43 Clinical logic and reasoning algorithm (CLARA): an AI-enabled whatsapp chatbot for guiding antiarrhythmic drug therapy in atrial fibrillation
Notice bibliographique
Résumé
Introduction Appropriate selection of antiarrhythmic drugs (AADs) in atrial fibrillation (AF) requires consideration of structural heart disease, renal and hepatic function, arrhythmia burden, and drug contraindications. CLARA is an artificial intelligence-powered decision support system that uses a WhatsApp chatbot interface integrated with an Excel-based clinical rules engine to guide AAD selection based on individualised patient profiles. Methods A synthetic dataset of 150,000 patients with atrial fibrillation was created with varied clinical variables including left ventricular ejection fraction (LVEF), left atrial (LA) size, renal and liver function, AF type, prior AAD exposure, and comorbidities. CLARA was programmed to deliver AAD recommendations. To assess performance, CLARA was tested against cardiologist consensus recommendations in a cohort of 100 complex AF cases, including patients with left ventricular dysfunction, significant structural heart disease, and multiple prior AAD failures (figure 1). Results CLARA achieved 91% concordance with expert cardiologist recommendations in selecting the appropriate class and dose of AAD. In 29 patients with LVEF <40%, CLARA correctly excluded Class IC drugs in all cases and recommended amiodarone or rate control. In 18 patients with significant left atrial enlargement, rhythm control was appropriately deprioritised. For patients with prior AAD intolerance (n=26), CLARA accurately identified contraindicated agents. Median response time was under 2 minutes per case. Conclusions/Implications CLARA demonstrates high clinical accuracy and responsiveness in recommending antiarrhythmic therapy in complex AF patients. Its integration of expert-derived algorithms with real-time chatbot interaction offers scalable, structured support for personalising rhythm control strategies. Future work will validate its use in prospective real-world AF populations and explore its integration with electronic health records.
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 | 0,003 | 0,011 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».