DOI: https://doi.org/10.3389/fdgth.2026.1763884
PMID: https://pubmed.ncbi.nlm.nih.gov/42051332
تاريخ النشر: 2026-04-13
المؤلف: Areeba Shahid وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
يوفر قسم ورقة البحث نظرة شاملة على التحديات والاستراتيجيات المرتبطة بتبني الذكاء الاصطناعي (AI) في الرعاية الصحية في البلدان ذات الدخل المنخفض والمتوسط (LMICs). يبرز الإمكانات التي يمتلكها الذكاء الاصطناعي لتحويل تقديم الرعاية الصحية ولكنه يؤكد على الحواجز الأخلاقية والتنظيمية والتنفيذية التي ترافق تكامله السريع. تستخدم الدراسة نهج رسم خرائط منهجي، ملتزمة بإرشادات PRISMA-ScR، لتحليل 60 مصدرًا تتناول الحوكمة والخصوصية وتطبيقات الذكاء الاصطناعي في LMICs، كاشفة أن 7.4% فقط من هذه البلدان قد وضعت استراتيجيات وطنية للذكاء الاصطناعي. ومن الجدير بالذكر أن أكثر من 60% من نماذج الذكاء الاصطناعي في LMICs تستخدم مجموعات بيانات غير تمثيلية، مما يزيد من التحيز السياقي.
تؤكد النتائج على وجود فجوات كبيرة في جاهزية القوى العاملة، حيث تقل نسبة المؤسسات التي تقدم تدريبًا منظمًا على الذكاء الاصطناعي عن 10%. توضح دراسات الحالة من البرازيل والهند استراتيجيات فعالة للتغلب على هذه الحواجز من خلال التصميم الحساس للسياق. تؤكد الخاتمة على ضرورة الحوكمة التشاركية وبناء القدرات لتسهيل التكامل الناجح للذكاء الاصطناعي. تدعو إلى تفعيل المبادئ الأربعة للذكاء الاصطناعي الشامل، مع التأكيد بشكل خاص على أهمية الحساسية للسياق، لتعزيز أنظمة صحية شاملة والتحول من الاعتماد على الحلول الرقمية الخارجية إلى تطوير نظم ابتكار محلية.
مقدمة
تناقش مقدمة ورقة البحث الدور التحويلي للذكاء الاصطناعي (AI) في مختلف القطاعات، وخاصة في الرعاية الصحية. تمكّن تقنيات الذكاء الاصطناعي الآلات من محاكاة الذكاء البشري، مما يؤدي إلى تغييرات كبيرة في تقديم الرعاية الطبية وإدارتها. في البلدان النامية، التي تتميز بدخل قومي إجمالي (GNI) للفرد أقل من 11,905 دولارًا، تكون الفجوات في الرعاية الصحية بين المناطق الحضرية والريفية واضحة، ويرجع ذلك أساسًا إلى نقص مقدمي الرعاية الصحية المؤهلين والوصول المحدود إلى الموارد. تبرز الورقة أن تطبيقات الذكاء الاصطناعي، وخاصة في التقنيات الطبية المعتمدة على الكمبيوتر، لديها القدرة على تحسين نتائج الرعاية الصحية في هذه المناطق الريفية المحرومة.
علاوة على ذلك، تثير المقدمة أسئلة أخلاقية وتنظيمية حاسمة بشأن التدخلات الصحية المدفوعة بالذكاء الاصطناعي، مما يبرز الحاجة إلى النظر بعناية في الأطر الأخلاقية التقليدية في سياق الذكاء الاصطناعي. بينما يحمل الذكاء الاصطناعي وعدًا لتعزيز الصحة وتحقيق أهداف التنمية المستدامة، فإنه أيضًا يطرح مخاطر مثل سوء الاستخدام، وانتهاكات الخصوصية، والتحيزات المحتملة في اتخاذ القرار. يدعو المؤلفون إلى اتباع نهج مراجعة نطاقية لتجميع وجهات نظر متنوعة حول هذه التحديات، بهدف معالجة الطبيعة متعددة التخصصات للقضايا الأخلاقية والتنظيمية والتنفيذية المتعلقة بالذكاء الاصطناعي في الرعاية الصحية، خاصة في البلدان ذات الدخل المنخفض والمتوسط (LMICs).
الطرق
يحدد قسم المنهجية النهج المنهجي المستخدم في البحث لتحقيق أهداف الدراسة. يوضح التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة نهجًا كميًا، معتمدة على أدوات إحصائية لتحليل البيانات المجمعة من مصادر متنوعة.
تم اشتقاق النتائج الرئيسية من خلال اختبار صارم والتحقق من صحة الفرضيات، مما يضمن موثوقية وصحة النتائج. كما تسلط المنهجية الضوء على أي قيود تم مواجهتها خلال عملية البحث، مما يوفر حسابًا شفافًا للإجراءات المتبعة والمنطق وراء الأساليب المختارة. بشكل عام، يؤكد القسم على قوة المنهجية في معالجة أسئلة البحث المطروحة.
النتائج
يجمع قسم النتائج بين النتائج المستخلصة من 60 مصدرًا مصنفة إلى ثلاثة مجالات: الحوكمة، الخصوصية، وتطبيقات الذكاء الاصطناعي، استنادًا إلى أطر حوكمة الصحة الرقمية لمنظمة الصحة العالمية ومنظمة التعاون والتنمية الاقتصادية. من بين هذه المصادر، ركزت 25 دراسة على الأخلاقيات والحوكمة، و17 على الأطر التنظيمية، و18 على التنفيذ وتطبيقات الذكاء الاصطناعي. تتماشى هذه التنظيمات مع المعايير العالمية للإشراف على الصحة الرقمية، مما يبرز الترابط بين هذه المجالات.
توضح الكتل الموضوعية المحددة—الأخلاقية (3.1)، التنظيمية (3.2)، والتنفيذية (3.3)—دورة الاعتماد الرقمي في البلدان ذات الدخل المنخفض والمتوسط (LMICs). لمعالجة الحواجز المحددة، يقترح المؤلفون أربعة مبادئ للذكاء الاصطناعي الشامل، والتي تستند مباشرة إلى النتائج. على سبيل المثال، مبدأ “الحساسية للسياق” (4.2.1) هو استجابة لقضايا “التحيز الخوارزمي” (3.1.1) و”التحيز السياقي” (3.2.1) المذكورة في الأدبيات. بالإضافة إلى ذلك، يُقترح “الابتكار مفتوح المصدر والابتكار البسيط” (4.2.3) كنهج استراتيجي للتخفيف من “نقص البنية التحتية” (3.3.1)، كما يتضح من دراسات مثل دراسة بيلامو في زامبيا.
المناقشة
تسلط قسم المناقشة في هذه المراجعة النطاقية الضوء على التحديات الأخلاقية والتنظيمية والتنفيذية المرتبطة بالذكاء الاصطناعي في أنظمة الرعاية الصحية في البلدان ذات الدخل المنخفض والمتوسط (LMICs). استخدمت الدراسة نهجًا منهجيًا لتحديد الفجوات في الحوكمة والخصوصية، مسترشدة بإطار عمل PCC، وجمعت النتائج من 60 دراسة نُشرت بشكل أساسي بين عامي 2018 و2024. تكشف الرؤى الرئيسية أنه بينما يحمل الذكاء الاصطناعي إمكانات تحويلية لتعزيز تقديم الرعاية الصحية في البيئات ذات الموارد المحدودة، لا تزال هناك حواجز كبيرة، بما في ذلك التحيز الخوارزمي، وصعوبات الحصول على الموافقة المستنيرة، ونقص الأطر الواضحة للمسؤولية. تؤكد المراجعة على ضرورة وجود حلول ذكاء اصطناعي حساسة للسياق تتناسب مع التركيبة السكانية المحلية واحتياجات الرعاية الصحية، فضلاً عن أهمية التعاون متعدد التخصصات بين أصحاب المصلحة لضمان التنفيذ الفعال.
علاوة على ذلك، تؤكد النتائج على الدور الحاسم لنظم الابتكار المحلية والتصميم التشاركي في تطوير أدوات الذكاء الاصطناعي التي تتناسب ثقافيًا وتكون مقبولة اجتماعيًا. تدعو المراجعة إلى شراكات استراتيجية بين البلدان ذات الدخل المرتفع والبلدان ذات الدخل المنخفض لتعزيز الحلول مفتوحة المصدر وبناء القدرات المحلية. كما تبرز الحاجة إلى مشاركة المجتمع المدني لتعزيز الشفافية والتخفيف من التحيزات في نشر الذكاء الاصطناعي. توضح أمثلة الحالة، مثل إدارة تفشي الأمراض المتوقعة للحمى الضنك في البرازيل، التطبيق العملي لهذه المبادئ، مما يظهر فعالية نماذج التعلم الآلي المصممة لتناسب السياقات المحلية. بشكل عام، تدعو الدراسة إلى أطر تنظيمية قوية واستثمار مستدام لاستغلال إمكانات الذكاء الاصطناعي مع معالجة التحديات الفريدة التي تواجهها LMICs.
القيود
تسلط القيود في هذه المراجعة النطاقية الضوء على عدة عوامل حاسمة تؤثر على شمولية وملاءمة نتائجها. أولاً، الطبيعة غير الشاملة للمراجعة، التي تعتمد على تحديد الأدبيات بشكل مقصود بدلاً من البحث المنهجي، قد أدت إلى إغفال دراسات ووثائق سياسة ذات صلة. بالإضافة إلى ذلك، من المحتمل أن يمثل التركيز على المنشورات باللغة الإنجليزية تمثيلًا ناقصًا للأدلة المنتجة محليًا من البلدان ذات الدخل المنخفض والمتوسط (LMICs) التي تُنشر بلغات أخرى.
علاوة على ذلك، تستخدم المراجعة بشكل أساسي الأدبيات الثانوية وتحليلات السياسات دون تطبيق أدوات تقييم جودة أو مخاطر التحيز الرسمية؛ بدلاً من ذلك، تقيم مصداقية المصادر بناءً على معايير مفاهيمية مثل حالة المراجعة من قبل الأقران وسلطة المؤسسة. أخيرًا، تعكس البيانات الكمية المستمدة من الدراسات المدرجة سياقات ومنهجيات متنوعة، مما يتطلب تفسيرًا حذرًا كاتجاهات دالة بدلاً من تقديرات قابلة للتطبيق عالميًا. على الرغم من هذه القيود، تقدم المراجعة النطاقية رؤى قيمة حول التحديات الأخلاقية والتنظيمية والتنفيذية التي تؤثر على نشر الذكاء الاصطناعي بشكل عادل داخل أنظمة الصحة في LMICs.
DOI: https://doi.org/10.3389/fdgth.2026.1763884
PMID: https://pubmed.ncbi.nlm.nih.gov/42051332
Publication Date: 2026-04-13
Author(s): Areeba Shahid et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
The research paper section provides a comprehensive overview of the challenges and strategies associated with the adoption of artificial intelligence (AI) in healthcare within low- and middle-income countries (LMICs). It highlights the potential of AI to transform healthcare delivery but emphasizes the ethical, regulatory, and implementation barriers that accompany its rapid integration. The study employs a systematic mapping approach, adhering to PRISMA-ScR guidelines, to analyze 60 sources that address governance, privacy, and AI applications in LMICs, revealing that only 7.4% of these countries have established national AI strategies. Notably, over 60% of AI models in LMICs utilize nonrepresentative datasets, which exacerbates contextual bias.
The findings underscore significant gaps in workforce readiness, with less than 10% of institutions providing structured AI training. Case studies from Brazil and India demonstrate effective strategies for overcoming these barriers through context-sensitive design. The conclusion stresses the necessity for participatory governance and capacity building to facilitate successful AI integration. It advocates for the operationalization of the four Principles of Inclusive AI, particularly emphasizing the importance of context sensitivity, to foster inclusive health systems and shift from reliance on external digital solutions to the development of local innovation ecosystems.
Introduction
The introduction of the research paper discusses the transformative role of Artificial Intelligence (AI) in various sectors, particularly in healthcare. AI technologies enable machines to simulate human intelligence, leading to significant changes in medical care delivery and management. In developing countries, characterized by a Gross National Income (GNI) per capita below $11,905, healthcare disparities between urban and rural areas are pronounced, primarily due to a shortage of qualified healthcare providers and limited access to resources. The paper highlights that AI applications, particularly in computer-assisted medical techniques, have the potential to improve healthcare outcomes in these underserved rural regions.
Moreover, the introduction raises critical ethical and regulatory questions regarding AI-driven health interventions, emphasizing the need for careful consideration of traditional ethical frameworks in the context of AI. While AI holds promise for enhancing health and achieving sustainable development goals, it also poses risks such as misuse, privacy violations, and potential biases in decision-making. The authors advocate for a scoping review approach to synthesize diverse perspectives on these challenges, aiming to address the interdisciplinary nature of ethical, regulatory, and implementation issues related to AI in healthcare, especially in low and middle-income countries (LMICs).
Methods
The methodology section outlines the systematic approach employed in the research to achieve the study’s objectives. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to interpret the results. The study utilized a quantitative approach, employing statistical tools to analyze the data gathered from various sources.
Key findings were derived through rigorous testing and validation of hypotheses, ensuring the reliability and validity of the results. The methodology also highlights any limitations encountered during the research process, providing a transparent account of the procedures followed and the rationale behind the chosen methods. Overall, the section emphasizes the robustness of the methodology in addressing the research questions posed.
Results
The results section synthesizes findings from 60 sources categorized into three domains: governance, privacy, and AI applications, based on the WHO and OECD digital health governance frameworks. Among these, 25 studies focused on ethics and governance, 17 on regulatory frameworks, and 18 on implementation and AI applications. This organization aligns with global standards for digital health oversight, highlighting the interconnectedness of these domains.
The thematic clusters identified—Ethical (3.1), Regulatory (3.2), and Implementation (3.3)—illustrate a cycle of digital dependency in low- and middle-income countries (LMICs). To address the barriers identified, the authors propose four Principles of Inclusive AI, which are directly informed by the findings. For example, the principle of “Context Sensitivity” (4.2.1) is a response to the issues of “Algorithmic Bias” (3.1.1) and “Contextual Bias” (3.2.1) noted in the literature. Additionally, “Open Source and Frugal Innovation” (4.2.3) is suggested as a strategic approach to mitigate “Infrastructure Deficits” (3.3.1), as evidenced by studies such as Bellamo’s in Zambia.
Discussion
The discussion section of this scoping review highlights the ethical, regulatory, and implementation challenges associated with AI in healthcare systems within low- and middle-income countries (LMICs). The study utilized a systematic approach to identify gaps in governance and privacy, guided by the PCC framework, and synthesized findings from 60 studies published primarily between 2018 and 2024. Key insights reveal that while AI holds transformative potential for enhancing healthcare delivery in resource-constrained settings, significant barriers remain, including algorithmic bias, difficulties in obtaining informed consent, and a lack of clear accountability frameworks. The review underscores the necessity for context-sensitive AI solutions that are tailored to local demographics and healthcare needs, as well as the importance of multidisciplinary collaboration among stakeholders to ensure effective implementation.
Furthermore, the findings emphasize the critical role of local innovation ecosystems and participatory design in developing AI tools that are culturally appropriate and socially acceptable. The review advocates for strategic partnerships between high-income and low-income countries to foster open-source solutions and build local capacity. It also highlights the need for civil society engagement to promote transparency and mitigate biases in AI deployment. Case examples, such as predictive outbreak management for dengue in Brazil, illustrate the practical application of these principles, demonstrating the effectiveness of machine learning models tailored to local contexts. Overall, the study calls for robust regulatory frameworks and sustainable investment to harness AI’s potential while addressing the unique challenges faced by LMICs.
Limitations
The limitations of this scoping review highlight several critical factors affecting the comprehensiveness and applicability of its findings. Firstly, the review’s non-exhaustive nature, relying on purposive identification of literature rather than systematic searching, may have led to the omission of relevant studies and policy documents. Additionally, the focus on English-language publications likely underrepresents locally produced evidence from low- and middle-income countries (LMICs) that are published in other languages.
Moreover, the review primarily utilizes secondary literature and policy analyses without applying formal risk-of-bias or quality appraisal tools; instead, it assesses source credibility based on conceptual criteria such as peer-review status and institutional authority. Lastly, the quantitative data derived from the included studies reflect diverse contexts and methodologies, necessitating cautious interpretation as indicative trends rather than universally applicable estimates. Despite these limitations, the scoping review offers valuable insights into the ethical, regulatory, and implementation challenges that influence equitable AI deployment within LMIC health systems.