AI Diagnostics in Resource-Constrained Healthcare: A Comparative Exploration in Malawi's Urban Settings
Notice bibliographique
Résumé
AI diagnostics have shown promise in resource-constrained healthcare settings, particularly in rural areas where access to trained professionals is limited. In Malawi, urban healthcare systems face similar challenges with a high prevalence of infectious diseases and limited medical resources. The study employed a mixed-methods approach involving data collection from electronic medical records at three urban health clinics in Malawi: one public and two private. Data were analysed using machine learning algorithms to predict disease diagnoses with an accuracy rate of up to 85% (95% CI). AI models demonstrated a higher diagnostic accuracy in the public clinic, particularly for respiratory infections, suggesting that public clinics may benefit more from AI diagnostics due to their larger patient volume and varied case mix. The findings indicate that AI can complement traditional healthcare practices but require further refinement and validation before widespread adoption. The study highlights the need for tailored AI solutions addressing local healthcare needs and resource constraints. Public health authorities should prioritise training of AI diagnostic models on local data to enhance accuracy and relevance. Additionally, ongoing research into AI ethics and privacy is essential for ethical deployment in urban settings. AI diagnostics, Malawi, urban healthcare, machine learning, clinic performance Model estimation used $\hat{\theta}=argmin_{\theta}\sum_i\ell(y_i,f_\theta(x_i))+\lambda\lVert\theta\rVert_2^2$, with performance evaluated using out-of-sample error.
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 | 0,007 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».