Barriers and Facilitators to the Implementation of Artificial Intelligence Enabled Diabetes Interventions in Lower-Middle-Income Countries: A Systematic Review Protocol
Notice bibliographique
Résumé
Abstract Background Diabetes represents an emerging global health crisis, with lower-middle-income countries experiencing a fast growth in prevalence. Diabetes care in these regions often faces significant challenges, including inadequate healthcare infrastructure, limited financial resources, a shortage of trained healthcare personnel, and a dual burden of communicable and non-communicable diseases. Artificial intelligence (AI) offers tailored and scalable solutions for addressing these systemic barriers by enabling early diagnosis and risk prediction, integrating diabetes care delivery across all levels of healthcare. However, the successful implementation of AI interventions requires an understanding of the unique infrastructural, technological, socio-political, and cultural factors influencing diabetes care in these regions. Objective This protocol outlines a systematic review to synthesize evidence on the barriers and facilitators to implementing AI-enabled diabetes interventions in lower-middle-income countries, and to examine the specific AI applications being deployed in these settings. Methods A comprehensive literature search will be performed across five databases: Medline, Web of Science, CINAHL, IEEE Xplore, and ACM Digital Library, encompassing peer-reviewed publications from 2015 to 2025. The review will include studies which assess AI-enabled interventions implemented in healthcare settings for diabetes prevention, diagnosis, and management in lower-middle-income countries. Studies that assess the efficacy of artificial intelligence tools without direct evaluation of these tools in clinical decision-making or patient care processes will be excluded. Two independent reviewers will assess studies for inclusion using a predefined search strategy. The reporting of results will adhere to the PRISMA 2020 checklist (1). The risk of bias in individual studies will be evaluated using Hawker’s tool for disparate study designs. Conclusion The findings of this systematic review will identify key considerations for implementing AI technologies in diabetes care and provide evidence to support policymakers, healthcare providers, and technology developers in designing context-appropriate interventions that improve care delivery and health outcomes in lower-middle-income countries.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».