AI chatbots for healthcare maintenance: transforming total productive maintenance in the Industry 5.0 era
Notice bibliographique
Résumé
Purpose This paper introduces MedMaintBot, an AI chatbot designed to support biomedical technicians and non-expert users like nurses. The study explores the impact of integrating such an AI chatbot into Total Productive Maintenance (TPM) practices in healthcare, aligned with Industry 5.0 (I5.0) principles. Design/methodology/approach This study adopts a multi-phase methodology, starting with a literature review on technology integration in TPM within healthcare settings. It presents the chatbot development pipeline and conducts a large-scale validation study across 250 queries covering five medical devices (MDs) to demonstrate the chatbot's real-time, context-aware guidance capabilities. Performance analysis further evaluates MedMaintBot's potential to optimize TPM practices and support sustainability goals in healthcare maintenance. Findings The study reveals that MedMaintBot enhances TPM within healthcare by delivering accurate, context-aware guidance (Accuracy = 0.713, Relevance = 0.810), supporting nurse autonomy in routine maintenance and reducing technician dependency. While clarity and completeness were slightly below ideal for complex tasks, over 80% of autonomy-related queries were validated, showing strong support for first-level interventions. Combined with dynamic Large Language Model (LLM) switching between GPT-4 and MedLLaMA2, MedMaintBot strikes a balance between performance, cost and privacy, positioning it as a scalable and sustainable tool for healthcare maintenance. Research limitations/implications This research provides valuable insights for practitioners and researchers on enhancing autonomous maintenance (AM) through AI–chatbot integration, offering a scalable framework for integrating AI into TPM practices. It also encourages further studies to address gaps in procedural completeness and contextual continuity and assess scalability across diverse maintenance environments. Practical implications By providing real-time, context-aware guidance, the chatbot helps reduce user-induced errors, allowing non-expert users, such as nurses, to perform maintenance tasks. This not only reduces the burden on specialized technicians but also ensures better equipment availability, contributing to more streamlined healthcare operations and improved patient care. Social implications MedMaintBot promotes a more inclusive and resilient healthcare environment by empowering non-expert users with AI-driven support. Its adaptability aligns with the human-centric principles of Industry 5.0, fostering collaboration between technology and healthcare personnel. Originality/value This research is among the first to examine the integration of innovative AI chatbot with TPM practices within the healthcare sector, particularly in the context of I5.0. It demonstrates how such a system can significantly enhance operational efficiency, empower non-expert users and support sustainability in healthcare, offering a roadmap extending AI-assisted maintenance to broader industrial and resource-constrained environments.
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 | 0,008 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».