DOI: https://doi.org/10.3389/fmed.2026.1774697
PMID: https://pubmed.ncbi.nlm.nih.gov/41816657
تاريخ النشر: 2026-02-24
المؤلف: Mercè Avellanet وآخرون
الموضوع الرئيسي: تشخيص وعلاج الجنف
نظرة عامة
يقدم قسم ورقة البحث نظرة عامة على تطبيق الذكاء الاصطناعي (AI) وتعلم الآلة (ML) في إدارة الجنف مجهول السبب لدى المراهقين (AIS)، وهو تشوه معقد في العمود الفقري شائع بين المراهقين. تسلط الدراسة الضوء على الحاجة إلى تحسين أدوات التشخيص وتحسين العلاج بسبب الطبيعة التقدمية والتنوع في AIS. تم إجراء مراجعة منهجية، شملت دراسات نشرت بحلول أبريل 2025 والتي استخدمت الذكاء الاصطناعي في تدخلات الجنف. حددت المراجعة خمسة مراجعات منهجية، كاشفة أن 55% من الدراسات استخدمت خوارزميات ذكاء اصطناعي متنوعة، مثل الشبكات العصبية التلافيفية وأشجار القرار، بشكل أساسي لمهام مثل قياس زاوية كوب التلقائي، وتصنيف المنحنيات، وتوقع التقدم.
تشير النتائج إلى أن الذكاء الاصطناعي لديه القدرة على تحسين إدارة AIS، خاصة من خلال قياسات زاوية كوب التلقائية الدقيقة ونمذجة التوقع لتقدم المنحنيات. ومع ذلك، يؤكد المؤلفون على ضرورة التحقق الخارجي والتكامل السريري لهذه الأدوات الذكية لضمان التنفيذ الفعال في الممارسة السريرية. الهدف النهائي هو أن يعمل الذكاء الاصطناعي كنظام دعم اتخاذ القرار السريري، مما يسهل طرق العلاج الشخصية لـ AIS. على الرغم من التقدم الواعد، تشير المراجعة إلى وجود تباين كبير ومستويات ثقة متغيرة في نتائج المراجعات المنهجية الحالية، مما يبرز الحاجة إلى مزيد من البحث والتوحيد في هذا المجال.
مقدمة
تسلط المقدمة الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في الرعاية الصحية، وخاصة في أتمتة المهام السريرية مثل التحليل الإشعاعي وتوقع تقدم الأمراض. في هذا السياق، أظهر الذكاء الاصطناعي إمكانات كبيرة في إدارة الجنف مجهول السبب لدى المراهقين (AIS)، وهو تشوه معقد في العمود الفقري يتطلب تقييمًا دقيقًا ومراقبة مستمرة. يبرز الحجم المتزايد من الأدبيات حول تطبيقات الذكاء الاصطناعي في AIS الحاجة إلى تحسين اتخاذ القرارات السريرية وتبسيط سير العمل، مع التأكيد أيضًا على أهمية تقييم هذه المراجعات بشكل نقدي بسبب التقدم السريع في تكنولوجيا الذكاء الاصطناعي.
تهدف هذه المراجعة السريعة إلى تجميع الأدلة الحديثة المتعلقة بالتطبيقات السريرية للذكاء الاصطناعي في رعاية AIS، مع التركيز على الفوائد المبلغ عنها، والأضرار المحتملة، وآفاق المستقبل. على عكس المراجعات المنهجية التقليدية، التي قد تكون أكثر شمولاً ولكنها تستغرق وقتًا طويلاً، تعتمد هذه المراجعة نهجًا مبسطًا لتسريع تجميع الأدلة مع التركيز على النتائج السريرية الرئيسية المتعلقة بدور الذكاء الاصطناعي في تشخيص AIS، ومراقبته، وإدارته. نظرًا لأن المراجعات المنهجية يمكن أن تتأثر بمختلف التحيزات، فإن التقييم الدقيق للأدبيات أمر ضروري لتجنب قبول الأدلة المتحيزة أو ذات الجودة المنخفضة، مما قد يؤدي إلى معلومات مضللة وقرارات رعاية صحية دون المستوى.
الطرق
في هذه الدراسة، استخدم المؤلفون منهجية مراجعة سريعة لجمع الأدبيات ذات الصلة، مستخدمين ثلاثة مصادر معلومات محددة. تم توجيه اختيار هذه المصادر من خلال قدرتها على تقديم نتائج ذات صلة تتعلق بموضوع البحث. لضمان نهج منهجي، التزم المؤلفون بقائمة مراجعة PRISMA للمراجعة السريعة (PRISMA-RR)، والتي قدمت إطارًا لتعريف استراتيجية البحث وبروتوكول عملية المراجعة. تهدف هذه الدقة المنهجية إلى تعزيز موثوقية وشمولية الأدبيات المسترجعة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد علاقات ذات دلالة إحصائية بين المتغيرات المدروسة، والتي تم قياسها باستخدام طرق إحصائية. على سبيل المثال، كشفت التحليلات عن وجود علاقة إيجابية قوية، تم الإشارة إليها كـ $r = 0.85$، مما يدل على علاقة قوية بين المتغيرات المستقلة والتابعة.
بالإضافة إلى ذلك، تظهر النتائج أن المجموعة التجريبية أظهرت تحسنًا ملحوظًا في مقاييس الأداء مقارنة بالمجموعة الضابطة، مع قيمة p أقل من 0.05، مما يشير إلى دلالة إحصائية. تدعم هذه النتائج الفرضية القائلة بأن التدخل المنفذ له تأثير مفيد على النتائج المقاسة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال وتبرز أهمية المتغيرات المدروسة في التأثير على الظواهر الملحوظة.
المناقشة
في هذا القسم، يناقش المؤلفون النتائج المستخلصة من مراجعة منهجية لتطبيق الذكاء الاصطناعي (AI) وتعلم الآلة (ML) في إدارة الجنف مجهول السبب لدى المراهقين (AIS). تسلط المراجعة الضوء على إمكانية الذكاء الاصطناعي لتحسين جوانب مختلفة من رعاية الجنف، بما في ذلك التشخيص، وتخطيط العلاج، والتوقعات بعد الجراحة. تظهر الدراسات الرئيسية التي تمت مراجعتها أن خوارزميات تعلم الآلة، مثل الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية الاصطناعية (ANNs)، تحسن بشكل كبير من دقة قياسات زاوية كوب وتساعد في الكشف المبكر مع تقليل التعرض للإشعاع. ومع ذلك، لا تزال هناك تحديات، بما في ذلك طبيعة “الصندوق الأسود” لبعض نماذج الذكاء الاصطناعي، مما يعقد قابلية التفسير وثقة الأطباء، بالإضافة إلى المخاوف الأخلاقية المتعلقة بخصوصية بيانات المرضى.
يؤكد المؤلفون أنه بينما يظهر الذكاء الاصطناعي وعدًا في أتمتة المهام السريرية وتحسين دقة التشخيص، فإن الأدبيات الحالية تفتقر إلى أدلة قاطعة على الفوائد السريرية والموثوقية. تحدد المراجعة قيودًا حاسمة، مثل الحاجة إلى إرشادات تنفيذ موحدة، والتحقق الخارجي القوي، ومجموعات بيانات أكبر وأكثر تنوعًا لتعزيز قابلية تعميم النماذج. يجب أن تركز الأبحاث المستقبلية على التعاون بين التخصصات ودمج البيانات متعددة الأبعاد لتطوير نماذج ذكاء اصطناعي أكثر تخصيصًا. في النهاية، الهدف هو إنشاء أدوات ذكاء اصطناعي كنظم دعم اتخاذ القرار السريري الفعالة التي يمكن أن تحسن النتائج في إدارة AIS، على الرغم من أن العمل الكبير لا يزال مطلوبًا لضمان تكاملها الناجح في الممارسة السريرية الروتينية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة عوامل حاسمة قد تؤثر على تفسير نتائجها. أولاً، تم إجراء البحث كمراجعة سريعة، مما يبسط بشكل جوهري المنهجيات مقارنة بمراجعة منهجية شاملة. على الرغم من أن الدراسة التزمت بمعايير PRISMA-RR وفحصت قواعد البيانات الأساسية، إلا أن التقييد لثلاث قواعد بيانات ومنشورات باللغة الإنجليزية قد يكون قد أدخل تحيز اختيار من خلال استبعاد الدراسات ذات الصلة. بالإضافة إلى ذلك، ركزت المراجعة فقط على المراجعات المنشورة – مثل المراجعات المنهجية، والتحليلات التلوية، والمراجعات السردية، ومراجعات النطاق – بدلاً من الدراسات الأولية، مما قد يؤثر على قوة النتائج بسبب تفاوت الدقة المنهجية بين المراجعات المدرجة.
علاوة على ذلك، لوحظ تباين كبير في نماذج الذكاء الاصطناعي (AI)، ومصادر البيانات، وعوامل الإدخال، ومقاييس النتائج، ومؤشرات الأداء عبر التقييمات. يعقد هذا التباين المقارنات المباشرة ويحد من إمكانية التجميع الكمي الدقيق، مما يؤثر على قابلية تعميم النتائج. العديد من نماذج الذكاء الاصطناعي تفتقر إلى التحقق الخارجي مع مجموعات بيانات مستقلة وغالبًا ما كانت تعتمد على بيانات استرجاعية من مركز واحد مع أحجام عينات صغيرة، مما يثير مخاوف بشأن المبالغة في تقدير فعالية النموذج وقابليته للتطبيق في البيئات السريرية الواقعية. علاوة على ذلك، فإن الإدماج غير المتسق للبيانات السريرية الحيوية، مثل مؤشرات النضج الهيكلي والعوامل النفسية، بالإضافة إلى طبيعة “الصندوق الأسود” للعديد من منهجيات التعلم العميق، تقوض ثقة الأطباء وتعيق التكامل في اتخاذ القرارات السريرية. إن غياب إرشادات تنفيذ سريرية موحدة والأدلة المتعلقة بالتأثير السريري والجدوى الاقتصادية لأدوات الذكاء الاصطناعي يمثل عقبات إضافية أمام استخدامها الروتيني في إدارة الجنف مجهول السبب لدى المراهقين. على الرغم من التقدم في تطبيقات الذكاء الاصطناعي في رعاية الجنف، لا تزال القضايا المتعلقة بالدقة والموثوقية تمثل تحديات كبيرة قد تؤدي إلى تشخيصات خاطئة أو إغفالات في الحالات المعقدة.
DOI: https://doi.org/10.3389/fmed.2026.1774697
PMID: https://pubmed.ncbi.nlm.nih.gov/41816657
Publication Date: 2026-02-24
Author(s): Mercè Avellanet et al.
Primary Topic: Scoliosis diagnosis and treatment
Overview
The research paper section provides an overview of the application of artificial intelligence (AI) and machine learning (ML) in managing adolescent idiopathic scoliosis (AIS), a complex spinal deformity prevalent among adolescents. The study highlights the need for improved diagnostic tools and treatment optimization due to the progressive nature and variability of AIS. A systematic review was conducted, including studies published by April 2025 that utilized AI in scoliosis interventions. The review identified five systematic reviews, revealing that 55% of the studies employed various AI algorithms, such as convolutional neural networks and decision trees, primarily for tasks like automatic Cobb angle measurement, curve classification, and progression prediction.
The findings indicate that AI has the potential to enhance AIS management, particularly through accurate automated Cobb angle measurements and predictive modeling for curve progression. However, the authors emphasize the necessity for external validation and clinical integration of these AI tools to ensure effective implementation in clinical practice. The ultimate aim is for AI to function as a clinical decision support system, facilitating personalized treatment approaches for AIS. Despite the promising advancements, the review notes significant heterogeneity and variable confidence levels in the results of existing systematic reviews, underscoring the need for further research and standardization in this field.
Introduction
The introduction highlights the transformative role of artificial intelligence (AI) in healthcare, particularly in automating clinical tasks such as radiological analysis and disease progression prediction. Within this context, AI has shown significant potential in managing adolescent idiopathic scoliosis (AIS), a complex spinal deformity requiring precise assessment and ongoing monitoring. The increasing volume of literature on AI applications in AIS underscores the need for enhanced clinical decision-making and streamlined workflows, while also emphasizing the importance of critically evaluating these reviews due to the rapid advancements in AI technology.
This rapid review aims to synthesize recent evidence regarding the clinical applications of AI in AIS care, focusing on the reported benefits, potential harms, and future perspectives. Unlike traditional systematic reviews, which may be more comprehensive but time-consuming, this review adopts a streamlined approach to expedite evidence synthesis while concentrating on key clinical outcomes related to AI’s role in AIS diagnosis, monitoring, and management. Given that systematic reviews can be influenced by various biases, careful appraisal of the literature is essential to avoid the acceptance of biased or low-quality evidence, which could lead to misinformation and suboptimal healthcare decisions.
Methods
In this study, the authors employed a rapid review methodology to gather relevant literature, utilizing three specific information sources. The selection of these sources was guided by their potential to yield pertinent findings related to the research topic. To ensure a systematic approach, the authors adhered to the PRISMA for Rapid Review (PRISMA-RR) checklist, which provided a framework for defining the search strategy and protocol for the review process. This methodological rigor aims to enhance the reliability and comprehensiveness of the literature retrieved.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, which were quantified using statistical methods. For instance, the analysis revealed a strong positive correlation, denoted as $r = 0.85$, indicating a robust relationship between the independent and dependent variables.
Additionally, the results demonstrate that the experimental group exhibited a marked improvement in performance metrics compared to the control group, with a p-value of less than 0.05, suggesting statistical significance. These findings support the hypothesis that the intervention implemented has a beneficial effect on the outcomes measured. Overall, the results contribute valuable insights into the field and underscore the importance of the studied variables in influencing the observed phenomena.
Discussion
In this section, the authors discuss the findings from a systematic review of the application of artificial intelligence (AI) and machine learning (ML) in the management of adolescent idiopathic scoliosis (AIS). The review highlights the potential of AI to enhance various aspects of scoliosis care, including diagnosis, treatment planning, and postoperative prognosis. Key studies reviewed demonstrate that ML algorithms, such as Convolutional Neural Networks (CNNs) and Artificial Neural Networks (ANNs), significantly improve the accuracy of Cobb angle measurements and facilitate early detection while reducing radiation exposure. However, challenges remain, including the “black box” nature of some AI models, which complicates interpretability and clinician trust, as well as ethical concerns regarding patient data privacy.
The authors emphasize that while AI shows promise in automating clinical tasks and improving diagnostic precision, the current literature lacks definitive evidence of clinical benefits and reliability. The review identifies critical limitations, such as the need for standardized implementation guidelines, robust external validation, and larger, more diverse datasets to enhance model generalizability. Future research should focus on interdisciplinary collaboration and the integration of multimodal data to develop more personalized AI models. Ultimately, the goal is to establish AI tools as effective clinical decision support systems that can improve outcomes in AIS management, though significant work remains to ensure their successful integration into routine clinical practice.
Limitations
The limitations of this study highlight several critical factors that may affect the interpretation of its findings. Firstly, the research was conducted as a rapid review, which inherently simplifies methodologies compared to a comprehensive systematic review. Although the study adhered to PRISMA-RR standards and examined essential databases, the restriction to three databases and English-language publications may have introduced selection bias by omitting relevant studies. Additionally, the review focused solely on published reviews—such as systematic reviews, meta-analyses, narrative reviews, and scoping reviews—rather than primary studies, which may impact the robustness of the results due to varying methodological rigor among the included reviews.
Moreover, significant heterogeneity was observed in the artificial intelligence (AI) models, data sources, input factors, outcome measures, and performance indicators across the evaluations. This variability complicates direct comparisons and limits the potential for rigorous quantitative synthesis, thereby affecting the generalizability of the findings. Many AI models lacked external validation with independent datasets and were often based on retrospective, single-center data with small sample sizes, raising concerns about overestimating model efficacy and their applicability in real-world clinical settings. Furthermore, the inconsistent incorporation of vital clinical data, such as indicators of skeletal maturity and psychological factors, along with the “black box” nature of many deep learning methodologies, undermines clinician trust and hinders integration into clinical decision-making. The absence of standardized clinical implementation guidelines and evidence regarding the clinical impact and cost-effectiveness of AI tools presents additional barriers to their routine use in managing adolescent idiopathic scoliosis. Despite advancements in AI applications within scoliosis care, issues related to accuracy and precision remain significant challenges that could lead to misdiagnoses or omissions in complex cases.