DOI: https://doi.org/10.1016/j.ijhcs.2026.103737
تاريخ النشر: 2026-01-12
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
يتناول هذا القسم الدور الحاسم لواجهات الإنسان-الذكاء الاصطناعي في دمج خبرة الأطباء مع الذكاء الاصطناعي لتحسين ممارسات الرعاية الصحية والبحث. يسلط الضوء على التحديات في تصميم واجهات فعالة بسبب تعقيد البيانات الطبية، والاتفاقيات الخاصة بالمجال، والاحتياجات المتنوعة للمستخدمين السريريين. تستعرض الدراسة الحلول الحالية وتجمع 12 نمط تصميم يسهل تنظيم وتواصل 15 كيان معلوماتي يتم تقديمه بشكل شائع في الإعدادات السريرية. تستند هذه الأنماط إلى رؤى من الأدبيات ومقابلات شبه منظمة مع محترفي الرعاية الصحية.
شملت الدراسة ورشة عمل عبر الإنترنت مع 14 مصمم واجهات مستخدم ذو خبرة، الذين استخدموا أنماط التصميم المقترحة لإنشاء رسومات واجهات بناءً على تجاربهم المهنية. تشير النتائج إلى أن هذه الأنماط لم تساعد المشاركين فقط في مواءمة تصميماتهم مع احتياجات المستخدمين، بل شجعت أيضًا على مجموعة أوسع من البدائل التصميمية وسهلت هياكل الواجهة المعقدة. تختتم الدراسة بتقديم إرشادات منهجية لتصميم واجهات الإنسان-الذكاء الاصطناعي المتعلقة بالرعاية الصحية، مع التأكيد على ثلاث خطوات رئيسية: اختيار كيان المعلومات، العرض، وتصميم التفاعل. تشير التعليقات من المشاركين في ورشة العمل إلى أن هذا النهج يوفر منظورًا أكثر تفصيلاً وقائمًا على البيانات، مما يمثل تقدمًا كبيرًا في مجال تصميم الواجهات.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في الرعاية الصحية، مع التأكيد على قدرته على تعزيز عمليات اتخاذ القرار من خلال التنبؤ بحالات المرضى وتوصية العلاجات. يتطلب دمج الذكاء الاصطناعي في سير العمل السريري واجهات إنسان-ذكاء اصطناعي فعالة تسهل التواصل بين مخرجات الذكاء الاصطناعي والمهنيين الصحيين، مثل الأطباء وأطباء الأشعة. على الرغم من وجود مبادئ تصميم قائمة في تفاعل الإنسان مع الكمبيوتر (HCI)، فإن ترجمة هذه الإرشادات إلى تصاميم عملية للرعاية الصحية لا تزال تمثل تحديًا بسبب تعقيد البيانات الطبية واحتياجات المستخدمين المتنوعة.
لمعالجة هذه التحديات، تهدف الدراسة إلى تقديم إرشادات منهجية لتصميم واجهات الإنسان-الذكاء الاصطناعي في الرعاية الصحية من خلال تلخيص أنماط التصميم – حلول قابلة لإعادة الاستخدام لمشاكل التصميم الشائعة. قام المؤلفون بإجراء مراجعة أدبية لـ 43 ورقة بحثية ذات صلة لتحديد الكيانات المعلوماتية الرئيسية المعنية في واجهات الإنسان-الذكاء الاصطناعي، بما في ذلك مدخلات الذكاء الاصطناعي، والمخرجات، والتفسيرات. كما استكشفوا تنسيق العرض المرئي وأنماط تصميم التفاعل، مستندين إلى مقابلات شبه منظمة مع محترفي الرعاية الصحية وورش عمل مع مصممي واجهات المستخدم. تؤكد النتائج على أهمية مواءمة أنماط التصميم مع الاتفاقيات السريرية لتحسين كفاءة اتخاذ القرار ودعم التعاون الفعال بين الإنسان والذكاء الاصطناعي في سيناريوهات الرعاية الصحية عالية المخاطر.
الطرق
في هذه الدراسة، اتبعنا بروتوكول مراجعة الأدبيات المنهجية لكيتشينهام لضمان الشفافية وقابلية التكرار في منهجيتنا. تضمنت العملية مرحلتين رئيسيتين: تحديد الأوراق واختيارها، تلاها استخراج البيانات وتوليفها. في البداية، جمع مؤلف واحد الأوراق ذات الصلة من أماكن مستهدفة باستخدام كلمات مفتاحية محددة مسبقًا. تلا ذلك مرحلة فحص، حيث قام ثلاثة مؤلفين بتقييم الأوراق وفقًا لمعايير الإدراج والاستبعاد المعمول بها.
في مرحلة استخراج البيانات والتوليف، قام ثلاثة مؤلفين بتشفير الأوراق المختارة بشكل مستقل، وتم معالجة أي تناقضات من خلال مناقشات جماعية. لتعزيز صحة نتائجنا وضمان قابليتها للتطبيق في الممارسة السريرية الواقعية، أجرينا مقابلات شبه منظمة مع 12 محترفًا في الرعاية الصحية. قدمت هذه المقابلات رؤى حول الاستخدام العملي، والمزايا، والاعتبارات لأنماط التصميم المحددة.
النتائج
في تحليل بيانات ورشة العمل، تم استخدام التحليل الموضوعي لفحص النصوص، والملاحظات، وقطع الرسم. قام مؤلفان بتشفير تعليقات وملاحظات المشاركين بشكل مستقل، بهدف الكشف عن الرؤى المتكررة المتعلقة باستراتيجيات استخدام أنماط التصميم. سلطت عملية التشفير الضوء بشكل خاص على تأملات المشاركين حول مزايا وقيود هذه الأنماط. تم معالجة أي تناقضات في التشفير من خلال المناقشة، مما يضمن تحقيق توافق بين المؤلفين.
المناقشة
في قسم المناقشة من الورقة، يستكشف المؤلفون دمج الذكاء الاصطناعي في الرعاية الصحية، مع التأكيد على دوره في تعزيز الكفاءة والتخصيص لمجموعة متنوعة من المستخدمين، بما في ذلك الأطباء، وأطباء الأمراض، والمرضى. يسلطون الضوء على الأنظمة الحالية التي تستخدم الذكاء الاصطناعي لمهام مثل التشخيص وتخطيط العلاج، مشيرين إلى أمثلة مثل نظام اتخاذ القرار للعدوى الذي قدمه سيفارامان وآخرون ونظام غلوكوجولي المخصص للتغذية في إدارة مرض السكري الذي قدمه ميتشل وآخرون. على الرغم من التقدم، يشير المؤلفون إلى وجود فجوة كبيرة في التلخيص المنهجي لحلول التصميم لواجهات الإنسان-الذكاء الاصطناعي في الرعاية الصحية، لا سيما فيما يتعلق بالاحتياجات المعلوماتية الفريدة للمستخدمين في هذا المجال عالي المخاطر.
يناقش المؤلفون أيضًا أهمية تحديد وتصنيف الكيانات المعلوماتية داخل واجهات الإنسان-الذكاء الاصطناعي، والتي يمكن أن توجه المصممين في إنشاء أنظمة فعالة. ينتقدون الأدبيات الحالية لتقديم ملخصات عامة للغاية أو وجهات نظر تقنية دون معالجة اعتبارات التصميم المحددة اللازمة لسياقات الرعاية الصحية. تقترح الورقة نهجًا منظمًا لتطوير أنماط التصميم التي تتضمن وجهات نظر تركز على المستخدم، مستمدة من مقابلات مع محترفي الرعاية الصحية. يهدف هذا النهج إلى تعزيز فهم كيفية تقديم وتنسيق المعلومات بشكل فعال في واجهات الإنسان-الذكاء الاصطناعي، مما يدعم في النهاية اتخاذ قرارات أفضل في بيئات الرعاية الصحية.
القيود
تنبع قيود هذه الدراسة بشكل أساسي من اعتمادها على الأدبيات لتحديد أنماط التصميم، بدلاً من فحص الأنظمة الحالية المطبقة للإنسان-الذكاء الاصطناعي. تم اختيار هذا النهج بسبب إمكانية الوصول إلى الأبحاث المنشورة مقارنة بالأنظمة الواقعية، التي قد لا تكون متاحة بسهولة للتحليل. يمكن أن تعزز الأبحاث المستقبلية قابلية تطبيق أنماط التصميم المقترحة من خلال إجراء دراسات مقارنة مع الأنظمة المطبقة والتفاعل مع أصحاب المصلحة الذين لديهم خبرة عملية.
بالإضافة إلى ذلك، تركز الأوراق المجمعة على أربعة سيناريوهات صحية محددة – فحص المخاطر، التشخيص السريري، تخطيط العلاج، والتشخيص المرضي – مما قد يتجاهل تطبيقات أخرى هامة مثل مراقبة المرضى عن بُعد. لم يتم تصنيف أنماط التصميم المقدمة بناءً على عوامل حاسمة مثل الإلحاح الزمني أو اتخاذ القرار المشترك، وهي ضرورية لتكييف أدوات الذكاء الاصطناعي مع سياقات الرعاية الصحية المختلفة. على سبيل المثال، تتطلب الحالات ذات الإلحاح العالي توصيات سريعة، بينما تسمح السياقات غير العاجلة بتفاعلات أعمق بين الأطباء والمرضى. يجب أن تهدف الأعمال المستقبلية إلى تحسين هذه الأنماط لتلبية احتياجات مستخدمي الرعاية الصحية بشكل أكثر فعالية.
علاوة على ذلك، فإن أنماط التصميم الحالية توجيهية وقائمة على الوثائق، مما يتطلب رسم خرائط يدوية لاحتياجات المستخدمين إلى الحلول. يوفر ظهور نماذج اللغة الكبيرة (LLMs) فرصة لتحويل هذه العملية إلى واحدة أكثر ديناميكية وتكيفًا. يمكن أن تعمل نماذج اللغة الكبيرة كشركاء تصميم تعاونيين، تفسر أهداف التصميم وتوصي بأنماط ذات صلة بينما تقدم تفسيرات وتولد تنويعات. يمكن أن يؤدي هذا التحول إلى تطوير أنماط التصميم من مراجع ثابتة إلى أدوات تكيفية تسهل التصميم المشترك المستمر بين الإنسان والذكاء الاصطناعي، مما يعزز العملية التصميمية بشكل عام.
DOI: https://doi.org/10.1016/j.ijhcs.2026.103737
Publication Date: 2026-01-12
Author(s): Zhenyun Du et al.
Primary Topic: Big Data and Business Intelligence
Overview
The section discusses the critical role of human-AI interfaces in merging clinician expertise with artificial intelligence to improve healthcare practices and research. It highlights the challenges in designing effective interfaces due to the complexity of medical data, domain-specific conventions, and the diverse needs of clinical users. The study reviews existing solutions and synthesizes 12 design patterns that facilitate the organization and communication of 15 commonly presented information entities in clinical settings. These patterns are grounded in insights from literature and semi-structured interviews with healthcare professionals.
The research involved an online workshop with 14 experienced UI designers, who utilized the proposed design patterns to create interface sketches based on their professional experiences. The findings indicate that these patterns not only helped participants align their designs with user needs but also encouraged a broader range of design alternatives and simplified complex interface structures. The study concludes by presenting a systematic guideline for designing healthcare-related human-AI interfaces, emphasizing three key steps: information entity selection, presentation, and interaction design. Feedback from the workshop participants suggests that this approach provides a more detailed and data-driven perspective, representing a significant advancement in the field of interface design.
Introduction
The introduction of this research paper highlights the transformative role of artificial intelligence (AI) in healthcare, emphasizing its capacity to enhance decision-making processes by forecasting patient conditions and recommending treatments. The integration of AI into clinical workflows necessitates effective human-AI interfaces that facilitate communication between AI outputs and healthcare professionals, such as clinicians and radiologists. Despite existing design principles in human-computer interaction (HCI), translating these guidelines into practical designs for healthcare remains challenging due to the complexity of medical data and diverse user needs.
To address these challenges, the study aims to provide systematic guidance for designing human-AI interfaces in healthcare by summarizing design patterns—reusable solutions for common design issues. The authors conducted a literature review of 43 relevant research papers to identify key information entities involved in human-AI interfaces, including AI inputs, outputs, and explanations. They also explored visual presentation coordination and interaction design patterns, informed by semi-structured interviews with healthcare professionals and workshops with UI designers. The findings underscore the importance of aligning design patterns with clinical conventions to improve decision-making efficiency and support effective human-AI collaboration in high-risk healthcare scenarios.
Methods
In this study, we adhered to Kitchenham’s systematic literature review protocol to ensure transparency and reproducibility in our methodology. The process involved two main stages: paper identification and selection, followed by data extraction and synthesis. Initially, one author gathered relevant papers from targeted venues using predefined keywords. This was followed by a screening phase, where three authors evaluated the papers against established inclusion and exclusion criteria.
For the data extraction and synthesis phase, three authors independently coded the selected papers, with any discrepancies addressed through group discussions. To further validate our findings and ensure their applicability to real-world clinical practice, we conducted semi-structured interviews with 12 healthcare professionals. These interviews provided insights into the practical usage, advantages, and considerations of the identified design patterns.
Results
In the analysis of workshop data, thematic analysis was employed to examine transcripts, notes, and sketching artifacts. Two authors independently coded participants’ comments and observations, aiming to uncover recurring insights related to the usage strategies of design patterns. The coding process specifically highlighted participants’ reflections on both the advantages and limitations of these patterns. Any discrepancies in coding were addressed through discussion, ensuring a consensus was achieved among the authors.
Discussion
In the discussion section of the paper, the authors explore the integration of AI in healthcare, emphasizing its role in enhancing efficiency and personalization for various users, including clinicians, pathologists, and patients. They highlight existing systems that utilize AI for tasks such as diagnosis and treatment planning, citing examples like Sivaraman et al.’s decision-making system for sepsis and Mitchell et al.’s GlucoGoalie for personalized nutrition in diabetes management. Despite the advancements, the authors note a significant gap in the systematic summarization of design solutions for human-AI interfaces in healthcare, particularly regarding the unique information requirements of users in this high-stakes field.
The authors further discuss the importance of identifying and categorizing information entities within human-AI interfaces, which can guide designers in creating effective systems. They critique existing literature for providing overly general summaries or technical perspectives without addressing the specific design considerations necessary for healthcare contexts. The paper proposes a structured approach to developing design patterns that incorporate user-centric perspectives, derived from interviews with healthcare professionals. This approach aims to enhance the understanding of how to effectively present and coordinate information in human-AI interfaces, ultimately supporting better decision-making in healthcare settings.
Limitations
The limitations of this research primarily stem from its reliance on literature for identifying design patterns, rather than examining currently deployed human-AI systems. This approach was chosen due to the accessibility of published research compared to real-world systems, which may not be readily available for analysis. Future research could enhance the applicability of the proposed design patterns by conducting comparative studies with deployed systems and engaging with stakeholders who have practical experience.
Additionally, the collected papers focus on four specific healthcare scenarios—risk screening, clinical diagnosis, treatment planning, and pathological diagnosis—potentially overlooking other significant applications such as remote patient monitoring. The design patterns presented have not been categorized based on critical factors like time urgency or shared decision-making, which are essential for tailoring AI tools to various healthcare contexts. For instance, high-urgency situations require rapid recommendations, while non-urgent contexts allow for deeper clinician-patient interactions. Future work should aim to refine these patterns to address the diverse needs of healthcare users more effectively.
Moreover, the current design patterns are prescriptive and document-based, necessitating manual mapping of user needs to solutions. The advent of Large Language Models (LLMs) offers an opportunity to transform this process into a more dynamic and adaptive one. LLMs can serve as collaborative design partners, interpreting design goals and recommending relevant patterns while providing explanations and generating variations. This shift could evolve design patterns from static references into adaptive tools that facilitate ongoing human-AI co-design, enhancing the overall design process.