[論文レビュー] Empowering Medical Equipment Sustainability in Low-Resource Settings: An AI-Powered Diagnostic and Support Platform for Biomedical Technicians

Bernes Lorier Atabonfack, Ahmed Tahiru Issah+6 more|arXiv (Cornell University)|Jan 23, 2026

Quality and Safety in Healthcare被引用数 0

ひとこと要約

本論文は、LMICの生物医療技術者向けにAI搭載・オフライン対応の診断・サポートプラットフォームであるINGENZI Techを提案・検証しており、Philips HDI 5000超音波で100%のエラーコード解釈精度と80%の実用的トラブルシューティング精度を達成した。

ABSTRACT

In low- and middle-income countries (LMICs), a significant proportion of medical diagnostic equipment remains underutilized or non-functional due to a lack of timely maintenance, limited access to technical expertise, and minimal support from manufacturers, particularly for devices acquired through third-party vendors or donations. This challenge contributes to increased equipment downtime, delayed diagnoses, and compromised patient care. This research explores the development and validation of an AI-powered support platform designed to assist biomedical technicians in diagnosing and repairing medical devices in real-time. The system integrates a large language model (LLM) with a user-friendly web interface, enabling imaging technologists/radiographers and biomedical technicians to input error codes or device symptoms and receive accurate, step-by-step troubleshooting guidance. The platform also includes a global peer-to-peer discussion forum to support knowledge exchange and provide additional context for rare or undocumented issues. A proof of concept was developed using the Philips HDI 5000 ultrasound machine, achieving 100% precision in error code interpretation and 80% accuracy in suggesting corrective actions. This study demonstrates the feasibility and potential of AI-driven systems to support medical device maintenance, with the aim of reducing equipment downtime to improve healthcare delivery in resource-constrained environments.

研究の動機と目的

• 限られた技術者の専門知識とメーカーサポートの不足によるLMICsの医療機器メンテナンスギャップを解消する。
• エラーコード・症状・取扱説明書を用いたステップバイステップのトラブルシューティングを提供するAI支援プラットフォームを開発する。
• オフライン・多言語アクセスとピアツーピアの知識共有を可能にし、デバイスの稼働時間を改善する。
• 共通の画像診断機器（Philips HDI 5000）で概念実証を行い、MRI/CT/X線機器への拡張計画を策定する。

提案手法

• ユー manual、サービス manual、エラーコードのセグメント化FAISSベクターストアとLLM（GPT-3.5 Turbo）を用いたRetrieval-Augmented Generation (RAG) フレームワークを構築する。
• エラーコードやデバイス症状の入力とガイド付きトラブルシューティングの受信のための多言語・オフライン対応ウェブインターフェースを提供する。
• エラーコード照合、ログ解析、自動テストシミュレーション、保守スケジューリングのツールを統合し、実用的な修理ワークフローをサポートする。
• ナレッジ交換とクラウドソーシングによるモデル改善を可能にするピアツーピア技術者フォーラムを組み込む。
• Philips HDI 5000超音波での概念実証によるフェーズ-0の性能評価として、エラーコード取得精度と指示ガイド精度を測定する。

実験結果

リサーチクエスチョン

• RQ1 AIプラットフォームはデバイスのエラーコードをどれだけ正確に解釈し、関連する文書ガイダンスを取得できるか。
• RQ2 構造化されていない指示クエリから実用的なステップバイステップの修理ガイダンスを生成できるか。
• RQ3 オフライン・多言語配備はLMICのアクセシビリティと技術者の使いやすさを向上させるか。
• RQ4 超音波機器から他の診断機器（MRI、CT、X線）へ、ベンダー間でのスケールアップの実現性と道筋はどうか。

主な発見

• エラーコードの解釈は90件のテストコードで100%の精度を達成。
• 指示クエリのガイダンスは30件のクエリで80%の精度を達成。
• フェーズ-0プロトタイプは取得・生成サイクルで10秒未満の潜時を維持。
• オフライン・多言語・フォーラム対応の設計はLMIC文脈を支え、モデルの継続的改善を促進する。
• フェーズ-0はLMIC向けAI支援メンテナンスプラットフォームの実現可能性を検証し、複数デバイス展開への道を開く。