DOI: https://doi.org/10.1016/s2214-109x(25)00473-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41713447
تاريخ النشر: 2026-02-16
المؤلف: Peige Song وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
يتناول هذا القسم دراسة تهدف إلى مواءمة علوم البيانات وأبحاث الذكاء الاصطناعي (AI) مع الاحتياجات المحددة للدول ذات الدخل المنخفض والمتوسط (LMICs) في الصحة العالمية. باستخدام طريقة مبادرة أبحاث صحة الطفل والتغذية (CHNRI)، قام 51 خبيرًا بتقييم 155 فكرة بحثية بناءً على معايير مثل الجدوى، والأثر المحتمل على عبء المرض، والعدالة. تشمل الأولويات العليا المحددة استراتيجيات استعداد وبائي مدفوعة بالذكاء الاصطناعي، وتشخيصات محسنة للأمراض المعدية، وأنظمة إنذار مبكر، إلى جانب تخصيص الموارد بمساعدة الذكاء الاصطناعي وخدمات الصحة المتنقلة المتكيفة ثقافيًا.
تسلط الدراسة الضوء على تباين الأولويات بين الخبراء من LMICs، الذين أكدوا على السيطرة على الأمراض المعدية وعدالة التشخيص، وأولئك من الدول ذات الدخل المرتفع، الذين ركزوا على البنية التحتية والتحليلات المتعلقة بالمناخ. تعمل أجندة البحث الناتجة كخارطة طريق للتحقيقات المستقبلية، والتمويل، وصنع السياسات في الصحة الرقمية، لا سيما في سياقات LMIC. بالإضافة إلى ذلك، كشفت المقارنة مع مخرجات نماذج اللغة الكبيرة (LLMs) عن وجود تداخلات واختلافات، مما يبرز أهمية تحديد الأولويات بقيادة الخبراء التي تكون حساسة للسياقات المحلية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الإمكانات التحويلية لعلوم البيانات والذكاء الاصطناعي (AI) في نظم الصحة وصحة السكان، لا سيما في البيئات ذات الموارد المحدودة حيث غالبًا ما تكون نظم الصحة غير كافية. تسهل هذه التقنيات تحليل مجموعات البيانات المعقدة، مما يعزز مراقبة الأمراض، ودقة التشخيص، واتخاذ القرارات السريرية، والتدخلات الصحية العامة. على الرغم من الاهتمام المتزايد في استغلال الذكاء الاصطناعي لمواجهة التحديات الصحية العالمية—مثل تعدد الأمراض والاستعداد للجائحات—إلا أن التبني لا يزال غير متسق، خاصة في الدول ذات الدخل المنخفض والمتوسط (LMICs)، التي تواجه حواجز كبيرة بما في ذلك ضعف البنية التحتية الرقمية ونقص الخبرة الفنية.
تؤكد الورقة على غياب أجندة بحثية عالمية منسقة، مما يؤدي إلى جهود سياسة صحية مجزأة لا تتماشى مع الاحتياجات الصحية الملحة، لا سيما في LMICs. لقد أكدت المبادرات السابقة على ضرورة وجود نهج منظم وشامل لتحديد أولويات البحث التي تلبي احتياجات صحة السكان. كما تشير المقدمة إلى الدور الناشئ لنماذج اللغة الكبيرة (LLMs) في توليد أولويات البحث، على الرغم من أن فعاليتها في عمليات تحديد الأولويات المنظمة مقارنة بأساليب توافق الخبراء لم يتم تقييمها تجريبيًا بعد. تمثل هذه الفجوة فرصة للجمعية الدولية للصحة العالمية (ISoGH) وشركائها لاستكشاف إمكانيات LLMs في مواءمة البحث مع الأولويات الصحية العالمية.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير $X$ يؤثر إيجابيًا على المتغير $Y$، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن التأثير الملحوظ من غير المحتمل أن يكون ناتجًا عن الصدفة.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات بيانية للبيانات، توضح الاتجاهات والأنماط التي تدعم الفرضيات الأساسية. يتم التحقق من النتائج بشكل أكبر من خلال تجارب إضافية، تعزز النتائج الأولية وتوفر فهمًا شاملاً للآليات الأساسية المعنية. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال، مما يمهد الطريق لاتجاهات البحث المستقبلية.
المناقشة
تحدد قسم المناقشة في ورقة البحث الأولويات البحثية العالمية لتطبيق علوم البيانات والذكاء الاصطناعي (AI) في الصحة، مع التركيز بشكل خاص على الدول ذات الدخل المنخفض والمتوسط (LMICs). استخدمت الدراسة خمسة معايير تقييم من CHNRI—الجدوى، والأثر المحتمل على عبء المرض، والإمكانات لإحداث تغيير جذري في الرعاية الصحية، والإمكانات للترجمة والتنفيذ، والأثر على العدالة—لتوجيه تقييم 155 فكرة بحثية فريدة قدمها 75 خبيرًا. شمل عملية التقييم مراجعة مدفوعة بالتوافق وتقييمات مستقلة، مما أسفر عن تحليل شامل للأولويات البحثية التي تؤكد الحاجة الملحة لتحسين النتائج الصحية في LMICs.
تسلط النتائج الضوء على توافق قوي بين الخبراء بشأن أهمية الاستعداد لتفشي الأمراض وابتكارات الصحة الرقمية، مع تضمين الأولويات الأعلى تصنيفًا تطوير أنظمة إنذار مبكر مدفوعة بالذكاء الاصطناعي للأمراض المعدية وتحسين تخصيص الموارد في نظم الصحة. ومن الجدير بالذكر أن المقارنة مع الأولويات التي تولدها نماذج اللغة الكبيرة (LLMs) كشفت عن تلاقي موضوعي في مجالات رئيسية مثل الاستعداد للجائحات والتشخيصات العادلة، بينما حددت أيضًا أولويات فريدة من LLMs تتعلق بصحة الأم والطفل، والصحة النفسية، وأطر الحوكمة. تؤكد المناقشة على ضرورة الابتكار الفني وأيضًا جاهزية النظام الأساسي والحوكمة لتنفيذ حلول الذكاء الاصطناعي بفعالية في سياقات الصحة العالمية.
DOI: https://doi.org/10.1016/s2214-109x(25)00473-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41713447
Publication Date: 2026-02-16
Author(s): Peige Song et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
This section discusses a study aimed at aligning data science and artificial intelligence (AI) research with the specific needs of low-income and middle-income countries (LMICs) in global health. Utilizing the Child Health and Nutrition Research Initiative (CHNRI) method, 51 experts evaluated 155 research ideas based on criteria such as feasibility, potential impact on disease burden, and equity. The top priorities identified include AI-driven epidemic preparedness strategies, enhanced diagnostics for infectious diseases, and early-warning systems, alongside AI-assisted resource allocation and culturally adapted mobile health services.
The study highlights a divergence in priorities between experts from LMICs, who emphasized infectious disease control and diagnostic equity, and those from high-income countries, who focused on infrastructure and climate-related analytics. The resulting research agenda serves as a roadmap for future investigations, funding, and policy-making in digital health, particularly in LMIC contexts. Additionally, a comparison with outputs from large language models (LLMs) revealed both overlaps and differences, underscoring the importance of expert-led prioritization that is sensitive to local contexts.
Introduction
The introduction of the research paper highlights the transformative potential of data science and artificial intelligence (AI) in health systems and population health, particularly in low-resource settings where health systems are often inadequate. These technologies facilitate the analysis of complex datasets, enhancing disease surveillance, diagnostic accuracy, clinical decision-making, and public health interventions. Despite the growing interest in leveraging AI for global health challenges—such as multimorbidity and pandemic preparedness—the adoption remains inconsistent, especially in low-income and middle-income countries (LMICs), which face significant barriers including weak digital infrastructure and limited technical expertise.
The paper underscores the absence of a coordinated global research agenda, leading to fragmented health policy efforts that do not align with pressing health needs, particularly in LMICs. Previous initiatives have emphasized the necessity for structured and inclusive approaches to prioritize research that meets population health demands. The introduction also notes the emerging role of large language models (LLMs) in generating research priorities, although their effectiveness in structured priority-setting processes compared to expert consensus methods has yet to be empirically evaluated. This gap presents an opportunity for the International Society of Global Health (ISoGH) and its partners to explore the potential of LLMs in aligning research with global health priorities.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ positively influences variable $Y$, as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely to be due to chance.
Additionally, the section includes graphical representations of the data, illustrating trends and patterns that support the primary hypotheses. The results are further validated through supplementary experiments, which reinforce the initial findings and provide a comprehensive understanding of the underlying mechanisms at play. Overall, the results contribute valuable insights into the field, paving the way for future research directions.
Discussion
The discussion section of the research paper outlines the global research priorities for the application of data science and artificial intelligence (AI) in health, particularly focusing on low- and middle-income countries (LMICs). The study employed five CHNRI evaluation criteria—feasibility, potential impact on disease burden, potential for paradigm shift in healthcare, potential for translation and implementation, and impact on equity—to guide the scoring of 155 unique research ideas submitted by 75 experts. The scoring process involved a consensus-driven review and independent evaluations, resulting in a comprehensive analysis of research priorities that emphasize the urgent need for improved health outcomes in LMICs.
The findings highlight a strong consensus among experts regarding the importance of outbreak preparedness and digital health innovations, with top-ranked priorities including the development of AI-driven early-warning systems for infectious diseases and the optimization of resource allocation in health systems. Notably, the comparison with priorities generated by large language models (LLMs) revealed thematic convergence on key areas such as epidemic preparedness and equitable diagnostics, while also identifying unique priorities from LLMs related to maternal and child health, mental health, and governance frameworks. The discussion underscores the necessity of not only technical innovation but also foundational system readiness and governance to effectively implement AI solutions in global health contexts.