[论文解读] 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 0

一句话总结

论文展示了 INGENZI Tech——一个离线能力的AI驱动诊断与支持平台，面向LMICs的生物医学技术人员，在 Philips HDI 5000 超声设备上验证，错误码解读准确率100%且可执行故障排除准确率80%。

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.

研究动机与目标

• 解决 LMICs 医疗设备维护的技术人员专业能力有限和制造商支持不足带来的维护缺口。
• 开发一个利用错误码、症状和手册实现分步故障排除的AI辅助平台。
• 实现离线、多语言访问与点对点知识共享，以提高设备正常运行时间。
• 在常见成像设备（Philips HDI 5000）上进行概念试点，并计划扩展到 MRI/CT/X 射线设备。

提出的方法

• 构建一个检索增强生成（RAG）框架，使用 LLM（GPT-3.5 Turbo）和分段的 FAISS 向量存储，用于用户手册、服务手册和错误代码。
• 提供一个离线可用的多语言网页界面，用于输入错误代码或设备症状并获得有 guiding 的故障排除。
• 集成错误码查询、日志解析、自检仿真和维护计划等工具，以支持可执行的修复工作流。
• 加入点对点技师论坛，促进知识交流和众包模型改进。
• 在 Philips HDI 5000 超声设备上进行概念验证，评估错误码检索精度和教学指导准确性。

实验结果

研究问题

• RQ1 AI 平台对设备错误码的解读及获取相关文档指导的准确性如何？
• RQ2 系统能否从非结构化的操作查询中生成可用的分步修理指导？
• RQ3 离线、多语言部署是否提高 LMIC 环境的可及性与技师使用性？
• RQ4 从超声设备扩展到其他诊断设备（MRI、CT、X 线）在不同厂商之间的可行性及路径？

主要发现

• 错误码解读在测试的 90 个码中实现了100% 的精度。
• 指令性查询指引在 30 个查询中达到80% 的准确性。
• 阶段-0 原型在检索与生成循环中维持子10秒的延迟。
• 离线、多语言、论坛支持的设计适用于 LMIC 场景并促进持续模型改进。
• 阶段-0 验证了面向 LMIC 的AI辅助维护平台的可行性，并为多设备扩展奠定基础。