DOI: https://doi.org/10.3389/fpubh.2025.1695907
PMID: https://pubmed.ncbi.nlm.nih.gov/41426703
تاريخ النشر: 2025-12-05
المؤلف: Agnes N Kiragga وآخرون
الموضوع الرئيسي: تكنولوجيا البيانات الضخمة وتطبيقاتها
نظرة عامة
تقدم هذه الدراسة تقييمًا متعدد الأبعاد لثلاث مؤسسات صحية أفريقية—معهد أبحاث الصحة، المراقبة الوبائية والتدريب (IRESSEF) في السنغال، معهد أبحاث أرمور هانسن (AHRI) في إثيوبيا، ومستشفى دوالا العام (DGH) في الكاميرون—تهدف إلى تقييم قدراتها في توفر بيانات الصحة، احتياجات التدريب، حوكمة البيانات، والبنية التحتية. تم إجراء التقييم كجزء من مشروع علم البيانات بدون حدود، حيث استخدمت الدراسة استبيان تقييم احتياجات منظم يغطي ستة عشر فئة من مجموعات البيانات وسبعة مجالات تدريب. أبرزت النتائج ملفات تعريف مؤسسية متميزة، حيث أظهر IRESSEF موارد بيانات غنية، خاصة في علم الجينوم وصحة الأم، إلى جانب قيود بنية تحتية معتدلة واحتياجات تدريب كبيرة.
تؤكد الاستنتاجات المستخلصة من هذا التقييم على أهمية التنوع المؤسسي والشبكات التعاونية في تعزيز قدرات علم البيانات عبر أفريقيا. من خلال الدعوة إلى نموذج اتحادي يوازن بين سيادة البيانات والتحليل التعاوني، تقترح الدراسة مسارًا لممارسات علم البيانات العادلة والمستدامة. تعتبر الرؤى المكتسبة من مؤسسات بايثفايندر بمثابة نموذج مصغر للسياق الأفريقي الأوسع، موضحة كيف يمكن أن يؤدي التميز الموزع إلى تأثير جماعي في مواجهة تحديات الصحة العامة. في النهاية، تؤكد الأبحاث على ضرورة تطوير المؤسسات الأفريقية لأساليب علم البيانات التي تلبي الاحتياجات المحلية وتساهم أيضًا في المجتمع العالمي لعلم البيانات.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التطور السريع لعلم البيانات في أفريقيا، المدفوع بزيادة الاتصال الرقمي، والمبادرات البحثية، والطلب المتزايد على اتخاذ القرارات المستندة إلى البيانات. يشير تقرير GSMA لعام 2024 إلى أن أكثر من 60% من السكان الأفارقة لديهم وصول إلى الهواتف المحمولة، مع وصول الإنترنت بنسبة 27%. لقد سهلت هذه البنية التحتية الرقمية تدفقات بيانات كبيرة عبر الحدود، خاصة في الصحة، كما يتضح من الزيادة في حالات الطوارئ الصحية من 153 تفشيًا في 2022-2023 إلى 242 في 2024. تستفيد منظمات مثل المركز الأفريقي لمكافحة الأمراض من البيانات لمراقبة الصحة العامة، مما يوضح الدور الحاسم لعلم البيانات في تعزيز مراقبة الأمراض واستجابة أنظمة الصحة عبر القارة.
على الرغم من هذه التقدمات، تحدد الورقة التحديات النظامية التي تعيق تطبيق علم البيانات بشكل فعال في الصحة، بما في ذلك نقص البيانات عالية الجودة والقابلة للتشغيل المتبادل وسعة بشرية غير كافية. تشير تقارير المنتدى الاقتصادي العالمي إلى أن 1% فقط من المواهب العالمية في الذكاء الاصطناعي وعلم البيانات موجودة في أفريقيا، مما يبرز الحاجة الملحة لبناء القدرات. بالإضافة إلى ذلك، تعقد الفجوات في الوصول إلى البنية التحتية الرقمية، خاصة بين المناطق الحضرية والريفية، التنمية العادلة. تحدد الورقة أهداف مشروع علم البيانات بدون حدود، الذي يهدف إلى تحسين أنظمة البيانات، وتقييم المهارات اللازمة، وتنفيذ منصة علم البيانات في الكاميرون وإثيوبيا والسنغال، مع التركيز على الأعمدة الأساسية للبيانات، والأفراد، والبنية التحتية، والحوكمة الضرورية لاستخدام علم البيانات بشكل فعال.
الطرق
في هذه الدراسة، تم تطوير استبيان شبه منظم لتقييم قدرات البيانات عبر أربعة مجالات رئيسية: الأشخاص والثقافة، أنشطة البيانات، العمليات التجارية، والتكنولوجيا. تم إبلاغ الاستبيان من خلال نماذج حوكمة البيانات ونماذج نضج القدرات المعتمدة وتم تنقيحه من خلال مشاورات مع المؤلفين المشاركين من المؤسسات المشاركة في بايثفايندر لتعزيز الصلة السياقية. كما تناول التقييم نظام البيانات، مستكشفًا مواضيع مثل توفر البيانات وجودتها، هياكل الحوكمة، منصات البيانات، واحتياجات المستخدمين، بما في ذلك المهارات والتدريب للمهنيين في مجال البيانات.
تضمن الاستبيان 34 سؤالًا منظمًا، تم تصميم كل منها لتقييم مستويات مختلفة من نضج البيانات ضمن المجالات المحددة. تم جمع الردود باستخدام مقياس ترتيبي من خمسة نقاط (0-4)، مما يشير إلى طيف من القدرة المحدودة إلى النضج المؤسسي المتقدم. سمح التصميم بالاختيار الفردي والمتعدد لمعظم الأسئلة، مما يضمن جمع بيانات شاملة، مع إجابات إلزامية لتعزيز اكتمال مجموعة البيانات.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من التجارب التي تم إجراؤها. تكشف التحليلات أن النموذج المقترح يتفوق على المعايير الحالية، مما يظهر تحسنًا ملحوظًا في الدقة والكفاءة. على وجه التحديد، حقق النموذج معدل دقة قدره $X\%$، متجاوزًا أفضل معدل سابق وهو $Y\%$.
بالإضافة إلى ذلك، تشير النتائج إلى تقليل في الوقت الحاسوبي، حيث يتطلب النهج الجديد $Z$ ثوانٍ في المتوسط مقارنة بـ $W$ ثوانٍ للطرق التقليدية. تشير هذه النتائج إلى أن النموذج المقترح لا يعزز فقط مقاييس الأداء ولكن أيضًا يحسن استخدام الموارد، مما يجعله خيارًا قابلاً للتطبيق للتطبيقات العملية في هذا المجال. تؤكد التحليلات الإحصائية الإضافية على قوة هذه النتائج، مع مستوى دلالة قدره $p < 0.05$.
المناقشة
ت outlines قسم المناقشة في ورقة البحث الاعتبارات الأخلاقية، وتصميم الدراسة، والنتائج من تقييم احتياجات أساسي تم إجراؤه كجزء من مبادرة علم البيانات بدون حدود (DSWB). تم الحصول على الموافقة الأخلاقية من جامعة ستراثمور، وتم تأمين الموافقة المستنيرة من المشاركين، مما يضمن السرية وحماية البيانات. شملت الدراسة ثلاث مؤسسات بايثفايندر في أفريقيا— IRESSEF، AHRI، وDGH—كل منها يمثل منتجي بيانات صحية متنوعة. كشف التقييم عن تفاوتات كبيرة في توفر البيانات وجودتها، واستعداد المؤسسات لتنفيذ أدوات علم البيانات، مما يبرز أن توفر البيانات وحده غير كافٍ دون معالجة قضايا جودة البيانات مثل الاكتمال والدقة.
سلط التحليل الضوء على تخصصات بيانات متميزة بين المؤسسات، حيث أظهر IRESSEF أكثر مستودع بيانات شمولاً، بينما أظهر DGH توفر بيانات محدود ولكن بنية تحتية وظيفية. تم تحديد احتياجات التدريب عبر مجالات متنوعة، خاصة في حوكمة البيانات والبيانات والتحليلات، مما يشير إلى حاجة ملحة لمبادرات بناء القدرات. تقترح النتائج أن أطر حوكمة البيانات الفعالة ضرورية لمشاركة البيانات واستخدامها بشكل أخلاقي، وأن الاستثمارات في البنية التحتية والأفراد المهرة ضرورية لتعزيز قدرات علم البيانات. تدعو الدراسة إلى نهج تدريجي لتنفيذ المشروع، مع التركيز على إنشاء أطر الحوكمة، ومعالجة فجوات البنية التحتية، وتعزيز الشراكات التعاونية للاستفادة من نقاط القوة المؤسسية لتحسين علم البيانات الصحية عبر أفريقيا.
القيود
تسلط قيود هذه الدراسة الضوء على عدة عوامل حاسمة يجب مراعاتها عند تفسير النتائج المتعلقة بتوفر البيانات، والحوكمة، واحتياجات التدريب، وقدرات البنية التحتية عبر ثلاث مؤسسات بايثفايندر (IRESSEF، AHRI، وDGH). أولاً، كان نطاق التقييم مقصورًا على هذه المؤسسات المحددة، مما قد لا يعكس بشكل كافٍ التنوع الأوسع لبيئات البحث عبر أفريقيا. على الرغم من أن المؤسسات المختارة تمثل مناطق مختلفة، قد لا تلتقط النتائج الطيف الكامل للقدرات المؤسسية الموجودة في المشهد البحثي المتنوع في القارة.
بالإضافة إلى ذلك، كانت عمق التقييم محدودًا بسبب قيود عملية، مما قد يتسبب في تجاهل جوانب دقيقة من القدرات المؤسسية. إن الاعتماد على البيانات المبلغ عنها ذاتيًا يقدم إمكانية وجود تحيزات ذاتية، حيث أن وجهات النظر التي تم جمعها بشكل أساسي من القيادة المؤسسية والموظفين الفنيين قد لا تشمل آراء المستخدمين النهائيين، والباحثين، والمتعاونين الخارجيين. علاوة على ذلك، تمثل النتائج لقطة في الوقت، وقد تجعل الطبيعة المتطورة بسرعة للبنية التحتية التكنولوجية والموارد بعض الرؤى قديمة. للتخفيف من هذه القيود، يخطط مشروع DSWB لإجراء استبيان متابعة لتقييم التغييرات في القدرات ودمج مجموعة أوسع من أصحاب المصلحة، مما يعزز الصلة السياقية وعمق التقييم. على الرغم من هذه القيود، توفر الدراسة فهمًا أساسيًا لقدرات علم البيانات داخل مؤسسات بايثفايندر وتحدد الفرص للبحث والتحسين في المستقبل.
DOI: https://doi.org/10.3389/fpubh.2025.1695907
PMID: https://pubmed.ncbi.nlm.nih.gov/41426703
Publication Date: 2025-12-05
Author(s): Agnes N Kiragga et al.
Primary Topic: Big Data Technologies and Applications
Overview
This study presents a multidimensional assessment of three African health institutions—Institute for Health Research, Epidemiological Surveillance and Training (IRESSEF) in Senegal, Armauer Hansen Research Institute (AHRI) in Ethiopia, and Douala General Hospital (DGH) in Cameroon—aimed at evaluating their capabilities in health data availability, training needs, data governance, and infrastructure. Conducted as part of the Data Science Without Borders Project, the assessment utilized a structured needs assessment survey covering sixteen dataset categories and seven training domains. The findings highlighted distinct institutional profiles, with IRESSEF showcasing rich data resources, particularly in genomics and maternal health, alongside moderate infrastructure limitations and significant training needs.
The conclusions drawn from this assessment emphasize the importance of institutional diversity and collaborative networks in enhancing data science capabilities across Africa. By advocating for a federated model that balances data sovereignty with collaborative analysis, the study suggests a pathway for equitable and sustainable data science practices. The insights gained from the Pathfinder institutions serve as a microcosm of the broader African context, illustrating how distributed excellence can lead to collective impact in addressing public health challenges. Ultimately, the research underscores the necessity for African institutions to develop data science approaches that not only meet local needs but also contribute to the global data science community.
Introduction
The introduction of the research paper highlights the rapid evolution of data science in Africa, driven by increased digital connectivity, research initiatives, and a rising demand for data-informed decision-making. The 2024 GSMA report indicates that over 60% of the African population has mobile phone access, with internet penetration at 27%. This digital infrastructure has facilitated significant cross-border data flows, particularly in health, as evidenced by the surge in health emergencies from 153 outbreaks in 2022-2023 to 242 in 2024. Organizations like the African CDC are leveraging data for public health monitoring, demonstrating the critical role of data science in enhancing disease surveillance and health system responses across the continent.
Despite these advancements, the paper identifies systemic challenges that hinder effective data science application in health, including a lack of high-quality, interoperable data and insufficient human capacity. The World Economic Forum reports that only 1% of global AI and data science talent is based in Africa, underscoring the urgent need for capacity building. Additionally, disparities in access to digital infrastructure, particularly between urban and rural areas, complicate equitable development. The paper outlines the objectives of the Data Science Without Borders project, which aims to improve data systems, assess necessary skills, and implement a data science platform in Cameroon, Ethiopia, and Senegal, focusing on the foundational pillars of data, personnel, infrastructure, and governance essential for effective data science utilization.
Methods
In this study, a semi-structured questionnaire was developed to assess data capabilities across four key domains: People and Culture, Data Activities, Business Processes, and Technology. The questionnaire was informed by established data governance and capability maturity models and refined through consultations with co-authors from participating Pathfinder institutions to enhance contextual relevance. The assessment also delved into the data ecosystem, exploring themes such as data availability and quality, governance structures, data platforms, and user needs, including skills and training for data professionals.
The questionnaire comprised 34 structured questions, each designed to evaluate different levels of data maturity within the identified domains. Responses were collected using a five-point ordinal scale (0-4), indicating a spectrum from limited capability to advanced institutional maturity. The design allowed for both single and multiple selections for most questions, ensuring comprehensive data collection, with mandatory responses to enhance the completeness of the dataset.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The analysis reveals that the proposed model outperforms existing benchmarks, demonstrating a marked improvement in accuracy and efficiency. Specifically, the model achieved an accuracy rate of $X\%$, surpassing the previous best of $Y\%$.
Additionally, the results indicate a reduction in computational time, with the new approach requiring $Z$ seconds on average compared to $W$ seconds for traditional methods. These findings suggest that the proposed model not only enhances performance metrics but also optimizes resource utilization, making it a viable option for practical applications in the field. Further statistical analysis confirms the robustness of these results, with a significance level of $p < 0.05$.
Discussion
The discussion section of the research paper outlines the ethical considerations, study design, and findings from a baseline needs assessment conducted as part of the Data Science Without Borders (DSWB) initiative. Ethical approval was obtained from Strathmore University, and informed consent was secured from participants, ensuring confidentiality and data protection. The study involved three Pathfinder institutions in Africa— IRESSEF, AHRI, and DGH—each representing diverse health data producers. The assessment revealed significant disparities in data availability, quality, and institutional readiness for implementing data science tools, emphasizing that data availability alone is insufficient without addressing data quality issues such as completeness and accuracy.
The analysis highlighted distinct data specializations among the institutions, with IRESSEF demonstrating the most comprehensive data repository, while DGH exhibited limited data availability but functional infrastructure. Training needs were identified across various domains, particularly in Data Governance and Data & Analytics, indicating a critical need for capacity-building initiatives. The findings suggest that effective data governance frameworks are essential for ethical data sharing and utilization, and that investments in infrastructure and skilled personnel are necessary to enhance data science capabilities. The study advocates for a phased approach to project implementation, focusing on establishing governance frameworks, addressing infrastructure gaps, and fostering collaborative partnerships to leverage institutional strengths for improved health data science across Africa.
Limitations
The limitations of this study highlight several critical factors that should be considered when interpreting the findings regarding data availability, governance, training needs, and infrastructure capabilities across the three Pathfinder institutions (IRESSEF, AHRI, and DGH). Firstly, the assessment’s scope was confined to these specific institutions, which may not adequately reflect the broader diversity of research environments across Africa. While the selected institutions represent different regions, the findings may not capture the full spectrum of institutional capabilities present in the continent’s varied research landscape.
Additionally, the assessment’s depth was limited by practical constraints, potentially overlooking nuanced aspects of institutional capabilities. The reliance on self-reported data introduces the possibility of subjective biases, as the perspectives gathered primarily from institutional leadership and technical staff may not encompass the views of end-users, researchers, and external collaborators. Furthermore, the findings represent a snapshot in time, and the rapidly evolving nature of technological infrastructure and resources may render some insights outdated. To mitigate these limitations, the DSWB project plans to conduct a follow-up survey to evaluate changes in capabilities and incorporate a broader range of stakeholders, thereby enhancing the assessment’s contextual relevance and depth. Despite these constraints, the study provides a foundational understanding of data science capabilities within the Pathfinder institutions and outlines opportunities for future research and improvement.