Bridging the Gap: AI-Powered Digital Health Assistants in Men’s Preventive Care—A Narrative Review of Integration with Nursing, Laboratory Systems, and Public Health Surveillance
Notice bibliographique
Résumé
Background: Men experience significant health disparities, including higher mortality from preventable causes, later diagnosis of chronic conditions, and lower engagement with preventive services. This "men’s health gap" is exacerbated by barriers to healthcare access, health literacy, and help-seeking behaviors. Concurrently, artificial intelligence (AI) has catalyzed the development of sophisticated digital health assistants (DHAs)—chatbots, virtual agents, and mobile apps—capable of delivering personalized, scalable health promotion. Aim: This narrative review synthesizes current evidence on the role of AI-powered DHAs in advancing men’s preventive care, with a specific focus on their integration with nursing practices, medical laboratory data systems, and public health surveillance infrastructures. Methods: A comprehensive search of PubMed, IEEE Xplore, CINAHL, Scopus, and ACM Digital Library was conducted. Results: AI-DHAs show promise in improving men’s engagement with preventive screenings, mental health support, and chronic disease management through 24/7 accessibility and personalized dialogue. Effective integration hinges on secure, bidirectional data flow: DHAs can collect patient-reported outcomes, trigger nursing follow-up for high-risk cases, ingest and interpret lab results (e.g., PSA, lipid panels) to provide contextualized feedback, and contribute anonymized aggregate data to public health dashboards for monitoring men’s health trends and disparities. Conclusion: AI-DHAs represent a transformative tool for men’s preventive health but function optimally as a node within a connected care ecosystem. Success requires robust technical integration, ensuring security and interoperability, alongside a redefined nursing role that blends virtual triage with human empathy.
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 | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».