DOI: https://doi.org/10.3389/fdgth.2025.1668385
PMID: https://pubmed.ncbi.nlm.nih.gov/40949313
تاريخ النشر: 2025-08-29
المؤلف: Radha Ambalavanan وآخرون
الموضوع الرئيسي: تنقيب النصوص الطبية والأنطولوجيات
نظرة عامة
تناقش هذه الفقرة الدور الحاسم للأنتولوجيات في ربط الذكاء الاصطناعي (AI) والرعاية الصحية، مع التأكيد على وظيفتها في إنشاء أطر معرفية منظمة تعزز من تداخل البيانات، ودعم اتخاذ القرارات السريرية، والطب الدقيق. الهدف هو توضيح كيف تسهل الأنتولوجيات الأنظمة القابلة للتكيف والمتداخلة التي يمكن أن تتطور جنبًا إلى جنب مع التقدم التكنولوجي والطبي، مما يدعم في النهاية حلول الرعاية الصحية الشخصية والمتصلة عالميًا. تبرز مراجعة الأدبيات، التي تركز على الدراسات من 2010 إلى 2025، أهمية تطبيقات الذكاء الاصطناعي المدفوعة بالأنتولوجيا في معالجة التحديات مثل البيانات المجزأة والمصطلحات غير المتسقة، مما يمكّن من التكامل الدلالي عبر مجموعات بيانات الرعاية الصحية المتنوعة.
تشير النتائج إلى أن الأنتولوجيات توحد المفاهيم والعلاقات الطبية، وهو أمر ضروري لدعم تطبيقات الذكاء الاصطناعي في اتخاذ القرارات السريرية، والتحليلات التنبؤية، ومعالجة اللغة الطبيعية. ومع ذلك، تواجه عملية دمج الأنتولوجيات تحديات، بما في ذلك التعقيد الحسابي، وقابلية التوسع، وعدم التوافق الدلالي مع المعايير الدولية المتطورة مثل SNOMED CT و HL7 FHIR. تعتبر المخاوف الأخلاقية المتعلقة بخصوصية البيانات والتحيز الخوارزمي أيضًا أمورًا حاسمة. تشير الرؤية إلى استراتيجيات مثل نماذج الأنتولوجيا القابلة للتكيف وأطر الحوكمة القوية للتغلب على هذه التحديات، داعيةً إلى أن تركز الأبحاث المستقبلية على تطوير الأنتولوجيات القابلة للتكيف التي يمكن أن تلبي الطلبات المتغيرة في الرعاية الصحية مع ضمان رعاية متمحورة حول المريض والاعتبارات الأخلاقية. في النهاية، يتم تصوير التآزر بين الأنتولوجيات والذكاء الاصطناعي على أنه أمر حيوي لإنشاء أنظمة رعاية صحية شفافة وقابلة للتفسير وموثوقة.
مقدمة
تتناول مقدمة الورقة التحديات المستمرة في أنظمة الرعاية الصحية الحديثة، لا سيما فيما يتعلق بالبيانات المجزأة، والمفردات غير المتسقة، وسوء التوافق الدلالي. تؤكد على دور الأنتولوجيات – الأطر المنظمة التي توحد المفاهيم والعلاقات داخل الرعاية الصحية – في تعزيز تفسير البيانات، ودعم التفكير الآلي، وتحسين اتخاذ القرارات السريرية. يتم تسليط الضوء على الأنتولوجيات البارزة مثل SNOMED CT و HL7 FHIR لدورها الأساسي في توحيد المصطلحات الطبية وتسهيل التداخل الدلالي، وهو أمر حاسم لدمج البيانات السريرية والجينية والظاهرة المعقدة. هذا الدمج ضروري لتقدم الطب الدقيق والرعاية المتمحورة حول المريض، حيث يسمح بحلول رعاية صحية مخصصة وتحسين النتائج السريرية.
تتناول الورقة أيضًا تطور الأنتولوجيات من أصولها في التصنيفات الإحصائية والمنطق الرسمي إلى تطبيقاتها الحالية في دعم العمليات السريرية، والبحث الانتقالي، وتنسيق البيانات عبر أنظمة الرعاية الصحية الدولية. تؤكد على أهمية نماذج الأنتولوجيا القابلة للتكيف التي يمكن أن تتطور مع البيانات في الوقت الحقيقي والمعايير الناشئة لمعالجة الفجوات الرئيسية في التداخل الدلالي ودمج الذكاء الاصطناعي الأخلاقي. يقترح المؤلفون خارطة طريق لتقدم هذه النماذج، مع تسليط الضوء على العلاقة المتبادلة بين الأنتولوجيات والذكاء الاصطناعي، حيث تعزز الأنتولوجيات قدرات الذكاء الاصطناعي، وتدفع طرق الذكاء الاصطناعي تطور وأتمتة الأنتولوجيات. تهدف هذه الرؤية إلى تجميع الأدبيات حول الذكاء الاصطناعي المدفوع بالأنتولوجيا في الرعاية الصحية، وتحديد التحديات الحالية، واقتراح اتجاهات مستقبلية للتطوير في ابتكار الرعاية الصحية.
الطرق
في هذا القسم، يحدد المؤلفون نهجهم المنهجي لاستكشاف التقدم والتحديات في تطبيقات الذكاء الاصطناعي المدفوعة بالأنتولوجيا في الرعاية الصحية. قاموا بإجراء بحث أدبي مستهدف عبر قواعد بيانات مثل PubMed و Scopus و Google Scholar، مستخدمين مجموعة من الكلمات الرئيسية المتعلقة بالأنتولوجيا والذكاء الاصطناعي، بما في ذلك “التداخل”، “التكامل الدلالي”، “دعم اتخاذ القرار السريري”، “الطب الشخصي”، “معالجة اللغة الطبيعية”، و “الذكاء الاصطناعي الأخلاقي”. استخدمت استراتيجية البحث عوامل بوليانية لتصفية النتائج، مع التركيز على المنشورات التي تمت مراجعتها من قبل الأقران من 2010 إلى 2025 والتي تناولت بشكل خاص تطوير أو تطبيق الأنتولوجيات في الذكاء الاصطناعي وتداخل الرعاية الصحية، مع الأخذ في الاعتبار أيضًا الأعمال الأساسية قبل عام 2010 التي تعتبر أساسية في هذا المجال.
يوضح المؤلفون أن مخطوطتهم تهدف إلى أن تكون قطعة نظرية بدلاً من مراجعة منهجية، معترفين بالطبيعة متعددة التخصصات للموضوع الذي يشمل الجوانب التقنية والبيولوجية الطبية والسياسية. وبالتالي، اختاروا تجميعًا مفهوميًا للمواضيع المتكررة لتجميع الرؤى الرئيسية، والاتجاهات الناشئة، والتحديات في تطبيقات الذكاء الاصطناعي المدفوعة بالأنتولوجيا. تهدف هذه الطريقة إلى إبلاغ الأبحاث والتطوير المستقبلية في أنظمة الرعاية الصحية المدعومة بالذكاء الاصطناعي، مع تسليط الضوء على أهمية معالجة الفجوات الحالية وتعزيز دمج الأنتولوجيات في الممارسة السريرية.
المناقشة
تسلط المناقشة حول الأنتولوجيات الضوء على تطورها من التصنيفات الفلسفية إلى الأنظمة المنظمة في علوم الكمبيوتر، لا سيما في الذكاء الاصطناعي والرعاية الصحية. أسس غروبر (1993) وغوارينو (1998) تعريفات أساسية، مؤكدين على الأنتولوجيات كأوصاف صريحة تنظم المعرفة الخاصة بالمجال. لقد سهل ظهور لغات رسمية مثل RDF و OWL التكامل الدلالي عبر مجموعات البيانات المجزأة، وهو أمر حاسم للبيئات الديناميكية مثل الرعاية الصحية. الفارق بين الأنتولوجيات الرسمية وتطبيقاتها مهم، حيث أن كل من التجريد والتحديد ضروريان لتطبيقات الذكاء الاصطناعي الفعالة. إن التكيف السريع للأنتولوجيات خلال جائحة COVID-19 يوضح دورها في الحفاظ على تداخل البيانات ودعم التعاون في الوقت الحقيقي في الرعاية الصحية.
تمكن الأنتولوجيات من التكامل الدلالي من خلال توفير مفردات منظمة تعزز التواصل بين الأنظمة المتنوعة، مما يسمح بالتفكير المتقدم والرؤى القابلة للتنفيذ. تمتد تطبيقاتها عبر مجالات متعددة، بما في ذلك المعلوماتية الحيوية وعلوم البيئة، حيث تسهل تكامل البيانات واتخاذ القرارات الشخصية. في الرعاية الصحية، تحسن الأنتولوجيات من وظيفة السجلات الصحية الإلكترونية (EHR) وأنظمة دعم اتخاذ القرار السريري (CDSS) والتحليلات التنبؤية من خلال توحيد المفاهيم الطبية وضمان الوضوح الدلالي. يعزز دمج الأنتولوجيات مع أنظمة الذكاء الاصطناعي من دقة التشخيص، وتوصيات العلاج، ونمذجة الأمراض الخاصة بالمرضى، مما يعزز في النهاية الابتكار ويحسن نتائج المرضى في الطب الدقيق. إن التطور المستمر وإثراء الأنتولوجيات أمران أساسيان للتكيف مع المعرفة الجديدة والحفاظ على الصلة في مشهد الرعاية الصحية المتغير بسرعة.
القيود
يسلط القسم الخاص بالقيود الضوء على عدة تحديات مرتبطة بتطوير وتنفيذ الأنتولوجيات في الرعاية الصحية، بما في ذلك قابلية التوسع، والتداخل، وتمثيل المعرفة الخاصة بالمجال، والأخلاقيات، والتحكم في الإصدارات. يتم تلخيص هذه التحديات في الجدول 2، الذي يقدم أمثلة من العالم الحقيقي واستراتيجيات قائمة على الأدلة لمعالجتها.
علاوة على ذلك، يعترف المؤلفون بأن استكشافهم للأدبيات ليس مراجعة منهجية شاملة، حيث يركز بشكل انتقائي على التطبيقات المدفوعة بالأنتولوجيا في الرعاية الصحية المدعومة بالذكاء الاصطناعي. قد لا تشمل هذه العملية الانتقائية، المحدودة بقواعد بيانات معينة (PubMed و Scopus و Google Scholar) وتغطي بشكل أساسي الدراسات من 2010 إلى 2025، جميع الأدبيات ذات الصلة. إن تضمين الأعمال الأساسية السابقة للسياق التاريخي يمدد الإطار الزمني قليلاً. بالإضافة إلى ذلك، فإن تجميع الرؤى يعتمد على تجميعات مفهومية للمواضيع المتكررة بدلاً من التحليل الكمي أو التقييم الرسمي للجودة، مما قد يؤثر على قابلية التكرار والعمومية للنتائج. هذه القيود هي سمة من سمات تنسيق الرؤية، الذي يهدف إلى تقديم رؤى رئيسية وتوجيه الأبحاث المستقبلية بدلاً من تقديم مراجعة شاملة أو موثوقة إحصائيًا.
DOI: https://doi.org/10.3389/fdgth.2025.1668385
PMID: https://pubmed.ncbi.nlm.nih.gov/40949313
Publication Date: 2025-08-29
Author(s): Radha Ambalavanan et al.
Primary Topic: Biomedical Text Mining and Ontologies
Overview
The section discusses the critical role of ontologies in bridging artificial intelligence (AI) and healthcare, emphasizing their function in creating structured knowledge frameworks that enhance data interoperability, clinical decision support, and precision medicine. The objective is to illustrate how ontologies facilitate adaptive and interoperable systems that can evolve alongside technological and medical advancements, ultimately supporting personalized and globally connected healthcare solutions. The literature review, focusing on studies from 2010 to 2025, highlights the significance of ontology-driven AI applications in addressing challenges such as fragmented data and inconsistent terminologies, thereby enabling semantic integration across diverse healthcare datasets.
The findings indicate that ontologies standardize medical concepts and relationships, which is essential for supporting AI applications in clinical decision-making, predictive analytics, and natural language processing. However, the integration of ontologies faces challenges, including computational complexity, scalability, and semantic mismatches with evolving international standards like SNOMED CT and HL7 FHIR. Ethical concerns regarding data privacy and algorithmic bias are also critical. The perspective suggests strategies such as adaptive ontology models and robust governance frameworks to overcome these challenges, advocating for future research to focus on developing adaptable ontologies that can meet changing healthcare demands while ensuring patient-centered care and ethical considerations. Ultimately, the synergy between ontologies and AI is portrayed as vital for creating transparent, explainable, and trustworthy healthcare systems.
Introduction
The introduction of the paper addresses the ongoing challenges in modern healthcare systems, particularly concerning fragmented data, inconsistent vocabularies, and poor semantic alignment. It emphasizes the role of ontologies—structured frameworks that standardize concepts and relationships within healthcare— in enhancing data interpretation, supporting automated reasoning, and improving clinical decision-making. Notable ontologies like SNOMED CT and HL7 FHIR are highlighted for their foundational role in standardizing medical terminologies and facilitating semantic interoperability, which is crucial for integrating complex clinical, genomic, and phenotypic data. This integration is essential for advancing precision medicine and patient-centered care, as it allows for tailored healthcare solutions and improved clinical outcomes.
The paper further discusses the evolution of ontologies from their origins in statistical classifications and formal logic to their current applications in supporting clinical operations, translational research, and data harmonization across international healthcare systems. It underscores the importance of adaptive ontology models that can evolve with real-time data and emerging standards to address key gaps in semantic interoperability and ethical AI integration. The authors propose a roadmap for advancing these models, highlighting the reciprocal relationship between ontologies and AI, where ontologies enhance AI capabilities, and AI methods drive the evolution and automation of ontologies. This perspective aims to synthesize literature on ontology-driven AI in healthcare, outline current challenges, and propose future directions for development in healthcare innovation.
Methods
In this section, the authors outline their methodological approach for exploring advancements and challenges in ontology-driven applications of artificial intelligence (AI) within healthcare. They conducted a targeted literature search across databases such as PubMed, Scopus, and Google Scholar, utilizing a combination of keywords related to ontology and AI, including “interoperability,” “semantic integration,” “clinical decision support,” “personalized medicine,” “natural language processing,” and “ethical AI.” The search strategy employed Boolean operators to refine results, focusing on peer-reviewed publications from 2010 to 2025 that specifically addressed the development or application of ontologies in AI and healthcare interoperability, while also considering seminal works prior to 2010 that are foundational to the field.
The authors clarify that their manuscript is intended as a perspective piece rather than a systematic review, acknowledging the interdisciplinary nature of the topic that encompasses technical, biomedical, and policy aspects. Consequently, they opted for a conceptual grouping of recurring themes to synthesize key insights, emerging trends, and challenges in ontology-driven AI applications. This approach aims to inform future research and development in AI-enabled healthcare systems, highlighting the importance of addressing existing gaps and advancing the integration of ontologies in clinical practice.
Discussion
The discussion on ontologies highlights their evolution from philosophical taxonomies to structured systems in computer science, particularly in AI and healthcare. Gruber (1993) and Guarino (1998) established foundational definitions, emphasizing ontologies as explicit specifications that organize domain-specific knowledge. The advent of formal languages like RDF and OWL has facilitated semantic integration across fragmented datasets, crucial for dynamic environments such as healthcare. The distinction between formal and application ontologies is significant, as both abstraction and specificity are necessary for effective AI applications. The rapid adaptation of ontologies during the COVID-19 pandemic exemplifies their role in maintaining data interoperability and supporting real-time collaboration in healthcare.
Ontologies enable semantic integration by providing a structured vocabulary that enhances communication between diverse systems, allowing for advanced reasoning and actionable insights. Their applications span various domains, including bioinformatics and environmental science, where they facilitate data integration and personalized decision-making. In healthcare, ontologies improve electronic health record (EHR) functionality, clinical decision support systems (CDSS), and predictive analytics by standardizing medical concepts and ensuring semantic clarity. The integration of ontologies with AI systems enhances diagnostic accuracy, treatment recommendations, and patient-specific disease modeling, ultimately fostering innovation and improving patient outcomes in precision medicine. The ongoing evolution and enrichment of ontologies are essential for adapting to new knowledge and maintaining relevance in rapidly changing healthcare landscapes.
Limitations
The section on limitations highlights several challenges associated with the development and implementation of ontologies in healthcare, including scalability, interoperability, domain knowledge representation, ethics, and version control. These challenges are summarized in Table 2, which provides real-world examples and evidence-based strategies for addressing them.
Furthermore, the authors acknowledge that their exploration of the literature is not a comprehensive systematic review, as it selectively focuses on ontology-driven applications in AI-enabled healthcare. This selection process, limited to specific databases (PubMed, Scopus, and Google Scholar) and primarily covering studies from 2010 to 2025, may not encompass all relevant literature. The inclusion of earlier seminal works for historical context slightly extends the timeframe. Additionally, the synthesis of insights is based on conceptual groupings of recurring themes rather than quantitative analysis or formal quality assessment, which may affect the reproducibility and generalizability of the findings. These limitations are characteristic of the perspective format, which aims to provide key insights and guide future research rather than deliver an exhaustive or statistically validated review.