DOI: https://doi.org/10.3389/fdgth.2026.1771729
PMID: https://pubmed.ncbi.nlm.nih.gov/42022504
تاريخ النشر: 2026-04-07
المؤلف: Andrew Steele وآخرون
الموضوع الرئيسي: الصحة النفسية ومشاركة المرضى
نظرة عامة
يتناول هذا القسم تطوير وتحقق من صحة باناليز، وهو نظام تعاون مدعوم بالذكاء الاصطناعي مصمم لتعزيز مشاركة المرضى والجمهور (PPIE) في أبحاث الرعاية الصحية. تواجه طرق PPIE التقليدية تحديات مثل صعوبات التوظيف ونقص التنوع، وهو ما تهدف باناليز إلى معالجته من خلال سير عمل من خمس خطوات. يشمل ذلك إنشاء شخصيات اصطناعية بناءً على بيانات التعداد، وتحليل مقترحات البحث، ومحاكاة مناقشات اللجان، وإنشاء مواد PPIE سهلة الوصول، وإنتاج درجة باناليز، وهي مقياس خوارزمي لتقييم مقترحات الرعاية الصحية وفقًا لمعايير المشاركة العامة في المملكة المتحدة. أظهر التحقق مع مقترح البحث القلبي الوعائي CAPRIE-2 قدرة باناليز على محاكاة الحوار النوعي وتحديد الحواجز الاجتماعية والاقتصادية، مما يعزز عملية البحث من خلال دمج وجهات نظر متنوعة.
تم الاعتراف بحدود النظام، خاصة فيما يتعلق بمخاطر الذكاء الاصطناعي التوليدي مثل الهلوسة والتحيز. ومع ذلك، يسمح الطابع النوعي لـ PPIE بنهج “الإنسان في الحلقة” للتحقق من صحة المخرجات الاصطناعية من حيث المعقولية. تشير المقارنات الأولية بين مخرجات لجان PPIE الاصطناعية والحقيقية إلى تقارب كبير في القضايا الرئيسية، مما يشير إلى أن النوعين من اللجان يمكن أن يكمل كل منهما الآخر. تم وضع باناليز كأداة تحضيرية لاختبار بروتوكولات البحث ضد وجهات نظر ديموغرافية متنوعة، مع الحاجة إلى دراسات مستقبلية لتقييم تأثيرها على نتائج البحث ولتنقيح درجة باناليز كأداة معيارية موثوقة. بشكل عام، تمثل باناليز تدخلاً تكنولوجيًا قابلاً للتوسع يهدف إلى تعزيز تصميم البحث الشامل وضمان توافق الابتكارات في الرعاية الصحية مع احتياجات السكان المستهدفين.
مقدمة
تسلط مقدمة هذه الورقة الضوء على الدور الحاسم لمشاركة المرضى والجمهور (PPIE) في أبحاث الرعاية الصحية، مع التأكيد على ضرورتها الأخلاقية والنقائص الشائعة في الممارسة. على الرغم من الاعتراف بأهمية PPIE، غالبًا ما تفتقر اللجان إلى التمثيل من المجموعات المهمشة، مما يؤدي إلى منظور منحرف يقوض فعالية الأبحاث الموجهة نحو السكان المتنوعين. بالإضافة إلى ذلك، فإن تعقيد المواد الأكاديمية المقدمة لهذه اللجان يخلق حواجز أمام المساهمين العاديين، مما يحد من قدرتهم على التأثير على النتائج.
لمعالجة هذه التحديات، يقدم المؤلفون باناليز™، وهو إطار ذكاء اصطناعي توليدي مصمم لتعزيز الاتصال بين تصميم أبحاث الرعاية الصحية وفهم الجمهور. على عكس تطبيقات نماذج اللغة الكبيرة التقليدية، تستخدم باناليز بنية متعددة الوكلاء منظمة لمحاكاة شخصيات متنوعة وتوليد مواد سهلة الوصول للمشاركة. يحدد الورقة سير عمل من خمس خطوات وتقدم درجة باناليز، وهي مقياس خوارزمي يعتمد على معايير المملكة المتحدة للمشاركة العامة، والتي تقيس جودة المشاركة. لا يسهل الإطار فقط إنتاج لجان PPIE، بل يهدف أيضًا إلى الاستفادة من الذكاء الاصطناعي من أجل الشمولية من خلال إنشاء وكلاء اصطناعيين يمثلون الديموغرافيات الممثلة تمثيلاً ناقصًا، مما يعزز العدالة في السياسة العامة وتدخلات الصحة الرقمية.
طرق
يحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وأي خصائص ذات صلة قد تؤثر على النتائج. يصف قسم الطرق البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي إعدادات تجريبية، وتقنيات القياس، والتحليلات الإحصائية المطبقة لتفسير البيانات.
بالإضافة إلى ذلك، قد يسلط القسم الضوء على أي ضوابط أو متغيرات تم أخذها بعين الاعتبار لضمان صحة وموثوقية النتائج. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على المنهجيات المستخدمة، مما يمكّن من إعادة الإنتاج والتقييم النقدي لنتائج البحث.
نتائج
في قسم النتائج، تم تقييم الكفاءة التشغيلية لإطار باناليز من خلال تطبيقه على مقترح CAPRIE-2 (البحث في الوقاية الأولية القلبية الوعائية)، وهو تجربة شاملة مدتها عشر سنوات تهدف إلى الوقاية الثانوية طويلة الأمد من مرض الشريان التاجي. أسفرت التقييمات عن مخرجات كمية ونوعية، والتي تم تلخيصها في القسم. تم تقديم النتائج التفصيلية، بما في ذلك مجموعة البيانات الكاملة التي تتضمن نصوصًا محاكاة ودرجات باناليز المقابلة، في المواد التكميلية. يبرز هذا التحقق الفائدة المحتملة للإطار في الأبحاث القلبية الوعائية على نطاق واسع.
مناقشة
تعمل منصة باناليز، المبنية على مجموعة React وNode.js، كأداة تطبيق ويب مصممة لمشاركة الجمهور والمرضى في البحث (PPIE). تستخدم إطار هندسة موجهة فريدة تسمح للباحثين بتجربة نماذج اللغة الكبيرة المتطورة المختلفة مع ضمان أن تكون المخرجات متجذرة في بروتوكولات البحث السريري. تشمل البنية مصنع خدمات الذكاء الاصطناعي الذي يدير اختيار النماذج ونشرها، مما يحسن استخدام نماذج مثل Claude 4.5 لتوليد السرد وGPT-5 لتقييم المقترحات. جانب حاسم من المنصة هو مرحلة مراجعة “الإنسان في الحلقة”، التي تضمن أن تمر الرؤى التي يولدها الذكاء الاصطناعي بإشراف الباحثين، مما يحافظ على الدقة والملاءمة.
تتعامل باناليز مع فجوات التمثيل في PPIE من خلال إنشاء شخصيات ولجان اصطناعية متنوعة برمجيًا، مما يسمح للباحثين بتكوين سمات تعكس السكان المستهدفين. تتضمن هذه العملية توليدًا قائمًا على مرحلتين يدمج بيانات التعداد لضمان الدقة الديموغرافية ويسمح بالتعديلات اليدوية من قبل الباحثين. كما تنتج المنصة مواد إنتاج مشتركة وتحسب درجة باناليز المركبة، التي تقيم المقترحات وفقًا لمعايير المملكة المتحدة للمشاركة العامة. لا يوفر هذا الإطار ذو المخرجات المزدوجة معيارًا كميًا فحسب، بل يبرز أيضًا نقاط الاحتكاك النوعية، مثل الحواجز الاجتماعية والاقتصادية التي قد تعيق التوظيف. بينما يتم الاعتراف بحدود الذكاء الاصطناعي التوليدي، تهدف المنصة إلى تعزيز المشاركة البشرية بدلاً من استبدالها، مما يسهل بيئة محاكاة تحضيرية تختبر بروتوكولات البحث ضد وجهات نظر ديموغرافية متنوعة. ستكون الدراسات المستقبلية ضرورية للتحقق من تأثير النظام على نتائج البحث الفعلية ولتنقيح منهجية التقييم.
DOI: https://doi.org/10.3389/fdgth.2026.1771729
PMID: https://pubmed.ncbi.nlm.nih.gov/42022504
Publication Date: 2026-04-07
Author(s): Andrew Steele et al.
Primary Topic: Mental Health and Patient Involvement
Overview
The section discusses the development and validation of Panelyze, an AI-powered co-production system designed to enhance Patient and Public Involvement and Engagement (PPIE) in healthcare research. Traditional PPIE methods face challenges such as recruitment difficulties and lack of diversity, which Panelyze aims to address through a five-step workflow. This includes generating synthetic personas based on census data, analyzing research proposals, simulating panel discussions, creating accessible PPIE materials, and producing the Panelyze Score, an algorithmic metric for evaluating healthcare proposals against UK public involvement standards. Validation with the CAPRIE-2 cardiovascular research proposal demonstrated Panelyze’s ability to simulate qualitative dialogue and identify socio-economic barriers, thereby augmenting the research process by incorporating diverse perspectives.
The limitations of the system, particularly concerning generative AI risks like hallucination and bias, are acknowledged. However, the qualitative nature of PPIE allows for a “human-in-the-loop” approach to vet synthetic outputs for plausibility. Initial comparisons between synthetic and real PPIE panel outputs indicate significant convergence on key issues, suggesting that the two types of panels can complement each other. Panelyze is positioned as a preparatory tool for stress-testing research protocols against diverse demographic perspectives, with future studies needed to assess its impact on research outcomes and to refine the Panelyze Score as a reliable benchmarking instrument. Overall, Panelyze represents a scalable technological intervention aimed at fostering inclusive research design and ensuring healthcare innovations align with the needs of the target population.
Introduction
The introduction of this paper highlights the critical role of Patient and Public Involvement and Engagement (PPIE) in healthcare research, emphasizing its ethical necessity and the common shortcomings in practice. Despite recognition of PPIE’s importance, panels often lack representation from marginalized groups, leading to a skewed perspective that undermines the effectiveness of research aimed at diverse populations. Additionally, the complexity of academic materials presented to these panels creates barriers for lay contributors, limiting their ability to influence outcomes.
To address these challenges, the authors introduce Panelyze™, a generative AI framework designed to enhance the connection between healthcare research design and public understanding. Unlike conventional Large Language Model (LLM) applications, Panelyze utilizes a structured, multi-agent architecture to simulate diverse personas and generate accessible materials for engagement. The paper outlines a five-step workflow and introduces the Panelyze Score, an algorithmic metric based on UK Standards for Public Involvement, which quantifies engagement quality. The framework not only facilitates the co-production of PPIE panels but also aims to leverage AI for inclusivity by intentionally creating synthetic agents that represent underrepresented demographics, thereby promoting equity in public policy and digital health interventions.
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 any relevant characteristics that may influence the results. The methods section describes the protocols followed for data collection, including any experimental setups, measurement techniques, and statistical analyses applied to interpret the data.
Additionally, the section may highlight any controls or variables considered to ensure the validity and reliability of the findings. Overall, this section serves to provide a comprehensive overview of the methodologies utilized, enabling reproducibility and critical evaluation of the research outcomes.
Results
In the Results section, the operational efficacy of the Panelyze framework was assessed through its application to the CAPRIE-2 (Cardiovascular Primary Prevention Research) proposal, a comprehensive ten-year trial aimed at the long-term secondary prevention of coronary heart disease. The evaluation yielded both quantitative and qualitative outputs, which are summarized in the section. Detailed findings, including the complete dataset comprising simulated transcripts and corresponding Panelyze Scores, are provided in the Supplementary Material. This validation underscores the framework’s potential utility in large-scale cardiovascular research.
Discussion
The Panelyze platform, built on a React and Node.js stack, serves as a web application designed for public and patient involvement in research (PPIE). It employs a unique prompt engineering framework that allows researchers to experiment with various state-of-the-art Large Language Models (LLMs) while ensuring outputs are contextually grounded in clinical research protocols. The architecture includes an AIServiceFactory that manages model selection and deployment, optimizing the use of models like Claude 4.5 for narrative generation and GPT-5 for proposal assessment. A critical aspect of the platform is the “Human-in-the-Loop” review phase, which ensures that AI-generated insights undergo researcher oversight, maintaining fidelity and relevance.
Panelyze addresses representation gaps in PPIE by programmatically generating diverse synthetic personas and panels, allowing researchers to configure attributes that reflect the target population. This process involves a two-stage grounded generation that incorporates census data to ensure demographic fidelity and allows for manual adjustments by researchers. The platform also generates co-production artefacts and computes a composite Panelyze Score, which evaluates proposals against UK Standards for Public Involvement. This dual-output framework not only provides a quantitative benchmark but also highlights qualitative friction points, such as socio-economic barriers that may impede recruitment. While acknowledging the limitations of generative AI, the platform aims to augment human involvement rather than replace it, facilitating a preparatory simulation environment that stress-tests research protocols against diverse demographic perspectives. Future studies will be necessary to validate the system’s impact on actual research outcomes and to refine the scoring methodology.