Empowering Remote Healthcare with On-Premises Solar-Powered AI Units: Design and Implementation
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
Rural healthcare systems face considerable obstacles such as unreliable electricity, limited internet access, and shortages of healthcare professionals, all of which impede timely medical documentation and diagnostics. This study aims to design and evaluate a solar-powered AI unit equipped with fine-tuned Large Language Models for remote clinics, enabling offline medical transcription, clinical note generation, and diagnostic support in regions with limited infrastructure. Employing a mixed-methods approach, the research combines qualitative user experience assessments with quantitative performance metrics. Four TinyLLaMA models with 1.1 billion parameters were fine-tuned to generate Subjective, Objective, Assessment, and Plan (SOAP) notes using a synthetic dataset comprising thousands of patient records and transcriptions. These models were deployed on a Raspberry Pi 5, powered by solar panels, batteries, and a Wi-Fi antenna. System performance was simulated using mockup data, with plans for validation through real-world deployment. The fine-tuned models achieved high transcription accuracy, rapid note generation, and substantial diagnostic precision on mockup data, with a balanced demographic distribution. Qualitative feedback emphasized usability while highlighting challenges such as setup costs and the need for digital literacy. The solar-powered design ensures reliable offline operation, consuming roughly 480Wh daily. These solar-powered AI units and fine-tuned models present a sustainable solution to enhance documentation and diagnostics in remote healthcare settings. Real-world trials are crucial to validate system performance, complemented by strategic investments in training, infrastructure, and ethical governance to support scalability. This work has resulted in two provisional patent applications, further advancing its potential for practical deployment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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