Doctors' Perceptions of Artificial Intelligence in Managing Diabetes during Ramadan: An Exploratory Cross-Sectional Survey
Notice bibliographique
Résumé
Abstract Ramadan fasting (RF) presents unique challenges for people with diabetes. Artificial intelligence (AI) has the potential to enhance safety and personalize care, but little is known about doctors' readiness to adopt such tool in this context. This article explores doctors' knowledge, attitudes, and practices regarding the use of AI in managing diabetes during Ramadan. An online exploratory cross-sectional survey of a convenience sample of 134 doctors was conducted between July 18 and August 31, 2025, using a structured questionnaire distributed through professional networks interested in RF. Items assessed demographics, familiarity with AI, clinical attitudes, and perceived barriers to the use of AI. Descriptive analyses were performed; no hypothesis testing was undertaken. Of 134 respondents, 60.4% were endocrinologists and 74.6% were senior consultants. While 62.7% had received Ramadan-specific diabetes training, only 23.9% had training in AI. Familiarity was highest with continuous glucose monitoring tools (55.2%) and automated insulin delivery systems (35.1%), yet 38.8% reported no knowledge of AI applications. Although 73.9% agreed AI could enhance safety during fasting, only 48.5% felt confident using AI for decision-making. Barriers included affordability (59.7%), limited access (56.0%), and lack of training (54.5%). Over a quarter of respondents perceived clinical benefits. Most respondents (69.4%) expressed interest in AI training. Doctors recognize AI's potential to support safe fasting but face substantial knowledge and training gaps. Structured education, improved access, and culturally sensitive integration are urgently needed to enable wider adoption of AI in Ramadan-focused diabetes care.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».