special populations in the United States. In this paper, AI technologies are argued to be a scalable solution to address the equity issue and enhance healthcare for rural populations through reduced access costs and improved diagnostic capabilities. Telemedicine tools for self-monitoring should be developed for other conditions and incorporated into other telemedicine solutions.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».