MétaCan
Menu
← Retour à la cohorte
Enregistrement W7164835344 · doi:10.2196/81829

Frontline Health Workers’ Perspectives of the WHO skin NTD app in Kenya – a Qualitative Study on AI-embedded mHealth Implementation (Preprint)

2025· article· en· W7164835344 sur OpenAlexvenueno aff
Emily E. V. Quilter, Ruth Nyangacha, Esther Kinyeru, Aïna Fuster Casanovas, Amberly Brigden, Kenton O'Hara, Diana Atieno, José A Ruiz-Postigo, Carme Carrión

Notice bibliographique

RevueJMIR mhealth and uhealth · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésmHealthQualitative researchDigital healthTelemedicineHealth careFocus group

Résumé

récupéré en direct d'OpenAlex

Background: Skin neglected tropical diseases (NTDs) pose significant diagnostic and management challenges in resource-limited settings due to constrained dermatological expertise, frontline health worker (FHW) training, and limited access to diagnostic resources. Mobile health apps with artificial intelligence (AI)-enabled diagnostic imaging capabilities have the potential to enhance clinical decision-making and professional development at the primary care level. The World Health Organization (WHO) skin NTD mobile app uses convolutional neural networks to analyze images of skin lesions and generate differential diagnoses, intended to be used alongside clinical history and examination, to support FHWs in identifying 12 skin NTDs and 24 common skin conditions. Beyond clinical decision support, the app also aims to upskill FHWs in the recognition and management of these diseases. However, the success of such tools depends on understanding users' needs and the realities of implementation in diverse clinical contexts. Objective: This study aimed to explore FHWs' perspectives on the real-world use and impact of the AI-embedded WHO Skin NTDs app on diagnostic workflows, dermatological understanding, clinical decision-making, and FHW-patient interactions across diverse health care delivery settings in Kenya. Methods: This qualitative study involved 36 FHWs from 5 skin NTD-endemic counties in Kenya. Following a training workshop, FHWs integrated the app into routine clinical workflows from June to October 2024. Data were collected through 15 semistructured interviews (each 30-45 minutes) and 4 focus group discussions (1-1.5 hours) exploring FHW experiences across diverse health care delivery contexts. All sessions were audio-recorded, transcribed verbatim, and thematically analyzed using NVivo (QSR International), using a bottom-up inductive coding approach. Results: FHWs reported that the app facilitated a shift from habitual referral to more proactive case management at the local-level facility, reinforcing clinical ownership and positioning them as local dermatology reference points. It was perceived to enhance diagnostic confidence, strengthen patient trust, and encourage community engagement. Some FHWs described how the app helped mitigate situations for patient stigma due to decreased reliance on public colleague consultations. However, technical limitations (eg, internet dependency and algorithmic errors) constrained consistent use. While most FHWs used the app in line with its intended role as an assistive tool, a minority reported situations of diagnostic deferral to the AI output, highlighting potential considerations of clinical autonomy. Conclusions: The WHO Skin NTDs app shows strong potential to strengthen frontline dermatological capacity that aligns with WHO strategies to decentralize NTD care and promote "skin health for all." Our findings underscore the importance of embedding such tools within ethical and pedagogical frameworks that protect clinical autonomy and foster sustainable capacity building. Further research will examine real-world use in situ to guide context-specific governance, ensuring that this AI-embedded tool enhances-rather than displaces-clinical reasoning and epistemic authority.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Qualitatiflow
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Qualitatifhigh
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0160,006
Communication savante0,0050,005
Science ouverte0,0010,005
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,546
Écart entre enseignants0,478 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→