Leveraging AI in digital one health: an inter-university collaboration for emerging and re-emerging infectious disease control in Cameroon
Notice bibliographique
Résumé
Emerging and re-emerging infectious diseases (ERID) pose ongoing threats to global public health, demanding advanced detection methods for effective outbreak mitigation. This article explores collaboration between research teams based in the faculties of Health Sciences and Science of the University of Buea and the School of Veterinary Medicine and Science of the University of Ngaoundere (DigiCare Cameroon) for integrating artificial intelligence (AI) for early detection and management of ERID through a Digital One Health (DOH) approach. DigiCare is part of an interdisciplinary network called Artificial Intelligence for Pandemic and Epidemic Preparedness and Response Network (AI4PEP) aimed at addressing pandemic and epidemic preparedness and response by strengthening more equitable and effective public health preparedness and response to infectious disease outbreaks in low- and middle-income countries. DigiCare is aimed at improving the health and well-being of the population through sustainable and effective solutions that protect lives and ensure a resilient future leveraging on the power of AI and DOH. DigiCare Cameroon was launched on November 23rd, 2023, at the University of Buea campus during an event graced by numerous high-ranking university and government officials from the public health, environmental, scientific research, and veterinary sectors, alongside representatives from civil society, researchers, students, and community leaders. Baseline data have been collected in communities to provide an evidence-based platform to develop applications that tailor AI towards health care delivery using integrated DOH approaches. This inter-university collaboration will ultimately contribute in strengthening the capacities of health systems to prepare, prevent and mitigate epidemics and pandemics.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».