DOI: https://doi.org/10.3389/fvets.2026.1761038
PMID: https://pubmed.ncbi.nlm.nih.gov/41868387
تاريخ النشر: 2026-03-05
المؤلف: David Brundage
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تبحث الورقة البحثية بشكل منهجي في السوق التجارية لمنتجات الذكاء الاصطناعي (AI) السريرية في الطب البيطري، مع التركيز على الشفافية في الوثائق العامة الخاصة بها. حدد تدقيق مقطعي 71 منتجًا من الذكاء الاصطناعي في أمريكا الشمالية، مصنفة إلى أدوات توليدية وبيئية (عدد = 47)، وأدوات التصوير التشخيصي (عدد = 19)، وأدوات متخصصة (عدد = 5). كشفت النتائج عن متوسط درجة شفافية مقلق يبلغ 6.4% فقط، حيث لم يكشف 63.3% من البائعين عن أي مقاييس ذات صلة. أظهرت أدوات التصوير التشخيصي درجة شفافية مرجحة بالمخاطر أعلى (13.1%) مقارنة بالأدوات التوليدية والبيئية (1.8%). علاوة على ذلك، قدم 36.8% فقط من بائعي التصوير أدلة على التحقق، بينما فعل ذلك 2.1% فقط من البائعين التوليديين، مما يبرز “فجوة الشفافية” الكبيرة بين القدرات المعلنة والأدلة المتاحة.
لمعالجة الغموض في سوق الذكاء الاصطناعي البيطري، يقترح المؤلفون عدة تدابير، بما في ذلك تطوير إطار عمل موحد لـ “بطاقة النموذج” مصممة للتطبيقات البيطرية، مشابهة لملصق غذائي للذكاء الاصطناعي. سيتطلب هذا الإطار من البائعين الكشف عن معلومات أساسية مثل ديموغرافيات بيانات التدريب ومقاييس الأداء. بالإضافة إلى ذلك، يُوصى بإنشاء هيئة اعتماد مستقلة، “VetAI-Trust”، لضمان مسؤولية البائعين والتحقق من ادعاءات السلامة والفعالية. يؤكد المؤلفون على الحاجة إلى تعزيز التعليم البيطري لزيادة معرفة الذكاء الاصطناعي بين الممارسين، مما يمكنهم من تقييم أدوات الذكاء الاصطناعي بشكل نقدي. أخيرًا، يدعون إلى تطوير نماذج مشروطة بالعلامات التي تأخذ في الاعتبار التنوع الفسيولوجي في المرضى البيطريين، مما يمهد الطريق نحو نهج أكثر استنادًا إلى الأدلة في الطب الحسابي.
مقدمة
تناقش مقدمة الورقة البحثية الدور التحويلي للذكاء الاصطناعي (AI) في الطب البيطري، مع تسليط الضوء على إمكانيته في إحداث ثورة في أدوات الدعم التشخيصي والسريري. مع انتشار تقنيات الذكاء الاصطناعي، تقدم فرصًا كبيرة لتعزيز رعاية الحيوانات بينما تقدم أيضًا تحديات تتطلب تقييمًا دقيقًا لتنفيذها وفعاليتها في الإعدادات السريرية. تؤكد الورقة على أهمية إنشاء أطر مناسبة لتنظيم استخدام هذه التقنيات.
تشمل التطبيقات الرئيسية للذكاء الاصطناعي في الممارسة البيطرية التقدم في التصوير التشخيصي، لا سيما من خلال علم الأشعة البيطرية، حيث تقوم خوارزميات الذكاء الاصطناعي بتحليل الأشعة السينية، والتصوير المقطعي المحوسب (CT)، والتصوير بالرنين المغناطيسي (MRI) لتحسين اكتشاف الأمراض وأتمتة القياسات. بالإضافة إلى ذلك، يُستخدم الذكاء الاصطناعي بشكل متزايد في أنظمة الدعم السريري والتشخيصي للمساعدة في التشخيص، ومراقبة الأمراض، وعلم الأوبئة من خلال تحليل مجموعات بيانات كبيرة لتحديد الأنماط والتنبؤ بتفشي الأمراض. الهدف الشامل من دمج هذه الأدوات الذكية هو تحسين نتائج المرضى من خلال تحسين الكفاءة السريرية ودقة التشخيص، مما يرفع مستوى الرعاية ويعزز صحة ورفاهية الحيوانات.
الطرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك مصادرها وطرق تحضيرها، بالإضافة إلى البروتوكولات لجمع البيانات وتحليلها. يبرز القسم أهمية القابلية للتكرار والصرامة في المنهجية، مما يضمن إمكانية تكرار التجارب من قبل باحثين آخرين.
بالإضافة إلى ذلك، يتم وصف الطرق بطريقة خطوة بخطوة، مع تسليط الضوء على أي تحليلات إحصائية تم إجراؤها لتفسير النتائج. يشمل ذلك استخدام برامج أو أدوات محددة لتحليل البيانات، بالإضافة إلى المعايير لاختيار العينات أو المشاركين. بشكل عام، يخدم هذا القسم لتوفير نظرة شاملة على الإطار المنهجي الذي يدعم نتائج البحث.
النتائج
أسفرت استراتيجية البحث المنهجي عن 1,353 سجلًا أوليًا، تم تقييم 183 منها للملاءمة بعد إزالة التكرارات والمنتجات غير الرقمية. في النهاية، تم استبعاد 112 سجلًا لعدم استيفاء معايير الإدراج، ويرجع ذلك أساسًا إلى غياب ادعاءات الذكاء الاصطناعي (AI) أو التعلم الآلي (ML) الصريحة أو وظائفها غير السريرية. تم تصنيف 71 أداة ذكاء اصطناعي متاحة تجاريًا إلى ثلاثة مجالات وظيفية: ذكاء التصوير التشخيصي، الذي يتضمن خوارزميات قائمة على البكسل لتحليل الصور الإشعاعية؛ ذكاء توليدي وبيئي، يشمل أدوات معالجة اللغة الطبيعية والنماذج اللغوية الكبيرة لمعالجة النصوص؛ وذكاء متخصص، الذي يستهدف سير العمل التشخيصي المتخصص في الطب الدقيق وعلم الأورام.
كشفت التحليلات أن السوق يتكون في الغالب من أدوات ذكاء توليدية وبيئية (66.2%، عدد = 47)، تليها أدوات ذكاء التصوير التشخيصي (26.8%، عدد = 19) والتطبيقات المتخصصة (7.0%، عدد = 5). ومع ذلك، كانت الشفافية العامة لهذه الأدوات منخفضة بشكل ملحوظ، حيث بلغ متوسط درجة الشفافية غير المرجحة 6.4% فقط (النطاق: 0.0%-55.6%). بشكل مقلق، لم يكشف 63.3% (عدد = 45) من البائعين عن أي مقاييس تتعلق بتطوير النموذج أو التحقق أو السلامة، مما يشير إلى نقص كبير في المعلومات المتاحة للجمهور حول هذه المنتجات.
المناقشة
تسلط المناقشة الضوء على تفاوت تنظيمي كبير بين الطب البشري والطب البيطري فيما يتعلق بالإشراف على تقنيات الذكاء الاصطناعي (AI). بينما تستفيد الرعاية الصحية البشرية من الأطر المعمول بها التي تضمن سلامة وفعالية أدوات الذكاء الاصطناعي، يعمل القطاع البيطري في فراغ تنظيمي، حيث يفتقر إلى متطلبات الموافقة الفيدرالية قبل السوق لتطبيقات الذكاء الاصطناعي المصنفة كبرامج طبية (SaMD). يضع هذا الغياب من التحقق الإلزامي الأطباء البيطريين في موقف غير مستقر، حيث يُحاسبون على استخدام أدوات الذكاء الاصطناعي التي غالبًا ما تفتقر إلى بيانات الأداء المستقلة، مما يؤدي إلى احتمال إلحاق الأذى بالمرضى وتقويض الثقة السريرية.
تحدد الدراسة “فجوة الشفافية” الحرجة في سوق الذكاء الاصطناعي البيطري، حيث لا يتم دعم القدرات المتقدمة التي وعد بها البائعون من خلال الوثائق المتاحة للجمهور. يكشف التدقيق المنهجي أن 6.4% فقط من البائعين كشفوا عن أي مقاييس للشرعية أو السلامة، مع فشل أكثر من 60% في تقديم معلومات أساسية. يجبر هذا الغموض الأطباء البيطريين على الاعتماد على الآراء التجريبية بدلاً من التقييمات المستندة إلى الأدلة، مما يزيد من خطر تحيز الأتمتة. تؤكد النتائج على الحاجة الملحة إلى شفافية موحدة في مشهد الذكاء الاصطناعي البيطري لتمكين الممارسين من الحصول على المعلومات اللازمة لاتخاذ قرارات مستنيرة ولتوافق السوق مع معايير السلامة السريرية المعمول بها.
القيود
تنشأ قيود هذه الدراسة بشكل أساسي من اعتمادها على الوثائق المتاحة للجمهور، والتي قد لا تشمل النطاق الكامل لبيانات التحقق الداخلية التي تحتفظ بها البائعون بموجب اتفاقيات عدم الإفشاء. يمكن أن تعيق هذه الافتقار إلى الشفافية التدقيق الأكاديمي المستقل وإقامة معايير الرعاية في مجال التعلم الآلي. بالإضافة إلى ذلك، تشمل القيود المنهجية للدراسة استخدام مقيم واحد للتدقيق الأساسي، والذي، على الرغم من إظهار موثوقية عالية بين المقيمين (κ > 0.90) من خلال إعادة تدقيق عمياء لـ 20% من العينة، يفتقر إلى مراجع مستقل ثانٍ لتقييم موثوقية بين المقيمين. ستستفيد الأبحاث المستقبلية من تصميم متعدد المقيمين لتعزيز قوة النتائج.
علاوة على ذلك، فإن الطبيعة المتقلبة لسوق الذكاء الاصطناعي تمثل قيدًا كبيرًا، حيث يعكس التدقيق لقطة مقطعية للسوق اعتبارًا من نوفمبر 2025. بينما تم استخدام نافذة بحث ضيقة لمدة 7 أيام للتحكم في التباين، فإنها تبرز الطبيعة الديناميكية للوثائق والمنتجات، التي قد تكون قد تغيرت بعد التدقيق. أخيرًا، على الرغم من أن أداة الشفافية في الذكاء الاصطناعي البيطري (VATI) كانت متوافقة مع الأطر المعمول بها في الرعاية الصحية البشرية، إلا أنها لم تخضع للتحقق الرسمي من المحتوى من قبل لجنة خبراء مستقلة، مما يشير إلى أن الدراسات اللاحقة يجب أن تعطي الأولوية لهذا التحقق لضمان قابلية تطبيق أوسع.
DOI: https://doi.org/10.3389/fvets.2026.1761038
PMID: https://pubmed.ncbi.nlm.nih.gov/41868387
Publication Date: 2026-03-05
Author(s): David Brundage
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
The research paper systematically investigates the commercial market for clinical artificial intelligence (AI) products in veterinary medicine, focusing on transparency in their public documentation. A cross-sectional audit identified 71 AI products in North America, categorized into Generative and Ambient (n = 47), Diagnostic Imaging (n = 19), and Specialized tools (n = 5). The findings revealed a concerning mean transparency score of only 6.4%, with 63.3% of vendors not disclosing any relevant metrics. Diagnostic Imaging tools demonstrated a higher mean risk-weighted transparency score (13.1%) compared to Generative and Ambient tools (1.8%). Furthermore, only 36.8% of imaging vendors provided validation evidence, while a mere 2.1% of generative vendors did so, highlighting a significant “Transparency Gap” between marketed capabilities and available evidence.
To address the opacity in the veterinary AI market, the authors propose several measures, including the development of a standardized “Model Card” framework tailored for veterinary applications, akin to a nutritional label for AI. This framework would require vendors to disclose essential information such as training data demographics and performance metrics. Additionally, the establishment of an independent accreditation body, “VetAI-Trust,” is recommended to ensure vendor accountability and validate claims of safety and efficacy. The authors emphasize the need for veterinary education to enhance AI literacy among practitioners, enabling them to critically assess AI tools. Finally, they advocate for the development of signalment-conditioned models that account for the physiological diversity in veterinary patients, moving towards a more evidence-based approach in computational medicine.
Introduction
The introduction of the research paper discusses the transformative role of artificial intelligence (AI) in veterinary medicine, highlighting its potential to revolutionize diagnostic and clinical support tools. As AI technologies proliferate, they offer significant opportunities to enhance animal care while also presenting challenges that necessitate careful evaluation of their implementation and efficacy within clinical settings. The paper emphasizes the importance of establishing appropriate frameworks to govern the use of these technologies.
Key applications of AI in veterinary practice include advancements in diagnostic imaging, particularly through veterinary radiomics, where AI algorithms analyze radiographs, computed tomography (CT), and magnetic resonance imaging (MRI) to improve disease detection and automate measurements. Additionally, AI is increasingly utilized in clinical and diagnostic support systems to aid in diagnosis, disease surveillance, and epidemiology by analyzing large datasets to identify patterns and predict disease outbreaks. The overarching goal of integrating these AI tools is to enhance patient outcomes by improving clinical efficiency and diagnostic accuracy, thereby elevating the standard of care and advancing animal health and welfare.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and preparation methods, as well as the protocols for data collection and analysis. The section emphasizes the importance of reproducibility and rigor in the methodology, ensuring that the experiments can be replicated by other researchers.
Additionally, the methods are described in a step-by-step manner, highlighting any statistical analyses performed to interpret the results. This includes the use of specific software or tools for data analysis, as well as the criteria for selecting samples or participants. Overall, this section serves to provide a comprehensive overview of the methodological framework that underpins the research findings.
Results
The systematic search strategy yielded 1,353 initial records, from which 183 were assessed for eligibility after removing duplicates and non-digital products. Ultimately, 112 records were excluded for not meeting inclusion criteria, primarily due to the absence of explicit artificial intelligence (AI) or machine learning (ML) claims or their non-clinical functionality. The remaining 71 commercially available AI tools were categorized into three functional domains: Diagnostic Imaging AI, which includes pixel-based algorithms for analyzing radiological images; Generative and Ambient AI, encompassing natural language processing tools and large language models for text processing; and Specialized AI, which targets niche diagnostic workflows in precision medicine and oncology.
The analysis revealed that the market was predominantly composed of Generative and Ambient AI tools (66.2%, n = 47), followed by Diagnostic Imaging AI (26.8%, n = 19) and Specialized applications (7.0%, n = 5). However, the overall transparency of these tools was notably low, with a mean unweighted transparency score of only 6.4% (range: 0.0%-55.6%). Alarmingly, 63.3% (n = 45) of vendors did not disclose any metrics related to model development, validation, or safety, indicating a significant lack of publicly available information for consumers regarding these products.
Discussion
The discussion highlights a significant regulatory disparity between human and veterinary medicine regarding the oversight of artificial intelligence (AI) technologies. While human healthcare benefits from established frameworks ensuring the safety and efficacy of AI tools, the veterinary sector operates in a regulatory vacuum, lacking federal pre-market approval requirements for AI applications classified as Software as a Medical Device (SaMD). This absence of mandatory validation places veterinarians in a precarious position, as they are held accountable for using AI tools that often lack independent performance data, leading to potential patient harm and undermining clinical trust.
The study identifies a critical “Transparency Gap” in the veterinary AI market, where the advanced capabilities promised by vendors are not substantiated by publicly available documentation. The systematic audit reveals that a mere 6.4% of vendors disclosed any validity or safety metrics, with over 60% failing to provide essential information. This opacity forces veterinarians to rely on experiential opinions rather than evidence-based assessments, increasing the risk of automation bias. The findings underscore the urgent need for standardized transparency in the veterinary AI landscape to empower practitioners with the necessary information for informed decision-making and to align the market with established clinical safety standards.
Limitations
The limitations of this study primarily stem from its reliance on publicly available documentation, which may not encompass the full scope of internal validation data maintained by vendors under non-disclosure agreements. This lack of transparency can hinder independent academic scrutiny and the establishment of care standards in the field of machine learning. Additionally, the study’s methodological constraints include the use of a single rater for the primary audit, which, despite demonstrating high intra-rater reliability (κ > 0.90) through a blinded re-audit of 20% of the sample, lacks a second independent reviewer to assess inter-rater reliability. Future research would benefit from a multi-rater design to enhance the robustness of the findings.
Moreover, the volatile nature of the AI market presents a significant limitation, as the audit reflects a cross-sectional snapshot of the market as of November 2025. While a narrow 7-day search window was employed to control for variability, it underscores the dynamic nature of the documentation and products, which may have changed post-audit. Lastly, although the Veterinary AI Transparency Instrument (VATI) was aligned with established human healthcare frameworks, it has not undergone formal content validation by an independent expert panel, suggesting that subsequent studies should prioritize this validation to ensure broader applicability.