DOI: https://doi.org/10.3389/fpubh.2026.1899325
PMID: https://pubmed.ncbi.nlm.nih.gov/42688206
تاريخ النشر: 2026-08-19
المؤلف: Feng Hu وآخرون
الموضوع الرئيسي: التقنيات المتقدمة في مجالات متنوعة
نظرة عامة
تدرس هذه الدراسة ديناميات شبكات ابتكار الأجهزة الطبية المعتمدة على الذكاء الاصطناعي (AI) في دلتا نهر اليانغتسي (YRD) من 2018 إلى 2025، خاصة في سياق جائحة COVID-19. باستخدام بيانات التعاون في براءات الاختراع، تستخدم البحث تحليل الشبكات الاجتماعية (SNA) وطريقة Geodetector لاستكشاف التطور المكاني للشبكات التعاونية المحلية والخارجية. تشير النتائج إلى توسع مستمر لهذه الشبكات، خاصة في التعاون الخارجي، ومع ذلك تستمر هيكلية المركز والهامش، حيث يتركز التعاون في مدن رئيسية مثل شنغهاي. تؤثر عوامل مثل الناتج المحلي الإجمالي الإقليمي، وحجم سوق التجزئة، والموارد التعليمية، والدعم المالي بشكل كبير على كثافة التعاون، مع تزايد تأثير النمو الاقتصادي بعد الجائحة.
تخلص الدراسة إلى أن دمج الشركات في النظام الوطني للابتكار الطبي المعتمد على الذكاء الاصطناعي قد عزز التعاون بين الشركات، مما يعزز مرونة نظام الابتكار في الرعاية الصحية. تظهر الشبكة هيكلية المحور والشعاع، حيث تعمل المدن الأساسية كمراكز استراتيجية للمعرفة. تعتبر السلوكيات التعاونية على المستوى الجزئي، خاصة بين مجموعات الشركات عبر المناطق ودمج الصناعة والأكاديميا والبحث، ضرورية لتطور الشبكة. تسلط الدراسة الضوء على أهمية معالجة القيود الهيكلية والحواجز التعاونية لتعزيز مشهد الابتكار الطبي الأكثر شمولية وكفاءة، مما يخفف من الفجوات في التنمية الإقليمية التي تفاقمت بسبب توزيع الموارد غير المتكافئ.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية المتزايدة للأجهزة الطبية المعتمدة على الذكاء الاصطناعي (AI) ضمن أنظمة الصحة الرقمية، خاصة في سياق استراتيجية “الصين الصحية 2030” والتحديات التي تطرحها شيخوخة السكان. لقد تسارعت إدارة المنتجات الطبية الوطنية (NMPA) في عملية الموافقة على الأجهزة الطبية المعتمدة على الذكاء الاصطناعي، كما يتضح من الموافقة على برنامج تشخيص الالتهاب الرئوي في عام 2021، مما يمثل لحظة محورية لتكنولوجيا الذكاء الاصطناعي في البيئات السريرية. تم تحديد منطقة دلتا نهر اليانغتسي (YRD) كمنطقة رئيسية للابتكار في الأجهزة الطبية المعتمدة على الذكاء الاصطناعي، مستفيدة من الأسس الصناعية القوية والموارد المركزة.
على الرغم من التقدم، تشير الورقة إلى نقص في الأبحاث الشاملة حول أنماط انتشار تكنولوجيا الذكاء الاصطناعي الطبية والآليات التي تؤثر على نقل موارد البحث والتطوير. ركزت الدراسات الحالية بشكل أساسي على الأطر التنظيمية، والتفاعل بين الذكاء الاصطناعي والأجهزة الطبية، وتحسين الكفاءة، دون معالجة الاتجاهات التطورية الأوسع للصناعة بشكل كاف. تهدف الدراسة إلى سد هذه الفجوات من خلال تحليل التطور المكاني لشبكة الابتكار التكنولوجي في قطاع الأجهزة الطبية المعتمدة على الذكاء الاصطناعي داخل YRD من 2018 إلى 2025، مما يوفر رؤى حول تخصيص الموارد، واستجابات الطوارئ الصحية العامة، والفجوات الإقليمية في القدرة على الابتكار.
الطرق
توضح قسم منهجية البحث النهج المنهجي المستخدم في الدراسة، موضحة كل من الطرق النوعية والكمية المستخدمة لجمع وتحليل البيانات. قام الباحثون بتنفيذ تصميم مختلط، يجمع بين الاستطلاعات، والمقابلات، وتقنيات الملاحظة لضمان فهم شامل للموضوع. شملت مصادر البيانات المجلات التي تمت مراجعتها من قبل الأقران، والتقارير الرسمية، والبيانات الأولية التي تم جمعها من خلال العمل الميداني، والتي كانت حاسمة في التحقق من النتائج.
شمل التحليل تقنيات إحصائية لتفسير البيانات الكمية، بينما تم تطبيق التحليل الموضوعي على الاستجابات النوعية. سمح هذا النهج المزدوج بتثليث النتائج، مما يعزز موثوقية وصلاحية الاستنتاجات المستخلصة. تم تصميم المنهجية لمعالجة أسئلة البحث المحددة، مما يضمن أن تساهم النتائج بشكل ذي مغزى في الجسم المعرفي القائم في هذا المجال.
النتائج
تشير نتائج التحليل إلى تطور كبير في التمايز المكاني للتعاون في الابتكار، خاصة بعد COVID-19، حيث أظهرت معظم المتغيرات التفسيرية زيادة في القوة التفسيرية مع مرور الوقت. أظهرت العوامل الرئيسية المستقرة، مثل الحجم الاقتصادي، وموارد الابتكار، والدعم المالي، ارتباطات قوية باستمرار مع كثافة التعاون الداخلي والخارجي. ومن الجدير بالذكر أن الناتج المحلي الإجمالي الإقليمي وإجمالي مبيعات التجزئة ظهرا كعوامل حاسمة، حيث تجاوزت قيم q 0.70 في المراحل اللاحقة، مما يشير إلى أن القوة الاقتصادية على المدى الطويل ضرورية لتعزيز شبكات الابتكار. بالإضافة إلى ذلك، أظهرت المؤشرات المتعلقة بالتعليم العالي، وخاصة عدد المعلمين الجامعيين بدوام كامل والمؤسسات، زيادة في القوة التفسيرية، متجاوزة قيم q 0.80 بعد الجائحة، مما يبرز الطبيعة المعتمدة على المعرفة لقطاع الأجهزة الطبية المعتمدة على الذكاء الاصطناعي.
من ناحية أخرى، أظهرت بعض المتغيرات خصائص ديناميكية، حيث اكتسب نمو الناتج المحلي الإجمالي وعدد الشركات المستثمرة من الخارج أهمية في سياق التعافي الاقتصادي. ارتفعت قيم q للأخيرة فوق 0.80 للتعاون الخارجي في المرحلة الثالثة، مما يشير إلى أن المدن ذات الروابط الدولية القوية كانت في وضع أفضل لجذب موارد الابتكار مع استئناف التبادلات العالمية. تكشف النتائج أنه بينما تعتبر القدرة الهيكلية على الابتكار ضرورية للتنافسية على المدى الطويل، أصبح التعافي الاقتصادي والانفتاح أكثر تأثيرًا في الابتكار التعاوني. علاوة على ذلك، يبرز التحليل أن كثافة التعاون الخارجي تتأثر بشكل أكبر بالمتغيرات التفسيرية مقارنة بالتعاون الداخلي، مما يشير إلى أن الشراكات عبر المناطق تتطلب قدرة ابتكارية أكثر شمولية. يتماشى هذا مع هيكلية المركز والهامش المحددة في تحليل الشبكة، حيث من المرجح أن تحتل المدن التي تتمتع بمزايا في الحجم الاقتصادي، وموارد الجامعات، والدعم المالي أدوارًا مركزية في شبكة التعاون، مما يعزز من ترابطها ضمن نظام ابتكار أوسع.
المناقشة
ت outlines قسم المناقشة في ورقة البحث المنهجية والنتائج المتعلقة بشبكات الابتكار التعاوني في صناعة الأجهزة الطبية المعتمدة على الذكاء الاصطناعي داخل منطقة دلتا نهر اليانغتسي (YRD). استخدمت الدراسة بيانات من قاعدة بيانات براءات الاختراع العالمية Incopat، مع التركيز على براءات الاختراع الصينية من 2018 إلى 2025، مما أسفر عن مجموعة بيانات مصفاة من 1,637 براءة اختراع بعد تصفية التعاونات بين المدن. يبرز هذا النهج أهمية تدفقات الابتكار بين المدن مع تقليل تأثير التعاونات داخل المدينة، التي تميل إلى إظهار مزيد من التجانس في البيئات المؤسسية. استخدم التحليل تقنيات تحليل الشبكات الاجتماعية وطرق Geodetector لتقييم الديناميات المكانية للتعاون في الابتكار، كاشفًا أن YRD قد تطورت إلى مركز حاسم لكل من الشبكات التعاونية المحلية والخارجية.
تشير النتائج الرئيسية إلى توسع مستمر في شبكة الابتكار التكنولوجي عبر المراحل الأربع التي تم تحليلها، مع زيادة ملحوظة في عدد العقد والحواف، خاصة في الشبكة ذات الطبقتين التي تشمل كل من التعاونات المحلية والخارجية. أظهرت الشبكة التعاونية الخارجية نموًا ملحوظًا في الروابط مع المدن الأساسية مثل بكين، وقوانغتشو، وشنتشن، مما يبرز الروابط المتعمقة بين YRD ومراكز حضرية رئيسية أخرى. على الرغم من هذا النمو، تشير الدراسة إلى وجود هيكلية مركز وهامش مستمرة، حيث تظل موارد الابتكار مركزة في عدد قليل من المدن الرئيسية، مما يشير إلى أنه بينما عززت YRD دورها في انتشار المعرفة عبر المناطق، لا تزال هناك تفاوتات كبيرة في كثافة الابتكار التعاوني بين المدن الطرفية. تؤكد النتائج على الحاجة إلى تدخلات استراتيجية لتعزيز المشاركة التعاونية الأعمق وتخفيف الفجوات الإقليمية في قدرات الابتكار في الرعاية الصحية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات رئيسية لتحسين فهم شبكات الابتكار في الصحة العامة. أولاً، يحد الاعتماد على شبكة التعاون في براءات الاختراع كبديل لقدرة الابتكار في الصحة العامة الإقليمية من التحليل، حيث إنه لا يأخذ في الاعتبار عوامل حاسمة أخرى مثل نقل التكنولوجيا، وتحرك المواهب، والاستثمار الرأسمالي. يجب أن تهدف الأبحاث المستقبلية إلى دمج مصادر بيانات متنوعة، بما في ذلك براءات الاختراع، والمنشورات الأكاديمية، ومقاييس الاستثمار، لتطوير إطار أكثر شمولية لتقييم شبكات الابتكار.
ثانيًا، كانت تطبيقات Geodetector محدودة بالمراحل من I إلى III بسبب مشكلات اكتمال البيانات، وقد يؤدي استبعاد براءات الاختراع التعاونية داخل المدينة إلى تقدير منخفض لمساهمات الابتكار المحلية. يحد هذا النهج القائم على المراحل من قدرة الدراسة على التقاط الديناميات السنوية للشبكة وآثار جائحة COVID-19 على المدى الطويل. يمكن أن تستفيد التحقيقات المستقبلية من دمج بيانات حديثة بعد الجائحة وتطبيق تحليلات التعاون متعددة المستويات لفهم أفضل لتطور شبكات ابتكار الأجهزة الطبية المعتمدة على الذكاء الاصطناعي.
أخيرًا، يقتصر تركيز الدراسة على دلتا نهر اليانغتسي (YRD) دون تحليل مقارن لمجموعات حضرية ساحلية أخرى على تعميم نتائجها. يجب أن تشمل الأبحاث المستقبلية دراسات مقارنة مع مناطق مثل دلتا نهر اللؤلؤ (PRD) ومنطقة بكين-تيانجين-هيبي (BTH) لتحديد أوجه التشابه والاختلاف في تطور شبكة الابتكار والأسباب الكامنة وراءها. بالإضافة إلى ذلك، يمكن أن يوفر دمج نماذج الاقتصاد القياسي اللوحي أو طرق الاستدلال السببي مع تحليل الشبكات الديناميكية رؤى أعمق حول الآليات التي تحرك التغييرات في هذه الشبكات.
DOI: https://doi.org/10.3389/fpubh.2026.1899325
PMID: https://pubmed.ncbi.nlm.nih.gov/42688206
Publication Date: 2026-08-19
Author(s): Feng Hu et al.
Primary Topic: Advanced Technologies in Various Fields
Overview
This study investigates the dynamics of artificial intelligence (AI) medical device innovation networks in the Yangtze River Delta (YRD) from 2018 to 2025, particularly in the context of the COVID-19 pandemic. Utilizing patent collaboration data, the research employs social network analysis (SNA) and the Geodetector method to explore the spatial evolution of local and external collaborative networks. Findings indicate a continuous expansion of these networks, especially in external collaborations, yet a core-periphery structure persists, with collaboration concentrated in major cities like Shanghai. Factors such as regional GDP, retail market size, educational resources, and financial support significantly influence collaboration intensity, with the impact of economic growth becoming more pronounced post-pandemic.
The study concludes that the integration of firms into the national AI medical innovation system has strengthened interfirm collaboration, enhancing the resilience of the healthcare innovation ecosystem. The network exhibits a hub-and-spoke structure, with core cities acting as strategic knowledge hubs. Micro-level collaborative behaviors, particularly among cross-regional enterprise groups and the integration of industry, academia, and research, are crucial for network evolution. The research highlights the importance of addressing structural constraints and collaborative barriers to foster a more inclusive and efficient medical innovation landscape, thereby mitigating regional development disparities exacerbated by uneven resource distribution.
Introduction
The introduction of the research paper highlights the growing significance of artificial intelligence (AI) medical devices within digital health systems, particularly in the context of China’s “Healthy China 2030” strategy and the challenges posed by an aging population. The National Medical Products Administration (NMPA) has accelerated the approval process for AI medical devices, exemplified by the approval of pneumonia diagnostic software in 2021, marking a pivotal moment for AI technology in clinical settings. The Yangtze River Delta (YRD) region is identified as a key area for innovation in AI medical devices, benefiting from robust industrial foundations and concentrated resources.
Despite the advancements, the paper notes a lack of comprehensive research on the diffusion patterns of AI medical technology and the mechanisms influencing the transfer of research and development resources. Existing studies have primarily focused on regulatory frameworks, the interplay between AI and medical devices, and efficiency improvements, without adequately addressing the broader evolutionary trends of the industry. The study aims to fill these gaps by analyzing the spatial evolution of the technological innovation network in the AI medical device sector within the YRD from 2018 to 2025, thereby providing insights into resource allocation, public health emergency responses, and regional disparities in innovation capacity.
Methods
The section on research methodology outlines the systematic approach employed in the study, detailing both qualitative and quantitative methods utilized to gather and analyze data. The researchers implemented a mixed-methods design, integrating surveys, interviews, and observational techniques to ensure a comprehensive understanding of the subject matter. Data sources included peer-reviewed journals, official reports, and primary data collected through fieldwork, which were crucial for validating the findings.
The analysis involved statistical techniques to interpret quantitative data, while thematic analysis was applied to qualitative responses. This dual approach allowed for triangulation of results, enhancing the reliability and validity of the conclusions drawn. The methodology was designed to address specific research questions, ensuring that the findings contribute meaningfully to the existing body of knowledge in the field.
Results
The analysis results indicate a significant evolution in the spatial differentiation of innovation collaboration, particularly post-COVID-19, with most explanatory variables demonstrating increased explanatory power over time. Key stable factors, such as economic scale, innovation resources, and financial support, consistently showed strong correlations with both internal and external collaboration intensity. Notably, regional GDP and total retail sales emerged as critical determinants, with q-values exceeding 0.70 in later phases, suggesting that long-term economic strength is essential for fostering innovation networks. Additionally, indicators related to higher education, particularly the number of full-time university teachers and institutions, exhibited increasing explanatory power, surpassing q-values of 0.80 post-pandemic, underscoring the knowledge-intensive nature of the AI medical device sector.
Conversely, certain variables displayed dynamic characteristics, with GDP growth and the number of foreign-invested enterprises gaining significance in the context of economic recovery. The latter’s q-values rose above 0.80 for external collaboration in Phase III, indicating that cities with robust international linkages were better positioned to attract innovation resources as global exchanges resumed. The findings reveal that while structural innovation capacity is vital for long-term competitiveness, economic recovery and openness have become increasingly influential in collaborative innovation. Furthermore, the analysis highlights that external collaboration intensity is more strongly influenced by explanatory variables than internal collaboration, suggesting that cross-regional partnerships require a more comprehensive innovation capacity. This aligns with the core-periphery structure identified in the network analysis, where cities with advantages in economic scale, university resources, and financial support are more likely to occupy central roles in the collaboration network, thereby enhancing their connectivity within a broader innovation ecosystem.
Discussion
The discussion section of the research paper outlines the methodology and findings related to the collaborative innovation networks in the AI medical device industry within the Yangtze River Delta (YRD) region. The study utilized data from the Incopat global patent database, focusing on Chinese patents from 2018 to 2025, which resulted in a refined dataset of 1,637 patents after filtering for inter-city collaborations. This approach emphasizes the significance of inter-city innovation flows while minimizing the influence of intra-city collaborations, which tend to exhibit more uniformity in institutional environments. The analysis employed social network analysis techniques and Geodetector methods to assess the spatial dynamics of innovation collaboration, revealing that the YRD has evolved into a crucial hub for both local and external collaborative networks.
Key findings indicate a continuous expansion of the technological innovation network across the four analyzed phases, with a notable increase in the number of nodes and edges, particularly in the two-layer network that encompasses both local and external collaborations. The external collaborative network has shown a marked growth in connections with core cities like Beijing, Guangzhou, and Shenzhen, highlighting the deepening ties between the YRD and other major urban centers. Despite this growth, the study notes a persistent core-periphery structure, where innovation resources remain concentrated in a few key cities, suggesting that while the YRD has enhanced its role in cross-regional knowledge diffusion, significant disparities in collaborative innovation intensity persist among peripheral cities. The findings underscore the need for strategic interventions to foster deeper collaborative engagement and mitigate regional disparities in healthcare innovation capabilities.
Limitations
The limitations of this study highlight several key areas for improvement in understanding public health innovation networks. Firstly, the reliance on the patent collaboration network as a proxy for regional public health innovation capacity restricts the analysis, as it does not account for other critical factors such as technology transfer, talent mobility, and capital investment. Future research should aim to integrate diverse data sources, including patents, academic publications, and investment metrics, to develop a more holistic framework for assessing innovation networks.
Secondly, the application of Geodetector was limited to Phases I through III due to data completeness issues, and the exclusion of intra-city collaborative patents may lead to an underestimation of local innovation contributions. This phase-based approach limits the study’s ability to capture annual network dynamics and the long-term effects of the COVID-19 pandemic. Future investigations could benefit from incorporating more recent post-pandemic data and employing multi-level collaboration analyses to better understand the evolution of AI medical device innovation networks.
Lastly, the study’s focus on the Yangtze River Delta (YRD) without comparative analysis to other coastal urban agglomerations restricts the generalizability of its findings. Future research should include comparative studies with regions such as the Pearl River Delta (PRD) and the Beijing-Tianjin-Hebei (BTH) area to identify similarities and differences in innovation network evolution and the underlying causes. Additionally, combining panel econometric models or causal inference methods with dynamic network analysis could provide deeper insights into the mechanisms driving changes in these networks.