DOI: https://doi.org/10.3389/fpubh.2026.1863050
PMID: https://pubmed.ncbi.nlm.nih.gov/42388748
تاريخ النشر: 2026-06-17
المؤلف: Qiming Zhao وآخرون
الموضوع الرئيسي: الصحة المتنقلة وتطبيقات الصحة المتنقلة
نظرة عامة
تقدم هذه القسم نظرة عامة على إدارة الصحة الاستباقية (PHM)، التي تستفيد من الأجهزة القابلة للارتداء، وتطبيقات الصحة المحمولة، والذكاء الاصطناعي (AI) لمراقبة الصحة المستمرة، مما يسهل تصنيف المخاطر والتدخل المبكر. ومع ذلك، فإن فعالية هذه التقنيات تتعرض للخطر بسبب الفجوات الهيكلية في بيانات الصحة التي ينتجها المرضى (PGHD)، وخاصة بسبب المحددات الاجتماعية للصحة (SDoH) والفجوة الرقمية. تؤدي هذه التمثيلية الناقصة للمجموعات عالية المخاطر في مجموعات البيانات التدريبية إلى تحيز في التنبؤ، واستبعاد الفئات الضعيفة من تقييمات المخاطر، وسوء تخصيص الموارد الصحية.
لمعالجة هذه القضايا، قام المؤلفون بإجراء مراجعة سردية لـ 108 دراسات تمت مراجعتها من قبل الأقران نشرت بين يناير 2015 وفبراير 2026، مع التركيز على التحيز الخوارزمي والمساواة الصحية ضمن PHM. تحدد المراجعة ثلاثة عوامل مترابطة تسهم في مخاطر المساواة: هياكل عدم المساواة الاجتماعية، وآليات جمع البيانات، وتصميم الأهداف التنبؤية. يجادل المؤلفون بأن هذه العوامل تتطلب إطار حوكمة شامل يدمج جمع البيانات المستهدف، وقيود العدالة، وتدقيقات الفئات الفرعية قبل النشر، والمراقبة المستمرة بعد النشر. من خلال تضمين العدالة كمبدأ نظامي بدلاً من مجرد متطلب تقني، يهدف الإطار المقترح إلى تعزيز المساواة الصحية طوال دورة حياة PHM.
مقدمة
تناقش مقدمة هذه الورقة البحثية الانتقال من الرعاية الصحية التقليدية المتمركزة حول المستشفيات إلى إدارة الصحة الاستباقية (PHM)، التي تستفيد من أساليب مستندة إلى البيانات مستمرة باستخدام أجهزة الاستشعار القابلة للارتداء، وتطبيقات الصحة المحمولة، والذكاء الاصطناعي (AI) لتصنيف المخاطر والكشف المبكر عن الأمراض. على عكس الطرق التقليدية التي تعتمد على البيانات السريرية المتقطعة، تؤكد PHM على أهمية البيانات الطولية ومتعددة الأبعاد، بما في ذلك الإشارات الفسيولوجية في الوقت الحقيقي وأنماط السلوك، لتسهيل التدخلات في الوقت المناسب قبل ظهور المرض. ومع ذلك، فإن فعالية النماذج التنبؤية في PHM تعوقها تمثيلية بيانات التدريب، وخاصة بسبب الغياب غير العشوائي الذي يؤثر عليه المحددات الاجتماعية للصحة (SDoH) والفجوة الرقمية، والتي تؤثر بشكل غير متناسب على الفئات المهمشة.
تسلط الورقة الضوء على أن الوصول إلى تقنيات الصحة الرقمية غير موزع بالتساوي، حيث من المرجح أن يشارك الأفراد الأصغر سناً، والحضريين، وذوي الدخل الأعلى مع هذه الأدوات، بينما يواجه كبار السن والسكان ذوي الدخل المنخفض حواجز كبيرة. تؤدي هذه الفجوة إلى تمثيلية ناقصة للمجموعات المحرومة في بيانات الصحة التي ينتجها المرضى (PGHD)، مما يؤدي إلى تدريب نماذج متحيزة وأداء تنبؤي غير عادل. يجادل المؤلفون بأن التحدي لا يكمن في حجم البيانات ولكن في كفايتها لتمثيل السكان الذين لديهم أكبر احتياجات سريرية. يقترحون إطار حوكمة يدمج طرق الإنسان في الحلقة وتدقيقات مستمرة لمعالجة هذه الفجوات من البداية، بدلاً من تطبيق تدابير تصحيحية بعد النشر. تهدف المراجعة إلى تقديم إطار تحليلي شامل لفهم تحديات المساواة الصحية في PHM وإبلاغ ممارسات الحوكمة العادلة في الصحة الرقمية.
الطرق
تحدد قسم الطرق في هذه المراجعة نهج تركيب سردي للتحقيق في عجز تمثيلية البيانات، وآليات التحيز الخوارزمي، وآثار المساواة الصحية في إدارة الصحة الاستباقية (PHM). نظرًا للاختلاف الكبير في تصميمات الدراسات والنتائج، اعتُبر أن التركيب المنهجي غير مناسب، والتزمت المراجعة بمعايير مقياس تقييم مقالات المراجعة السردية (SANRA) لضمان الشفافية المنهجية. تم إجراء بحث شامل في الأدبيات عبر PubMed وWeb of Science وScopus، مع التركيز على المنشورات من 1 يناير 2015 إلى 28 فبراير 2026، وهيكلت حول ثلاثة مجالات موضوعية: PHM وتقنيات الصحة القابلة للارتداء، والذكاء الاصطناعي وتعلم الآلة، والتحيز الخوارزمي والمساواة الصحية.
شروط الإدراج للدراسات تطلبت أن تتناول تطبيقات الذكاء الاصطناعي أو تعلم الآلة في PHM، وتناقش نقص تمثيلية البيانات أو التحيز الخوارزمي، وأن تكون مقالات تمت مراجعتها من قبل الأقران نشرت باللغة الإنجليزية. تم استبعاد المقالات الافتتاحية، والأعمال غير المراجعة من قبل الأقران، والدراسات التي تفتقر إلى الصلة بالسرد الموضوعي. تضمنت عملية المراجعة فحصًا مستقلًا من قبل مراجعَين، مع وجود ثالث كحكم في حالة وجود خلافات. في النهاية، تم تضمين 108 دراسات في التركيب، والتي تم تنظيمها موضوعيًا في ثلاثة مجالات: آليات تشكيل التحيز، والعواقب الصحية غير العادلة للانحياز الخوارزمي، واستراتيجيات الحوكمة للتخفيف. سهل هذا النهج السردي المنظم دمج أدلة متنوعة عبر سياقات نظم الصحة المختلفة.
المناقشة
تناقش قسم المناقشة في الورقة البحثية الآليات التي يسهم من خلالها التحيز التنبؤي في إدارة الصحة الاستباقية (PHM) في عدم المساواة الصحية. تفترض أن التحيز الخوارزمي ليس مجرد نتيجة لأخطاء تقنية معزولة، بل هو نتيجة تراكمية لعجز التمثيلية، وتضخيم التحيز، وعدم توافق القيم طوال دورة حياة البيانات. يجادل المؤلفون بأن النقص في جمع البيانات – الذي غالبًا ما يتأثر بالمحددات الاجتماعية للصحة (SDoH) – يتفاقم أثناء تطوير النموذج والنشر السريري، مما يؤدي إلى تفاوتات منهجية في الرعاية الوقائية. على سبيل المثال، يمكن أن يؤدي نقص بيانات الصحة التي ينتجها المرضى (PGHD) المتنوعة إلى قياسات فسيولوجية متحيزة، والتي، عند دمجها في الخوارزميات السريرية، تعزز عدم المساواة في نتائج الصحة.
توضح القسم أيضًا كيف تتجلى هذه التحيزات في نتائج صحية متفاوتة وتخصيص الموارد. غالبًا ما تواجه الفئات الضعيفة معدلات عالية من النتائج السلبية الكاذبة في تحديد المخاطر، مما يؤدي إلى فقدان فرص الرعاية الوقائية. تتفاقم هذه التصنيفات الخاطئة بسبب تركيز الموارد الوقائية بين أولئك الذين يتم تمثيلهم جيدًا بالفعل في بيانات الصحة، مما يعزز الفجوات الصحية القائمة. علاوة على ذلك، فإن تآكل الثقة بين الفئات المهمشة، الناجم عن تجارب سلبية متكررة مع التقييمات الخوارزمية، يؤدي إلى الانسحاب من أنظمة مراقبة الصحة، مما يخلق دورة ذاتية التعزيز من فقر البيانات وعدم المساواة. يخلص المؤلفون إلى أن معالجة هذه القضايا النظامية تتطلب إطار حوكمة شامل يدمج التدخلات عبر دورة حياة تقنيات PHM بأكملها، مع التأكيد على الحاجة إلى المراقبة المستمرة والمساءلة لضمان نتائج صحية عادلة.
القيود
تسلط القيود في هذه المراجعة السردية الضوء على عدة عوامل حاسمة قد تؤثر على صحة وملاءمة نتائجها. أولاً، الدراسة عرضة لتحيز الاختيار ولا تدعي تقديم تغطية شاملة، حيث كانت مستندة إلى بحث محدود لثلاث قواعد بيانات ومنشورات باللغة الإنجليزية. قد يؤدي هذا القيد إلى تمثيلية ناقصة للأدلة من نظم الصحة غير الناطقة بالإنجليزية. بالإضافة إلى ذلك، فإن التباين بين الدراسات المضمنة – التي تختلف في الإعدادات السريرية، والسكان، وتعريفات العدالة – يعقد المقارنات المباشرة، بينما يمنع نقص التركيب الكمي التقدير الرسمي للفعالية النسبية لتدخلات معينة.
علاوة على ذلك، فإن الغالبية العظمى من الأدلة التي تمت مراجعتها تأتي من بيئات ذات دخل مرتفع، مما يثير مخاوف بشأن قابلية نقل النتائج إلى السياقات ذات الموارد المحدودة، مما يتطلب مزيدًا من التحقق. أخيرًا، قد يحد غياب تقييم رسمي لمخاطر التحيز للدراسات الفردية، بخلاف الإرشادات المنهجية العامة المقدمة من معايير SANRA، من قابلية تفسير جودة الأدلة المقدمة في المراجعة.
DOI: https://doi.org/10.3389/fpubh.2026.1863050
PMID: https://pubmed.ncbi.nlm.nih.gov/42388748
Publication Date: 2026-06-17
Author(s): Qiming Zhao et al.
Primary Topic: Mobile Health and mHealth Applications
Overview
The section provides an overview of proactive health management (PHM), which leverages wearable devices, mobile health applications, and artificial intelligence (AI) for continuous health monitoring, facilitating risk stratification and early intervention. However, the effectiveness of these technologies is compromised by structural data gaps in patient-generated health data (PGHD), particularly due to social determinants of health (SDoH) and the digital divide. This underrepresentation of high-risk groups in training datasets leads to prediction bias, exclusion of vulnerable populations from risk assessments, and misallocation of health resources.
To address these issues, the authors conducted a narrative review of 108 peer-reviewed studies published between January 2015 and February 2026, focusing on algorithmic bias and health equity within PHM. The review identifies three interrelated factors contributing to equity risks: social inequality structures, data collection mechanisms, and predictive target design. The authors argue that these factors necessitate a comprehensive governance framework that integrates targeted data collection, fairness constraints, subgroup audits prior to deployment, and ongoing monitoring post-deployment. By embedding fairness as a systemic principle rather than a mere technical requirement, the proposed framework aims to promote health equity throughout the PHM lifecycle.
Introduction
The introduction of this research paper discusses the transition from traditional hospital-centered healthcare to proactive health management (PHM), which leverages continuous, data-driven approaches utilizing wearable sensors, mobile health applications, and artificial intelligence (AI) for risk stratification and early disease detection. Unlike conventional methods that rely on sporadic clinical data, PHM emphasizes the importance of longitudinal and multimodal data, including real-time physiological signals and behavioral patterns, to facilitate timely interventions before disease onset. However, the effectiveness of predictive models in PHM is hindered by the representativeness of training data, particularly due to non-random missingness influenced by social determinants of health (SDoH) and the digital divide, which disproportionately affects marginalized groups.
The paper highlights that access to digital health technologies is unevenly distributed, with younger, urban, and higher socioeconomic individuals more likely to engage with these tools, while older adults and low-income populations face significant barriers. This disparity leads to underrepresentation of disadvantaged groups in patient-generated health data (PGHD), resulting in biased model training and inequitable predictive performance. The authors argue that the challenge lies not in the volume of data but in its adequacy to represent populations with the greatest clinical needs. They propose a governance framework that incorporates human-in-the-loop methods and continuous audits to address these inequities from the outset, rather than applying corrective measures post-deployment. The review aims to provide a comprehensive analytical framework for understanding health equity challenges in PHM and to inform equitable governance practices in digital health.
Methods
The methods section of this review outlines a narrative synthesis approach to investigate data representativeness deficits, algorithmic bias mechanisms, and health equity implications in proactive health management (PHM). Due to the significant heterogeneity in study designs and outcomes, a systematic synthesis was deemed inappropriate, and the review adhered to the Scale for the Assessment of Narrative Review Articles (SANRA) criteria to ensure methodological transparency. A comprehensive literature search was conducted across PubMed, Web of Science, and Scopus, focusing on publications from January 1, 2015, to February 28, 2026, structured around three thematic domains: PHM and wearable health technologies, AI and machine learning, and algorithmic bias and health equity.
Inclusion criteria for studies mandated that they address AI or ML applications in PHM, discuss data underrepresentation or algorithmic bias, and be peer-reviewed articles published in English. Exclusions were made for editorials, non-peer-reviewed works, and studies lacking relevance to the thematic narrative. The review process involved independent screening by two reviewers, with a third serving as an arbiter in case of disagreements. Ultimately, 108 studies were included in the synthesis, which was thematically organized into three domains: mechanisms of bias formation, inequitable health consequences of algorithmic bias, and governance strategies for mitigation. This structured narrative approach facilitated the integration of diverse evidence across various health system contexts.
Discussion
The discussion section of the research paper addresses the mechanisms through which predictive bias in proactive health management (PHM) contributes to health inequities. It posits that algorithmic bias is not merely a result of isolated technical errors but is a cumulative outcome of representativeness deficits, bias amplification, and value misalignment throughout the data lifecycle. The authors argue that deficiencies in data collection—often influenced by social determinants of health (SDoH)—are exacerbated during model development and clinical deployment, leading to systematic disparities in preventive care. For instance, the lack of diverse patient-generated health data (PGHD) can result in biased physiological measurements, which, when integrated into clinical algorithms, perpetuate inequities in health outcomes.
The section further illustrates how these biases manifest in differential health outcomes and resource allocation. Vulnerable populations often experience high false-negative rates in risk identification, resulting in missed preventive care opportunities. This misclassification is compounded by the concentration of preventive resources among those already well-represented in health data, thereby reinforcing existing health disparities. Moreover, the erosion of trust among marginalized groups, stemming from repeated negative experiences with algorithmic assessments, leads to disengagement from health monitoring systems, creating a self-reinforcing cycle of data poverty and inequity. The authors conclude that addressing these systemic issues requires a comprehensive governance framework that integrates interventions across the entire lifecycle of PHM technologies, emphasizing the need for continuous monitoring and accountability to ensure equitable health outcomes.
Limitations
The limitations of this narrative review highlight several critical factors that may affect the validity and applicability of its findings. Firstly, the study is susceptible to selection bias and does not claim to provide exhaustive coverage, as it was based on a search limited to three databases and English-language publications. This restriction may lead to an underrepresentation of evidence from non-Anglophone health systems. Additionally, the heterogeneity among the included studies—varying in clinical settings, populations, and definitions of fairness—complicates direct comparisons, while the lack of a quantitative synthesis precludes formal estimation of the relative effectiveness of specific interventions.
Moreover, the majority of the evidence reviewed originates from high-income settings, raising concerns about the transferability of findings to resource-constrained contexts, which necessitates further validation. Lastly, the absence of a formal risk-of-bias assessment for individual studies, aside from the general methodological guidance provided by the SANRA criteria, may limit the interpretability of the quality of evidence presented in the review.