21 Clinical logic and reasoning algorithm (CLARA): a whatsapp-based AI chatbot using artificial intelligence for precision anticoagulation in atrial fibrillation using a simulated and validated dataset
Notice bibliographique
Résumé
Introduction The use of oral anticoagulation (OAC) in atrial fibrillation (AF) is often complicated by comorbidities such as renal dysfunction and bleeding risk. We developed and tested CLARA (Clinical Logic and Reasoning Algorithm), an AI-driven clinical decision support tool that uses a WhatsApp chatbot interface with a real-time Excel database (figure 1). Methods A simulated dataset of 150,000 AF patients was generated, each with full clinical profiles including age, sex, CHA2DS2-VASc components, HAS-BLED criteria, renal function (eGFR), weight, and previous anticoagulant exposure. A WhatsApp chatbot API was built to interact with healthcare providers, capturing structured inputs and relaying them in real time to a backend Excel-based clinical engine. The system matched responses with validated dosing algorithms (DOAC adjustment criteria) to recommend the precise agent and dose. To evaluate accuracy, CLARA was tested on a real-world dataset of 100 complex AF patients—preselected for challenging clinical profiles including renal impairment (eGFR <60) and high bleeding risk. The system’s OAC recommendations were compared against expert cardiologist consensus. Results CLARA achieved a sensitivity of 96% and a specificity of 94% in prescribing the correct agent and dose of OAC, based on gold-standard clinician judgement. Amongst patients with renal dysfunction (n=41), the algorithm correctly adjusted DOAC dosing in 39/41 cases. In patients with HAS-BLED ≥3 (n=36), CLARA accurately flagged bleeding risk and maintained guideline-appropriate prescribing. No inappropriate full-dose DOAC recommendations were issued in patients meeting criteria for dose reduction. The chatbot interaction averaged under 90 seconds per user. Conclusions/Implications CLARA demonstrates high sensitivity and specificity in providing individualized OAC recommendations in AF, including complex patients with renal impairment and bleeding risk. Its WhatsApp-based interface makes it highly accessible and adaptable in real-time clinical workflows. Further prospective validation is planned, but initial results support its potential as a scalable decision support tool for AF.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».