AI Clinical Decision Support System (CDSS) for Teleconsultations in eSanjeevani, India Telemedicine Service: A Prospective Implementation Study
Notice bibliographique
Résumé
Abstract Background Most Western clinical decision support systems (CDSS) fail to contextualise to India’s healthcare realities, limiting their adoption by healthcare workers (HCWs) and patients. With the rapid evolution of India’s telemedicine ecosystem, there is an urgent need for an indigenous, validated, and scalable AI-based CDSS integrated within national platforms to improve diagnostic accuracy and care delivery. Methods This study, conducted between 2022–2024 by an AI Centre of Excellence of the Government of India, focused on developing, validating, and implementing a knowledge-based CDSS symptom entry Physician Assistance Form (PAF) within eSanjeevani—India’s national teleconsultation platform. The study was conducted in three phases, each of which was interdependent, overlapping, and dynamic in nature. Phase 1 The AI system development utilised retrospective eSanjeevani 1.0 data (64 million consultations), extracting 0.22 million SNOMED CT–aligned records to identify 29,000 unique symptoms, which were refined to 115 for model training in the initial plan during 2022. The upgraded eSanjeevani 2.0 (2023) incorporated AI-based differential diagnosis, which was later expanded to include 300 symptoms (2025) with branching logic that integrated patient age, gender, language, and multidimensional symptom attributes. Phase 2 Expert clinicians validated the symptom repository, logic flow, and AI-generated diagnoses. Phase 3 The validated CDSS was implemented in eSanjeevani 2.0, providing real-time differential diagnosis and departmental recommendations during assisted and non-assisted teleconsultations. Findings Integration of AI-CDSS improved structured data capture, enhanced diagnostic precision, and streamlined patient triage within teleconsultations. Interpretation India’s AI-CDSS initiative represents the first government-supported, large-scale CDSS integration in a developing country, offering a replicable, ethical, and contextually grounded model for other LMICs to advance equitable and quality telehealth services.
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 | 0,015 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».