AI in Diagnostic Innovations for Resource-Constrained Healthcare Settings in Malawi
Notice bibliographique
Résumé
Diagnostic innovations leveraging artificial intelligence (AI) have shown promise in resource-limited healthcare settings, particularly in sub-Saharan Africa where diagnostic capabilities are often constrained by limited infrastructure and trained professionals. The study employed a mixed-methods approach, combining quantitative machine learning techniques with qualitative user experience assessments. A random forest classifier was used for training AI models to diagnose common infectious diseases prevalent in Malawi's healthcare settings. User feedback surveys were conducted to ensure the tools' usability and acceptance by frontline healthcare workers. The preliminary results indicate a classification accuracy rate of 85% for AI models trained on datasets from existing clinics, with an estimated 90% confidence interval around this estimate. This study provides foundational insights into the feasibility and potential benefits of integrating AI diagnostic tools in Malawi's healthcare system. The findings suggest that these tools can significantly enhance disease diagnosis accuracy while increasing efficiency. Further research should focus on validating these models across diverse geographical and socioeconomic settings, as well as exploring ways to integrate them with existing health information systems for broader impact. AI diagnostics, resource-constrained healthcare, machine learning, user experience, Malawi 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 | 0,008 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».