DOI: https://doi.org/10.1038/s41598-026-36550-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41554972
تاريخ النشر: 2026-01-19
المؤلف: Nora Binti Muda وآخرون
الموضوع الرئيسي: نشر وظيفة الجودة في تصميم المنتجات
نظرة عامة
يتناول هذا القسم من ورقة البحث تكيف منهجية نشر وظيفة الجودة (QFD) لتعزيز الذكاء الاصطناعي (AI) المتمركز حول الإنسان في الرعاية الصحية. تؤكد الدراسة على الحاجة إلى أطر التحقق التي تعطي الأولوية للقدرة على التفسير وتجربة أصحاب المصلحة على المقاييس التقنية البحتة. من خلال تحليل 14,938 مراجعة للمرضى من 53 مستشفى، استخرج الباحثون 1,279 مراجعة سلبية للتحليل الموضوعي، باستخدام ترميز مدفوع بنموذج لغة كبير مع كوهين كابا قدره 0.81. سهل هذا التحليل رسم احتياجات المرضى متعددة الأبعاد إلى المواصفات التقنية عبر مصفوفة بيت الجودة. ومن الجدير بالذكر أن تحليل الحساسية أشار إلى أن التصنيف الدقيق قدم أكبر إمكانات للتحسين، متجاوزًا دقة ترميز LLM بنسبة 21.9%.
يهدف إطار QFD المعدل إلى دمج ملاحظات المرضى بشكل منهجي مع المتطلبات التقنية، مما يعزز تطوير الطب الرقمي الموثوق والقابل للتفسير والعادل. بينما يقتصر التحقق حاليًا على المستشفيات الخاصة الماليزية، فإن المنهجية تقدم نهجًا قابلًا للتوسع لتطوير الذكاء الاصطناعي في الرعاية الصحية. تشمل اتجاهات البحث المستقبلية نشرًا في العالم الحقيقي عبر مجموعات سكانية متنوعة والتكيف مع البيئات التنظيمية الديناميكية، مما قد يعزز فعالية الإطار في تحسين أنظمة الذكاء الاصطناعي المتمركزة حول الإنسان في الرعاية الصحية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الإمكانات التحويلية للذكاء الاصطناعي (AI) في تحليلات الرعاية الصحية، لا سيما في مجالات مثل دعم التشخيص، وتفاعل المرضى، وكفاءة العمليات. ومع ذلك، تحدد تحديات كبيرة في ترجمة تقدمات الذكاء الاصطناعي إلى أنظمة فعالة سريريًا، ويرجع ذلك أساسًا إلى “فجوة ترجمة الذكاء الاصطناعي”. تنشأ هذه الفجوة عندما لا تؤدي المقاييس الخوارزمية القوية إلى تحسين نتائج المرضى أو الثقة أو الاعتماد السريري. تنتقد الورقة أطر التحقق الحالية لتفضيلها المقاييس التقنية مثل الدقة والضبط على تجربة المستخدم، والقدرة على التفسير، وقابلية الاستخدام في العالم الحقيقي، مما يبرز الحاجة إلى أن تكون أنظمة الذكاء الاصطناعي متمركزة حول الإنسان، وشفافة، وأخلاقية.
تعرف الدراسة “الذكاء الاصطناعي في الرعاية الصحية” على أنه أنظمة تركز على تحليلات ملاحظات المرضى، وتقييم الجودة، ومراقبة التجربة، مع استبعاد أنظمة دعم القرار السريري والخوارزميات التشخيصية بسبب متطلباتها التنظيمية المميزة. تقدم الدراسة بيت الجودة (HoQ) كمصفوفة تخطيط في منهجية نشر وظيفة الجودة (QFD)، موضحة مكوناته: متطلبات العملاء، والمتطلبات التقنية، وعلاقاتها المتبادلة. تعدل البحث إطار HoQ ليتناسب مع سياق تطوير الذكاء الاصطناعي في الرعاية الصحية، مدمجًا مبادئ الذكاء الاصطناعي المتمركز حول الإنسان (HCAI) لمعالجة الاعتبارات الأخلاقية والعملية، كما هو موضح في الجدول 1.
الطرق
يحدد قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التجارب المضبوطة والاستطلاعات، لجمع بيانات شاملة. تم اختيار المشاركين من خلال أخذ عينات طبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية، وتم جمع البيانات باستخدام أدوات موثوقة لتعزيز الموثوقية.
تم إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لتقييم العلاقات بين المتغيرات، مع تحديد مستويات الدلالة عند p < 0.05. تم تفسير النتائج في سياق الأدبيات الموجودة، مما يسمح بنقاش قوي حول النتائج. بالإضافة إلى ذلك، تم الالتزام بالاعتبارات الأخلاقية طوال عملية البحث، مما يضمن الحصول على موافقة مستنيرة وسرية لجميع المشاركين.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على النتائج المهمة التي تدعم الفرضيات أو أسئلة البحث المطروحة سابقًا في الدراسة. يتم عادةً توضيح البيانات من خلال أشكال مختلفة من التمثيل، مثل الجداول، والرسوم البيانية، أو المعادلات، مما يوفر فهمًا بصريًا واضحًا للنتائج.
قد يتضمن القسم أيضًا تحليلات إحصائية تتحقق من النتائج، مما يشير إلى موثوقية وأهمية النتائج. على سبيل المثال، يمكن الإبلاغ عن قيم p، أو فترات الثقة، أو معاملات الارتباط لدعم الاستنتاجات المستخلصة. بشكل عام، يخدم هذا القسم لنقل الأدلة التجريبية التي تدعم ادعاءات الدراسة، مما يضمن تقديم النتائج بطريقة تكون متاحة وصارمة للجمهور الأكاديمي.
المناقشة
تتناول هذه الدراسة الفجوة الحرجة في ترجمة متطلبات المستخدمين المتنوعة إلى مواصفات تقنية قابلة للتنفيذ لأنظمة الذكاء الاصطناعي في الرعاية الصحية، كما أبرزت إرشادات منظمة الصحة العالمية وإدارة الغذاء والدواء التي تؤكد على توافق أصحاب المصلحة وتخفيف التحيز. من خلال دمج منهجية نشر وظيفة الجودة (QFD) مع ملاحظات المرضى التجريبية، تقترح الدراسة إطارًا منهجيًا لإعطاء الأولوية للمتطلبات التقنية بناءً على البنى الموثوقة المستمدة من مراجعات المرضى. تشير نتائج الدراسة إلى أن البنى المعقدة، مثل فعالية الخدمة والتواصل، تتطلب قدرات تحليلية متطورة، بينما قد تتطلب المجالات ذات الموثوقية المنخفضة، مثل حقوق المرضى والوصول، تحسين القياسات الأساسية.
يؤكد إطار QFD المقترح، الذي تم التحقق منه من خلال تحليل شامل لـ 14,938 مراجعة للمرضى من المستشفيات الخاصة الماليزية، على أهمية التغذية الراجعة المستمرة ومشاركة أصحاب المصلحة في تطوير أنظمة الذكاء الاصطناعي المتمركزة حول الإنسان. تكشف مصفوفة بيت الجودة (HOQ) عن هيكل هرمي للأولويات التقنية، مع تحديد التصنيف الدقيق، ودقة تحليل المشاعر، ودقة ترميز LLM كقدرات حاسمة. تؤكد الدراسة على ضرورة أن توازن المنظمات الصحية بين العمق التحليلي والاستجابة التشغيلية، لا سيما في البيئات السريرية في الوقت الحقيقي، مما يشير إلى أن إعطاء الأولوية للمتطلبات التقنية بناءً على السياق أمر ضروري لنشر الذكاء الاصطناعي بشكل فعال في إعدادات الرعاية الصحية.
DOI: https://doi.org/10.1038/s41598-026-36550-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41554972
Publication Date: 2026-01-19
Author(s): Nora Binti Muda et al.
Primary Topic: Quality Function Deployment in Product Design
Overview
This research paper section discusses the adaptation of Quality Function Deployment (QFD) methodology to enhance human-centered artificial intelligence (AI) in healthcare. The study emphasizes the need for validation frameworks that prioritize interpretability and stakeholder experience over purely technical metrics. By analyzing 14,938 patient reviews from 53 hospitals, the researchers extracted 1,279 negative reviews for thematic analysis, employing large language model-driven coding with a Cohen’s Kappa of 0.81. This analysis facilitated the mapping of multidimensional patient needs to technical specifications via a House of Quality matrix. Notably, sensitivity analysis indicated that Granular Categorization offered the most significant improvement potential, surpassing LLM Coding Accuracy by 21.9%.
The adapted QFD framework aims to systematically integrate patient feedback with technical requirements, thereby fostering the development of trustworthy, interpretable, and equitable digital medicine. While the validation is currently limited to Malaysian private hospitals, the methodology presents a scalable approach for healthcare AI development. Future research directions include real-world deployment across diverse populations and adapting to dynamic regulatory environments, which could further validate the framework’s effectiveness in enhancing human-centered healthcare AI systems.
Introduction
The introduction of the research paper highlights the transformative potential of artificial intelligence (AI) in healthcare analytics, particularly in areas such as diagnostic support, patient engagement, and operational efficiency. However, it identifies significant challenges in translating AI advancements into clinically effective systems, primarily due to the “AI translation gap.” This gap arises when robust algorithmic metrics do not lead to improved patient outcomes, trust, or clinical adoption. The paper critiques existing validation frameworks for prioritizing technical measures like accuracy and precision over user experience, interpretability, and real-world usability, emphasizing the need for AI systems to be human-centered, transparent, and ethically sound.
The study defines “Healthcare AI” as systems focused on patient feedback analytics, quality assessment, and experience monitoring, specifically excluding clinical decision support systems and diagnostic algorithms due to their distinct regulatory requirements. It introduces the House of Quality (HoQ) as a planning matrix in Quality Function Deployment (QFD) methodology, detailing its components: customer requirements, technical requirements, and their interrelationships. The research adapts the HoQ framework to the context of healthcare AI development, integrating principles of Human-Centered AI (HCAI) to address ethical and practical considerations, as illustrated in Table 1.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including controlled experiments and surveys, to gather comprehensive data. Participants were selected through stratified sampling to ensure representation across key demographics, and data collection was conducted using validated instruments to enhance reliability.
Statistical analyses were performed using software tools to evaluate the relationships between variables, with significance levels set at p < 0.05. The results were interpreted in the context of existing literature, allowing for a robust discussion of findings. Additionally, ethical considerations were adhered to throughout the research process, ensuring informed consent and confidentiality for all participants.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that support the hypotheses or research questions posed earlier in the study. The data is typically illustrated through various forms of representation, such as tables, graphs, or equations, which provide a clear visual understanding of the results.
The section may also include statistical analyses that validate the findings, indicating the reliability and significance of the results. For instance, p-values, confidence intervals, or correlation coefficients could be reported to substantiate the conclusions drawn. Overall, this section serves to convey the empirical evidence that underpins the study’s claims, ensuring that the results are presented in a manner that is both accessible and rigorous for the academic audience.
Discussion
This study addresses the critical gap in translating diverse user requirements into actionable technical specifications for healthcare AI systems, as highlighted by WHO and FDA guidelines emphasizing stakeholder alignment and bias mitigation. By integrating Quality Function Deployment (QFD) methodology with empirical patient feedback, the research proposes a systematic framework to prioritize technical requirements based on validated constructs derived from patient reviews. The study’s findings indicate that complex constructs, such as Service and Communication Effectiveness, necessitate sophisticated analytical capabilities, while lower reliability domains, like Patient Rights and Accessibility, may require foundational measurement refinement.
The proposed QFD framework, validated through a comprehensive analysis of 14,938 patient reviews from Malaysian private hospitals, emphasizes the importance of continuous feedback and stakeholder engagement in developing human-centered AI systems. The House of Quality (HOQ) matrix reveals a hierarchical structure of technical priorities, with Granular Categorization, Sentiment Analysis Precision, and LLM Coding Accuracy identified as critical capabilities. The study underscores the need for healthcare organizations to balance analytical depth with operational responsiveness, particularly in real-time clinical environments, suggesting that context-dependent prioritization of technical requirements is essential for effective AI deployment in healthcare settings.