SuSastho.AI: A multimodal medical copilot for adolescents using evidence-based medicine and large language models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Adolescents in Bangladesh face serious sexual, reproductive, and mental health challenges due to cultural stigma, poverty, and limited healthcare infrastructure. Within the country, 63% of adolescents are deprived of essential sexual and reproductive health services, and only 13% receive mental health support. Adolescents living in urban slums and with disabilities face additional challenges in receiving reliable health information. This limited access exposes them to a high risk of sexually transmitted infections (STIs), unintended pregnancies, and serious mental health issues. Addressing these challenges, our study introduces SuSastho.AI, a healthcare copilot providing access to reliable health information to adolescents. We utilized large language models, along with Evidence-Based Medicine, retrieval-augmented generation, and a clinically validated dataset to provide evidence-based responses, supporting both voice and text-based interactions. Clinical evaluation of a pilot study shows our method reduces incorrect responses by 26.9% and increases response correctness by 16.1% compared to other methods. It achieved an accuracy rate of 86.7% when specifically evaluated based on available knowledge. While the responses are mostly consistent with up-to-date medical practices, occasional, less precise responses highlight the need for further refinement. Participants reported overall positive feedback, where 87% found answers to their questions, and 90.7% found responses relevant. Our results show that SuSastho.AI can provide reliable and evidence-based information while being an affordable way to support traditional healthcare systems with a high potential to transform digital health. The study sets an example as an evidence-based healthcare copilot to support adolescents and lays the foundation for future research where evidence-based tools overcome social barriers.
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.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle