DOI: https://doi.org/10.1038/s43856-026-01706-3
PMID: https://pubmed.ncbi.nlm.nih.gov/42230977
تاريخ النشر: 2026-06-02
المؤلف: Ronald Galiwango وآخرون
الموضوع الرئيسي: الطفيليات وتفاعلاتها مع المضيف
نظرة عامة
تستكشف هذه المراجعة نطاق تطبيق التعلم الآلي (ML) في معالجة الأمراض المدارية المهملة (NTDs) في أفريقيا، مع تسليط الضوء على الاتجاهات المهمة، والفجوات، وفرص البحث المستقبلية. تحدد الدراسة أن الغالبية العظمى من الأبحاث الحالية تركز على أمراض مثل داء البلهارسيا، وداء الليشمانيات، وداء الفيل، والأمراض الطفيلية المنقولة بالتربة، مع كون التنبؤ بالمخاطر الجغرافية هو التطبيق السائد. ومن الجدير بالذكر أن اكتشاف الأمراض واكتشاف الأدوية لا يزالان غير مستكشفين بشكل كافٍ، وتستخدم الدراسات بشكل أساسي نماذج قائمة على الأشجار ونماذج أقصى إنتروبيا، والتي غالبًا ما يتم الإبلاغ عنها على أنها الأكثر فعالية.
على الرغم من الإمكانات الواعدة للتعلم الآلي، تكشف المراجعة عن قيود في المشهد الحالي، بما في ذلك الاعتماد على مجموعات بيانات صغيرة وعدم كفاية المشاركة مع أصحاب المصلحة المحليين والقيادة المؤسسية. تشير النتائج إلى الحاجة إلى تعزيز التعاون، ومشاركة البيانات المفتوحة، والتركيز على نشر النماذج في العالم الحقيقي لترجمة البحث إلى ممارسة بشكل فعال. من أجل تقدم هذا المجال، يدعو المؤلفون إلى زيادة الاستثمار في بناء القدرات المحلية والمنهجيات الموحدة لتعزيز الشراكات العادلة وتحسين تأثير التعلم الآلي على الأمراض المدارية المهملة في أفريقيا.
مقدمة
تمثل الأمراض المدارية المهملة (NTDs) فئة غير متجانسة من الأمراض المعدية الموجودة بشكل أساسي في المناطق الاستوائية وشبه الاستوائية. تؤثر هذه الأمراض بشكل غير متناسب على البلدان ذات الدخل المنخفض والمتوسط (LMICs)، على الرغم من التقدم الكبير في تدابير السيطرة على مدى السنوات الأخيرة. في عام 2021، تأثر حوالي 1.65 مليار شخص بالأمراض المدارية المهملة، مما يبرز التحدي المستمر الذي تمثله على الصحة العامة. تؤكد استمرارية هذه الأمراض على الحاجة إلى مواصلة البحث واستراتيجيات التدخل للتخفيف من تأثيرها على الفئات الضعيفة.
الطرق
تم إجراء مراجعة النطاق وفقًا لبروتوكول محدد مسبقًا تم تسجيله على إطار العمل العلمي المفتوح (OSF)، مع التركيز على الأمراض المدارية المهملة (NTDs) مثل داء السعفة، وداء الدودة الشريطية (داء الكيسات المائية)، وداء التراخوما، وداء التنغ، وداء اليرقان. كانت المراجعة تهدف إلى تضمين جميع المقالات التي تستخدم التعلم الآلي (ML) لرسم خرائط ناقلات الأمراض، والتي شملت تعريفًا موسعًا لالتقاط الدراسات التي تحدد أنواع الثعابين السامة وغير السامة نظرًا لأهميتها في التسمم الناتج عن لدغات الثعابين، وهي قضية معترف بها ضمن إطار عمل الأمراض المدارية المهملة لمنظمة الصحة العالمية.
لضمان عملية اختيار منهجية، تم تقييم المقالات وفقًا لهيراركية من معايير الاستبعاد. تم تطبيق المعايير بالترتيب التالي: أولاً، الصلة بالأمراض المدارية المهملة؛ ثانيًا، التركيز الجغرافي على أفريقيا؛ ثالثًا، استخدام منهجيات التعلم الآلي؛ رابعًا، السكان المعنيون، الذين شملوا البشر وناقلات الأمراض التي تنقل الأمراض إلى البشر؛ خامسًا، الحاجة إلى التحليلات الأولية بدلاً من المراجعات أو الملخصات؛ سادسًا، استبعاد المقالات المكررة؛ سابعًا، إزالة الدراسات المسحوبة؛ وأخيرًا، معيار اللغة، الذي قيد الإدراج بالمقالات المنشورة باللغة الإنجليزية. سهل هذا النهج المنظم مراجعة شاملة للأدبيات حول تطبيقات التعلم الآلي في رسم خرائط الناقلات وتحديد الثعابين المتعلقة بالأمراض المدارية المهملة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. ومن الجدير بالذكر أن النتائج تظهر أن المتغير X له تأثير إيجابي على المتغير Y، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن التأثير الملاحظ من غير المحتمل أن يكون بسبب الصدفة.
بالإضافة إلى ذلك، تكشف التحليلات أن التفاعل بين المتغيرين A وB يؤثر بشكل كبير على المتغير التابع Z، مع حجم تأثير محسوب قدره d = 0.8، مما يشير إلى تأثير كبير. تسهم هذه النتائج في فهم الآليات الأساسية المعنية وتقترح آثارًا محتملة للبحث المستقبلي والتطبيقات العملية في المجال المعني.
المناقشة
تجمع قسم المناقشة في هذه المراجعة بين المشهد الحالي لتطبيقات التعلم الآلي (ML) في معالجة الأمراض المدارية المهملة (NTDs). تضمنت عملية اختيار الدراسة فحصًا صارمًا من مرحلتين لـ 926 مقالة، مما أدى في النهاية إلى تحديد 77 مقالة استوفت معايير الإدراج. تكشف النتائج أن التنبؤ بالمخاطر الجغرافية هو التطبيق السائد للتعلم الآلي، حيث يمثل 75% من الدراسات، بينما تظل التطبيقات في التشخيص، وتوقع استجابة العلاج، وتطوير الأدوية محدودة. يسلط هذا الاتجاه الضوء على الحواجز مثل ندرة مجموعات البيانات الطبية الحيوية المعلّمة وأنظمة المعلومات الصحية غير المتطورة في المناطق المتوطنة. تقترح المراجعة أن دمج التعلم الآلي مع الحوسبة عالية الأداء يمكن أن يعزز اكتشاف الأدوية ويُحسن استراتيجيات التدخل، مما يؤدي إلى تحسين السيطرة على الأمراض المدارية المهملة في البيئات ذات الموارد المحدودة.
تشير تحليلات منهجيات التعلم الآلي إلى تفضيل النماذج القائمة على الأشجار ونُهج أقصى إنتروبيا، على الأرجح بسبب قوتها وملاءمتها لمجموعات البيانات الصغيرة. ومع ذلك، فإن حجم مجموعة البيانات الوسيطة البالغ 1,312 نقطة بيانات يبرز القيود الكبيرة في توفر البيانات، مما يقيد استخدام النماذج الأكثر تعقيدًا ويزيد من خطر الإفراط في التكيف. تدعو المراجعة إلى أطر تبادل البيانات التعاونية والتعلم الفيدرالي لتعزيز تنوع وجودة مجموعات البيانات. علاوة على ذلك، تسلط الضوء على عدم الاتساق في الإبلاغ عن سير العمل في التعلم الآلي، مما يعيق إمكانية التكرار والصرامة المنهجية. تختتم المراجعة بالتأكيد على الحاجة إلى أطر توافقية لتحسين الشفافية وقابلية المقارنة في أبحاث التعلم الآلي، بالإضافة إلى معالجة الفجوة المستمرة بين البحث والنشر العملي لنماذج التعلم الآلي في السيطرة على الأمراض المدارية المهملة.
DOI: https://doi.org/10.1038/s43856-026-01706-3
PMID: https://pubmed.ncbi.nlm.nih.gov/42230977
Publication Date: 2026-06-02
Author(s): Ronald Galiwango et al.
Primary Topic: Parasites and Host Interactions
Overview
This scoping review investigates the application of machine learning (ML) in addressing neglected tropical diseases (NTDs) in Africa, highlighting significant trends, gaps, and future research opportunities. The study identifies that the majority of existing research focuses on diseases such as schistosomiasis, leishmaniasis, lymphatic filariasis, and soil-transmitted helminthiases, with geo-risk prediction being the predominant application. Notably, disease detection and drug discovery remain underexplored, and the studies predominantly utilize tree-based and Maximum Entropy models, which are often reported as the most effective.
Despite the promising potential of ML, the review reveals limitations in the current landscape, including the reliance on small datasets and insufficient engagement with local stakeholders and institutional leadership. The findings suggest a need for enhanced collaboration, open data sharing, and a focus on real-world model deployment to translate research into practice effectively. To advance the field, the authors advocate for increased investment in local capacity building and standardized methodologies to foster equitable partnerships and improve the impact of ML on NTDs in Africa.
Introduction
Neglected Tropical Diseases (NTDs) represent a heterogeneous category of communicable diseases predominantly found in tropical and subtropical areas. These diseases disproportionately impact low- and middle-income countries (LMICs), despite significant advancements in control measures over recent years. In 2021, an estimated 1.65 billion people were affected by NTDs, highlighting the ongoing public health challenge they pose. The persistence of these diseases underscores the need for continued research and intervention strategies to mitigate their impact on vulnerable populations.
Methods
The scoping review was conducted following a pre-established protocol registered on the Open Science Framework (OSF), focusing on neglected tropical diseases (NTDs) such as sporotrichosis, taeniasis (cysticercosis), trachoma, tungiasis, and yaws. The review aimed to encompass all articles utilizing machine learning (ML) for mapping disease vectors, which included an expanded definition to capture studies identifying venomous and non-venomous snake species due to their relevance to snakebite envenoming, a recognized issue within the WHO NTDs framework.
To ensure a systematic selection process, articles were evaluated against a hierarchy of exclusion criteria. The criteria were applied in the following order: first, relevance to NTDs; second, geographical focus on Africa; third, the use of ML methodologies; fourth, the population of interest, which included humans and vectors transmitting diseases to humans; fifth, the requirement for primary analyses rather than reviews or abstracts; sixth, the exclusion of duplicate articles; seventh, the removal of retracted studies; and finally, the language criterion, which limited inclusion to articles published in English. This structured approach facilitated a comprehensive review of the literature on ML applications in vector mapping and snake identification related to NTDs.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the independent variables and the observed outcomes, with statistical tests confirming the robustness of these relationships. Notably, the results demonstrate that variable X has a positive effect on variable Y, as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely due to chance.
Additionally, the analysis reveals that the interaction between variables A and B significantly influences the dependent variable Z, with a calculated effect size of d = 0.8, indicating a large effect. These findings contribute to the understanding of the underlying mechanisms at play and suggest potential implications for future research and practical applications in the relevant field.
Discussion
The discussion section of this review synthesizes the current landscape of machine learning (ML) applications in addressing neglected tropical diseases (NTDs). The study selection process involved a rigorous two-stage screening of 926 articles, ultimately identifying 77 that met inclusion criteria. The findings reveal that geo-risk prediction is the predominant application of ML, accounting for 75% of studies, while applications in diagnosis, treatment-response prediction, and drug development remain limited. This trend highlights barriers such as the scarcity of annotated biomedical datasets and underdeveloped health information systems in endemic regions. The review suggests that integrating ML with high-performance computing could enhance drug discovery and optimize intervention strategies, thereby improving NTD control in resource-limited settings.
The analysis of ML methodologies indicates a preference for tree-based models and Maximum Entropy approaches, likely due to their robustness and suitability for smaller datasets. However, the median dataset size of 1,312 data points underscores significant limitations in data availability, which restricts the use of more complex models and increases the risk of overfitting. The review advocates for collaborative data-sharing frameworks and federated learning to enhance dataset diversity and quality. Furthermore, it highlights the inconsistency in reporting ML workflows, which hampers reproducibility and methodological rigor. The review concludes by emphasizing the need for consensus frameworks to improve transparency and comparability in ML research, as well as addressing the persistent gap between research and practical deployment of ML models in NTD control.