Preparedness of the Local Population for the Uptake of Artificial Intelligence and Digital One Health for Home Healthcare of Emerging and Reemerging Infectious Diseases in Southwest and Littoral Regions of Cameroon
Notice bibliographique
Résumé
Background: Rapid digital responses to pandemics highlight advancements in healthcare, data sharing, and artificial intelligence (AI). While AI has driven progress in precision medicine, drug discovery, and vaccine development, its application to emerging and reemerging infectious diseases (ERIDs) remains underexplored, presenting critical challenges in addressing future health threats. Objectives: The study evaluated knowledge of ERIDs, AI, and Digital One Health (DOH) technologies, examined preparedness for their adoption in home healthcare, and identified factors influencing readiness to utilize these technologies in selected health districts of Cameroon. Methods: A cross‐sectional study assessed the preparedness of communities in Buea, Limbe, Bonassama, and New‐Bell Health Districts to adopt AI and DOH technologies from April to May 2024. Systematic random sampling included 33 communities, with data collected using face‐to‐face structured questionnaires. Analysis using SPSS Version 26 involved descriptive statistics and logistic regression, with statistical significance set at p < 0.05 and a 95% confidence interval to identify key associations. Results: Among 1625 participants, only 280 (17.2%) had good knowledge of ERIDs, with COVID‐19 (68.8%) and cholera (94.5%) being the most recognized examples. Knowledge of AI and DOH technologies was poor, with only 166 (10.2%) demonstrating accurate understanding. Early disease detection emerged as a critical application of AI for ERID control. Preparedness to adopt AI and DOH technologies was reported by 941 (57.9%), with 64.5% comfortable with AI‐generated interpretations and willing to use digital health tools during ERID outbreaks. Factors independently associated with preparedness included being a student (AOR = 2.678; 95% CI: 1.744–4.113; p < 0.001), good knowledge of AI and DOH (AOR = 7.141; 95% CI: 4.192–12.162; p < 0.001), and prior training on AI and digital health (AOR = 3.081; 95% CI: 2.272–4.179; p < 0.001). Conclusion: The study revealed insufficient knowledge of ERIDs, AI, and DOH but high preparedness to adopt these technologies for home care. Enhanced educational campaigns are recommended to improve community understanding and effective utilization of AI and DOH for controlling ERIDs.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».