DOI: https://doi.org/10.3389/fdgth.2025.1678047
PMID: https://pubmed.ncbi.nlm.nih.gov/41623885
تاريخ النشر: 2026-01-16
المؤلف: Bing Bai وآخرون
الموضوع الرئيسي: تقييم وإدارة قرحة القدم السكري
نظرة عامة
تناقش هذه الفقرة الوباء المتزايد لمرض السكري من النوع 2 (T2DM) والفجوات الصحية المرتبطة التي تواجهها الفئات ذات التأمين المحدود، بما في ذلك العوائق الاجتماعية والاقتصادية والوصول المحدود إلى الرعاية. تسلط الضوء على الإمكانات التحويلية للذكاء الاصطناعي (AI) في معالجة هذه الفجوات من خلال تحسين الكشف المبكر وتوقع المخاطر. من خلال استخدام نماذج التعلم الآلي الديناميكية التي تتضمن بيانات متعددة الأنماط – مثل السجلات الصحية الإلكترونية، والوراثة، والبيانات السلوكية – يمكن للذكاء الاصطناعي تحديد الأفراد ذوي المخاطر العالية بدقة أكبر. بالإضافة إلى ذلك، تعمل أنظمة الذكاء الاصطناعي على ثورة مراقبة المضاعفات، مما يمكّن التدخلات في الوقت المناسب لحالات مثل اعتلال الشبكية السكري وتدهور وظيفة الكلى.
تؤكد الخاتمة على دور الذكاء الاصطناعي في تحسين رعاية مرض السكري من خلال تخصيص العلاج، وتعزيز دقة التشخيص، وتسهيل المراقبة في الوقت الحقيقي من خلال التكنولوجيا القابلة للارتداء ومنصات الرعاية الصحية عن بُعد. ومع ذلك، تعترف أيضًا بالتحديات المتعلقة بالتحيز الخوارزمي، وخصوصية البيانات، والفجوة الرقمية التي قد تفاقم الفجوات الموجودة. للاستفادة من الإمكانات الكاملة للذكاء الاصطناعي، فإن التعاون بين مقدمي الرعاية الصحية، والتقنيين، وصانعي السياسات أمر ضروري. يجب أن يركز هذا التعاون على تطوير أطر تنظيمية أخلاقية، وتوحيد تطبيقات الذكاء الاصطناعي، وضمان الوصول العادل إلى التدخلات المدفوعة بالذكاء الاصطناعي، بهدف تحسين نتائج المرضى وتقليل تكاليف الرعاية الصحية على مستوى العالم.
مقدمة
تتناول مقدمة هذه الورقة البحثية العبء الاجتماعي المتعدد الأبعاد لمرض السكري من النوع 2 (T2DM)، مع تسليط الضوء على تأثيره غير المتناسب على الأفراد غير المؤمن عليهم، والأقليات العرقية والإثنية، والفئات المحرومة اجتماعيًا واقتصاديًا. تفاقم المضاعفات المرتبطة بـ T2DM، مثل الأمراض القلبية الوعائية، وفشل الكلى، وتدهور الوظائف الإدراكية، الضغوط على نظام الرعاية الصحية والأعباء الاقتصادية على مستوى العالم. يؤكد المؤلفون أن المحددات الاجتماعية للصحة – مثل بيئة الطفولة، والتعليم، والوصول إلى الرعاية الصحية – تؤثر بشكل كبير على إدارة مرض السكري ونتائجه، وغالبًا ما تعزز الفجوات الصحية الموجودة.
تحدد الورقة منهجية مراجعة سردية منظمة، تفصل بحثًا شاملًا في الأدبيات عبر قواعد بيانات متعددة لتحديد الدراسات التي تركز على تطبيقات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في رعاية مرض السكري. تهدف المراجعة إلى استكشاف إمكانات الذكاء الاصطناعي لتعزيز إدارة مرض السكري من خلال تقنيات مثل مراقبة الجلوكوز المستمرة (CGM) وأنظمة توصيل الأنسولين الآلي (AID)، التي أظهرت وعدًا في تحسين التحكم في نسبة السكر في الدم ومشاركة المرضى. ومع ذلك، يحذر المؤلفون من أن دمج الذكاء الاصطناعي في رعاية مرض السكري يجب أن يتناول الاعتبارات الأخلاقية، بما في ذلك خصوصية البيانات والتحيز الخوارزمي، لضمان الوصول العادل للفئات المحرومة. في النهاية، تدعو الورقة إلى نهج تعاوني بين أصحاب المصلحة للاستفادة من قدرات الذكاء الاصطناعي مع إعطاء الأولوية للعدالة الصحية ورعاية المرضى في إدارة مرض السكري.
مناقشة
تسلط فقرة المناقشة في الورقة البحثية الضوء على الإمكانات التحويلية لدمج التعلم الفيدرالي (FL) والذكاء الاصطناعي متعدد الأنماط (AI) في رعاية مرض السكري، مع معالجة التحديات الحرجة مثل خصوصية البيانات، والتشغيل البيني، والتدخلات الشخصية. تكافح نماذج الذكاء الاصطناعي المركزية التقليدية مع بيانات الرعاية الصحية المجزأة واللوائح المتعلقة بالخصوصية، مما يحد من فعاليتها في مجموعات المرضى المتنوعة. بالمقابل، يسمح الذكاء الاصطناعي متعدد الأنماط الفيدرالي بتدريب النماذج بشكل لامركزي عبر مجموعات بيانات مختلفة مع الحفاظ على سرية المرضى، مما يعزز دقة التنبؤ بمضاعفات مرض السكري وتحسين التحكم في نسبة السكر في الدم. أظهرت تقنيات مثل SecureBoost وvertical-FL وعدًا في دمج الميزات السريرية من مؤسسات مختلفة، مما يحسن من قابلية تعميم النماذج ويقلل من التحيزات الموجودة في مجموعات البيانات الخاصة بمركز واحد.
تؤكد الورقة أيضًا على التحول من أدوات تقييم المخاطر التقليدية، مثل درجة خطر السكري الفنلندية (FINDRISC)، إلى نماذج معززة بالتعلم الآلي (ML) تستخدم مصادر بيانات متعددة الأنماط واسعة النطاق. تظهر هذه النماذج ML، بما في ذلك تقنيات التجميع مثل CatBoost، قدرات تنبؤية متفوقة من خلال التقاط التفاعلات المعقدة وغير الخطية بين المتغيرات، مما يحسن من تصنيف المخاطر والفحص المبكر لمرض السكري ومضاعفاته. يتيح دمج أنواع بيانات متنوعة – تتراوح من المعلومات الوراثية إلى مخرجات الأجهزة القابلة للارتداء – توقعات مخاطر أكثر دقة وشخصية، مما يعالج قيود الطرق التقليدية. بالإضافة إلى ذلك، يعزز استخدام تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) من قابلية تفسير هذه النماذج، مما يعزز ثقة الأطباء ويسهل دمج الرؤى المدفوعة بالذكاء الاصطناعي في الممارسة السريرية، مما يعزز في النهاية رعاية مرض السكري بشكل عادل عبر مجموعات سكانية متنوعة.
القيود
تسلط الفقرة المتعلقة بالقيود الضوء على التحديات المرتبطة بدمج نماذج الذكاء الاصطناعي والأساليب الإحصائية التقليدية في رعاية مرض السكري الدقيقة والعادلة. بينما تظهر تقنيات الذكاء الاصطناعي، مثل التعلم العميق (DL) والتعلم الآلي (ML)، فعالية عالية في مهام مثل فحص اعتلال الشبكية السكري (DR) – حيث تحقق حساسية وخصوصية تتجاوز 85% – فإنها تعتمد بشكل كبير على مجموعات بيانات كبيرة وعالية الجودة، مما يثير مخاوف بشأن توحيد البيانات، والخصوصية، والوصول العادل. في البيئات ذات الموارد المحدودة، يمكن أن تؤدي الفجوات في جودة توضيح البيانات والمتطلبات الحاسوبية للشبكات العصبية التلافيفية (CNNs) إلى تفاقم عدم المساواة. من ناحية أخرى، تقدم الأساليب الإحصائية التقليدية، مثل الانحدار اللوجستي وLASSO، قابلية التفسير والشفافية الضرورية لبناء الثقة السريرية ولكنها غالبًا ما تكافح مع التفاعلات المعقدة وغير الخطية التي تميز مضاعفات مرض السكري مثل اعتلال الكلى السكري (DN) وأمراض القلب والأوعية الدموية (CVD).
لمعالجة هذه القيود، تهدف الأساليب الهجينة التي تستخدم أطر الذكاء الاصطناعي القابل للتفسير (XAI)، مثل XAI4Diabetes، إلى دمج القدرات التنبؤية للخوارزميات مثل XGBoost مع مسارات اتخاذ القرار القابلة للتفسير، مما يسمح للأطباء بالتحقق من مخرجات النموذج وتقليل التحيزات. ومع ذلك، قد تعزز نماذج الذكاء الاصطناعي المدربة على مجموعات بيانات متنوعة الفجوات بشكل غير مقصود إذا لم يتم معايرتها لتنوع السكان. تقدم الابتكارات مثل التعلم الفيدرالي وتوليد البيانات الاصطناعية حلولًا محتملة من خلال تسهيل تدريب النماذج التعاونية مع الحفاظ على الخصوصية وتعزيز قابلية التعميم. تتطلب الضرورة الأخلاقية للرعاية العادلة التحقق الدقيق من أدوات الذكاء الاصطناعي عبر مجموعات سكانية متنوعة، كما يتضح من الدراسات التي تظهر أداءً غير متسق لخوارزميات فحص DR. يجب أن تعطي الأبحاث المستقبلية الأولوية لتوحيد الشفافية الخوارزمية مع الفائدة السريرية، ودمج البيانات متعددة الأنماط، والتغلب على تحديات التنفيذ في البيئات ذات الموارد المنخفضة لضمان أن تكون التقدمات في رعاية مرض السكري متاحة لجميع الفئات الاجتماعية والاقتصادية والجغرافية.
DOI: https://doi.org/10.3389/fdgth.2025.1678047
PMID: https://pubmed.ncbi.nlm.nih.gov/41623885
Publication Date: 2026-01-16
Author(s): Bing Bai et al.
Primary Topic: Diabetic Foot Ulcer Assessment and Management
Overview
The section discusses the growing epidemic of Type 2 diabetes mellitus (T2DM) and the associated health disparities faced by under-insured populations, including socioeconomic disadvantages and limited access to care. It highlights the transformative potential of artificial intelligence (AI) in addressing these inequities through enhanced early detection and risk prediction. By utilizing dynamic machine-learning models that incorporate multimodal data—such as electronic health records, genomics, and behavioral data—AI can identify high-risk individuals more accurately. Additionally, AI systems are revolutionizing complication surveillance, enabling timely interventions for conditions like diabetic retinopathy and renal function decline.
The conclusion emphasizes AI’s role in improving diabetes care by personalizing treatment, enhancing diagnostic accuracy, and facilitating real-time monitoring through wearable technology and telehealth platforms. However, it also acknowledges the challenges of algorithmic bias, data privacy, and the digital divide that could exacerbate existing disparities. To harness AI’s full potential, interdisciplinary collaboration among healthcare providers, technologists, and policymakers is essential. This collaboration should focus on developing ethical regulatory frameworks, standardizing AI applications, and ensuring equitable access to AI-driven interventions, ultimately aiming to improve patient outcomes and reduce healthcare costs globally.
Introduction
The introduction of this research paper addresses the multifaceted social burden of Type 2 Diabetes Mellitus (T2DM), highlighting its disproportionate impact on underinsured individuals, racial and ethnic minorities, and socioeconomically disadvantaged groups. The complications associated with T2DM, such as cardiovascular diseases, renal failure, and cognitive decline, exacerbate healthcare system strains and economic burdens globally. The authors emphasize that social determinants of health—like childhood environment, education, and access to healthcare—significantly influence diabetes management and outcomes, often reinforcing existing health disparities.
The paper outlines a structured narrative review methodology, detailing a comprehensive literature search across multiple databases to identify studies focused on artificial intelligence (AI) and machine learning (ML) applications in diabetes care. The review aims to explore AI’s potential to enhance diabetes management through technologies such as continuous glucose monitoring (CGM) and automated insulin delivery (AID) systems, which have shown promise in improving glycemic control and patient engagement. However, the authors caution that the integration of AI into diabetes care must address ethical considerations, including data privacy and algorithmic bias, to ensure equitable access for underprivileged populations. Ultimately, the paper advocates for a collaborative approach among stakeholders to harness AI’s capabilities while prioritizing health equity and patient-centered care in diabetes management.
Discussion
The discussion section of the research paper highlights the transformative potential of integrating federated learning (FL) and multimodal artificial intelligence (AI) in diabetes care, addressing critical challenges such as data privacy, interoperability, and personalized interventions. Traditional centralized AI models struggle with fragmented healthcare data and privacy regulations, limiting their effectiveness in diverse patient populations. In contrast, federated multimodal AI allows for decentralized model training across various datasets while maintaining patient confidentiality, thus enhancing predictive accuracy for diabetes-related complications and optimizing glycemic control. Techniques such as SecureBoost and vertical-FL have shown promise in integrating clinical features from different institutions, improving model generalizability and reducing biases inherent in single-center datasets.
The paper further emphasizes the shift from traditional risk assessment tools, like the Finnish Diabetes Risk Score (FINDRISC), to machine learning (ML)-enhanced models that utilize extensive multimodal data sources. These ML models, including ensemble techniques like CatBoost, demonstrate superior predictive capabilities by capturing complex, nonlinear interactions among variables, thereby improving risk stratification and early screening for diabetes and its complications. The incorporation of diverse data types—ranging from genetic information to wearable device outputs—enables more accurate and personalized risk predictions, addressing the limitations of conventional methods. Additionally, the use of explainable AI (XAI) techniques enhances the interpretability of these models, fostering clinician trust and facilitating the integration of AI-driven insights into clinical practice, ultimately promoting equitable diabetes care across varied populations.
Limitations
The section on limitations highlights the challenges associated with integrating AI-based models and traditional statistical methods in precision-equitable diabetes care. While AI techniques, such as deep learning (DL) and machine learning (ML), demonstrate high effectiveness in tasks like diabetic retinopathy (DR) screening—achieving sensitivities and specificities above 85%—they depend heavily on large, high-quality datasets, which raises concerns regarding data standardization, privacy, and equitable access. In resource-limited settings, disparities in data annotation quality and the computational demands of convolutional neural networks (CNNs) can exacerbate inequalities. Conversely, traditional statistical methods, such as logistic regression and LASSO, offer interpretability and transparency crucial for clinical trust but often struggle with the complex, nonlinear interactions characteristic of diabetes complications like diabetic nephropathy (DN) and cardiovascular disease (CVD).
To address these limitations, hybrid approaches utilizing explainable AI (XAI) frameworks, such as XAI4Diabetes, aim to combine the predictive capabilities of algorithms like XGBoost with interpretable decision pathways, thereby allowing clinicians to validate model outputs and mitigate biases. However, AI models trained on diverse datasets may inadvertently reinforce disparities if not calibrated for demographic variability. Innovations such as federated learning and synthetic data generation present potential solutions by facilitating collaborative model training while preserving privacy and enhancing generalizability. The ethical imperative for equitable care necessitates thorough validation of AI tools across varied populations, as evidenced by studies showing inconsistent performance of DR screening algorithms. Future research should prioritize harmonizing algorithmic transparency with clinical utility, integrating multimodal data, and overcoming implementation challenges in low-resource environments to ensure that advancements in diabetes care are accessible to all socioeconomic and geographic groups.