Generative AI Chatbot for Diabetes Management: Formative 2-Part Qualitative Study Using DTalksBot Involving Patients and Clinicians
Notice bibliographique
Résumé
BACKGROUND: Diabetes mellitus requires continuous self-management to prevent complications. Patients frequently rely on online resources and mobile apps for diabetes-related information; however, these often lead to information overload, limited personalization, and difficulty in navigation. Generative artificial intelligence (AI) chatbots may address these challenges by providing accessible, personalized, and responsive guidance. OBJECTIVE: This study aimed to explore the potential role of generative AI chatbots in diabetes management through a 2-part qualitative evaluation. Part 1 examined patients' information needs, user experiences, and expectations. Part 2 investigated specialists' perspectives on the practical utility of generative AI chatbots in supporting diabetes self-management. By incorporating perspectives from both patients and specialists, the study aimed to identify appropriate boundaries for the involvement of generative AI chatbots, reflecting the needs and expectations of both stakeholder groups. METHODS: This study was conducted using DTalksBot, a generative AI chatbot powered by GPT-4 (OpenAI) and enhanced with retrieval-augmented generation. In Part 1, we aimed to understand the experiences, needs, and expectations of patients with diabetes. To achieve this, 24 participants engaged in structured chatbot sessions, completed postinteraction surveys, and participated in in-depth interviews. Data were analyzed using thematic and content analysis to identify patterns in user queries and experiences. In part 2, we invited 4 family medicine specialists to assess the accuracy of DTalksBot's responses by reviewing conversation logs and to share expert insights on the future role of generative AI chatbots in diabetes management. RESULTS: In part 1, a total of 24 patients submitted a total of 643 questions, which were categorized into 4 primary themes: personalized health advice and guidance (n=281, 44.6%), complications and comorbidities (n=174, 27.1%), medication and treatment exploration (n=111, 17.3%), and mental health management and support (n=30, 4.7%). Patients emphasized the advantages of generative AI chatbots over traditional information sources, including faster access to reliable content, reduced cognitive burden, and the ability to comfortably discuss sensitive topics. In part 2, specialists recognized the generative AI chatbots' value in answering routine inquiries, but noted limitations in contextual accuracy, real-time data integration, and response personalization. CONCLUSIONS: Generative AI chatbots showed promise as complementary tools for diabetes self-management by offering accessible, reliable, and tailored support. This formative evaluation provides empirical evidence on how generative AI chatbots can address patient information needs and complement existing health care resources. To maximize utility, future generative AI chatbots need to integrate real-time health data, enhance contextual relevance, and align with clinical workflows to ensure safety, trust, and broader applicability.
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 | 0,018 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».