Mapping the Evolution of Artificial Intelligence in Healthcare, 2017–2025: An Integrated Bibliometric and Latent Dirichlet Allocation Topic Modelling Analysis
تدمج هذه الدراسة بين التحليل الببليومتري المعياري ونمذجة المواضيع باستخدام تخصيص ديريكليه الكامن (LDA) على مجموعة مختارة من 2,631 وثيقة حول الذكاء الاصطناعي في الرعاية الصحية من عام 2017 إلى عام 2025 للتغلب على قيود الكلمات المفتاحية، كاشفةً عن مسار نضج ينتقل من التطبيقات الجاهزة للنشر إلى الآفاق المعتمدة على الحوكمة مثل النماذج اللغوية الكبيرة والذكاء الاصطناعي القابل للتفسير.
إن مشهد الطب الحديث يعاد تشكيله بهدوء بواسطة قوة جديدة قوية: الذكاء الاصطناعي. لعقود من الزمن، ساعدت الحواسيب الأطباء في تنظيم السجلات وإجراء حسابات أساسية، ولكن أنظمة اليوم تتعلم كيفية رؤية الأنماط في الصور الطبية، والتنبؤ بنتائج المرضى، وحتى صياغة الملاحظات السريرية. يحدث هذا التحول بسرعة كبيرة لدرجة أنه من الصعب على قادة المستشفيات والباحثين تكوين صورة واضحة عن الاتجاه الذي يسلكه المجال. إنهم بحاجة إلى وسيلة لرسم خريطة لهذا المحيط الشاسع من الأبحاث الجديدة، والتمييز بين الأفكار الجاهزة للاستخدام في العالم الحقيقي وتلك التي لا تزال مجرد تجارب. وللقيام بذلك، يتعين عليهم النظر في آلاف الأوراق العلمية، لكن مجرد عد الكلمات أو الاعتماد على الملصقات التي يختارها المؤلفون لوصف أعمالهم غالباً ما يغفل المعنى الأعمق. فقد يستخدم علماء مختلفون كلمات مختلفة لنفس الفكرة، أو نفس الكلمات لأشياء مختلفة، مما يخلق ضباباً يحجب التوجهات الحقيقية.
قرر فريق من الباحثين في معهد "كي جيه سومايا" للإدارة في مومباي إزالة هذا الضباب عبر الجمع بين طريقتين مختلفتين للنظر في البيانات. لقد جمعوا مجموعة ضخمة مكونة من 2,631 مقالاً علمياً نُشرت بين عامي 2017 و2025، مع التركيز تحديداً على كيفية تطبيق الذكاء الاصطناعي في الرعاية الصحية. وبدلاً من مجرد قراءة العناوين والكلمات المفتاحية، استخدموا طريقة حاسوبية تقرأ عناوين وملخصات المقالات لإيجاد مواضيع خفية، تماماً مثل أمين مكتبة يستمع إلى محتوى محادثة بدلاً من مجرد قراءة موضوع الرسالة المكتوب على الظرف. ومن خلال دمج هذه القراءة العميقة مع تحليل قياسي لمن يستشهد بمن وأي المجلات هي الأكثر نشاطاً، نجحوا في إنشاء خريطة تفصيلية لتطور المجال. ويكشف عملهم ليس فقط عن التقنيات التي تنضج، بل أيضاً عن الأفكار الناشئة التي تمر تحت رادار التتبع البحثي التقليدي.
وجد الباحثون أن المجال قد نما بشكل انفجاري، حيث ارتفع عدد المنشورات من حوالي 87 في عام 2017 إلى 731 في عام 2025. كان هذا الارتفاع حاداً بشكل خاص حول عام 2020، مدفوعاً بالحاجة الملحة لأدوات للمساعدة في تشخيص وتتبع جائحة كوفيد-1ويد. وعندما حللوا الأوراق الأكثر استشهاداً، رأوا أن التركيز المبكر كان منصباً بكثافة على استخدام الحواسيب لقراءة الصور الطبية، مثل الأشعة السينية والمسوحات، وعلى ربط الأجهزة القابلة للارتداء بأنظمة المستشفيات. وقد وصلت هذه المجالات الآن إلى نقطة النضج، مما يعني أن المشكلات التقنية الأساسية قد حُلّت إلى حد كبير، وأن البحث الحالي يركز على تحسين هذه الأدوات لأمراض محددة مثل أمراض القلب أو السكري.
ومع ذلك، جاء الاكتشاف الأكثر أهمية للدراسة من طريقة القراءة العميقة، التي كشفت عن مواضيع أغفلتها عمليات البحث التقليدية بالكلمات المفتاحية تماماً. فبينما أظهر التحليل التقليدي صورة واضحة للتصوير والأجهزة القابلة للارتداء، فشل في رصد مجالين متناميين بسرعة: استخدام النماذج اللغوية الكبيرة لكتابة الملاحظات السريرية، والحاجة الملحة لقواعد توضح كيفية اتخاذ الذكاء الاصطناعي لقراراته. لقد حدد التحليل الحاسوبي أن هذه المواضيع تشهد طفرة في الشعبية، ومع ذلك كانت غير مرئية في خرائط الكلمات المفتاحية القياسية لأن العلماء يستخدمون مجموعة متنوعة من المصطلحات لوصفها. وهذا يشير إلى أن المجال ينتقل من مجرد بناء أدوات ذكية إلى القلق بشأن كيفية حكمها وكيفية دمجها في الأعمال الورقية اليومية للمستشفيات.
نظم الباحثون هذه النتائج في جدول زمني واضح للجاهزية. فقد حددوا أن التقنيات الخاصة بقراءة الصور الطبية ومراقبة المرضى باستخدام أجهزة الاستشعار جاهزة للنشر في المستشفيات الآن. أما المجالات الأخرى، مثل استخدام الذكاء الاصطناعي لمساعدة الأطباء في كتابة سجلات المرضى أو لحماية خصوصية المريض أثناء مشاركة البيانات عبر مستشفيات مختلفة، فهي لا تزال في مرحلة نمو سريع. هذه المجالات الجديدة ليست جاهزة بعد للاستخدام على نطاق واسع لأنها تتطلب وضع قوانين وأطر سلامة جديدة أولاً. وتخلص الدراسة إلى أنه بالنسبة لقادة المستشفيات والمستثمرين، فإن الرؤية الأكثر قيمة ليست فقط فيما يعمل اليوم، بل في التعرف على التقنيات الناشئة التي تلوح في الأفق والتي تتطلب استعداداً قبل أن يمكن اعتمادها بأمان. ومن خلال استخدام هذا النهج المزدوج المتمثل في عد الاستشهادات والقراءة بحثاً عن المواضيع الخفية، قدم الفريق طريقة موثوقة لرؤية مستقبل التكنولوجيا الطبية قبل أن يصبح واضحاً للجميع.
ملخص تقني: رسم خريطة تطور الذكاء الاصطناعي في الرعاية الصحية (2017–2025)
بيان المشكلة أدى التحول السريع للذكاء الاصطناعي (AI) في مجال الرعاية الصحية —من الأنظمة القائمة على القواعد إلى التعلم العميق والنماذج اللغوية الكبيرة (LLMs)— إلى خلق تحدٍ أمام الباحثين وصناع القرار في رسم خريطة دقيقة للحالة الراهنة للمجال ومساره المستقبلي. وبينما تقدم التحليات الببليومترية القياسية رؤى على المستوى الكلي، إلا أنها تعتمد بشكل كبير على التواجد المشترك للكلمات المفتاحية. ويحد هذا النهج من خلال عدم تجانس الكلمات المفتاحية للمؤلفين، حيث تصف مصطلحات مختلفة نفس المفهوم أو تصف مصطلحات متطابقة مفاهيم مختلفة، مما يؤدي إلى إدخال ضجيج والفشل في التقاط العلاقات الدلالية عبر التقاليد البحثية المتنوعة. وبناءً على ذلك، قد تظل المواضيع الدلالية الناشئة، لا سيما تلك التي تستخدم مصطلحات مبتكرة (مثل "الذكاء الاصطناعي القابل للتفسير" أو تطبيقات محددة للنماذج اللغوية الكبيرة)، غير ممثلة أو غير مرئية في الخرائط التقليدية القائمة على الكلمات المفتاحية.
المنهجية تستخدم هذه الدراسة منهجية متكاملة تجمع بين مسار ببليومتري قياسي مكون من سبع مراحل ونمذجة المواضيع باستخدام توزيع ديلييه الكامن (LDA) الحسابي.
بناء المتن (Corpus Construction): تم استخراج متن مزدوج من قواعد البيانات من OpenAlex وPubMed، يغطي مجموعة بيانات "السحابة والرعاية الصحية" الأم من 2010 إلى 2025. بعد تصفية المتن بحثاً عن المصطلحات المتعلقة بالذكاء الاصطناعي (مثل "تعلم الآلة"، "التعلم الاتحادي"، "النماذج اللغوية الكبيرة") وحصر الإطار الزمني بين 2017 و2025، تم الانتهاء من متن فرعي يتكون من 2,631 وثيقة باتباع معايير فحص PRISMA 2020 (إزالة التكرار، اللغة، وفلاتر توفر الملخص).
التحليل الببليومتري: تم تطبيق الطرق القياسية باستخدام حزمة bibliometrix في لغة R، بما في ذلك قوانين برادفورد ولوتکا، وتحليل الاستشهاد، وشبكات التأليف المشترك/الاستشهاد المشترك، والاقتران الببليومتري، ورسم الخرائط الموضوعية عبر ثلاث فترات (2017–2019، 2020–2022، 2023–2025). كما استُخدم تحليل المراسلات المتعددة (MCA) لتصور الهياكل المفاهيمية.
نمذجة مواضيع LDA: استُخدمت حزمة topicmodels في لغة R لنمذجة نصوص العناوين والملخصات المدمجة. تضمنت المعالجة المسبقة تحويل الحروف إلى حالة صغرى، وإزالة كلمات التوقف (بما في ذلك المصطلحات عالية التكرر وغير المميزة الخاصة بالمجال)، والاشتقاق. تم تحديد العدد الأمثل للمواضيع (k=8) عن طريق تقليل تعقيد البيانات المحتجزة (held-out perplexity). كما تم استخدام أخذ عينات جيبس (2,000 تكرار). تم تعيين تسميات المواضيع عبر مراجعة نوعية لأفضل 20 مصطلحاً لكل موضوع بواسطة مدققين مستقلين، مما حقق اتفاقاً جوهرياً بين المدققين (معامل كوهين كابا = 0.84).
النتائج الرئيسية
النمو والاتجاهات: أظهر المتن نمواً انفجارياً، حيث ارتفع عدد المنشورات السنوية من حوالي 87 في عام 2017 إلى 731 في عام 2025 (بمعدل نمو سنوي مركب ~30%). حدثت نقطة تحول واضحة في 2020–2021، مدفوعة بتشخيصات كوفيد-19 القائمة على الذكاء الاصطناعي ونماذج المراقبة الاتحادية.
النتائج الببليومترية: حدد قانون برادفورد مجلات IEEE Access وIEEE Internet of Things Journal وFuture Generation Computer Systems كمجلات أساسية. وأشار قانون لوتكا إلى وجود مجتمع باحثين أكثر تركيزاً قليلاً (β=2.58) مقارنة بالمتن الأم.
اكتشاف مواضيع LDA: تم تحديد ثمانية مواضيع كامنة متماسكة:
التعلم العميق: التصوير الطبي (18.4%، ناضج)
معالجة اللغات الطبيعية للنصوص السريرية (13.2%، متنامٍ)
التعلم الاتحادي والخصوصية (11.8%، نمو سريع)
أنظمة دعم القرار السريري (CDSS) المتكاملة مع إنترنت الأشياء (16.7%، ناضج)
اكتشاف الأدوية وعلم الجينوم (8.9%، مستقر)
النماذج اللغوية الكبيرة للتوثيق السريري (9.3%، نمو انفجاري بعد 2023)
حوكمة الذكاء الاصطناعي القابل للتفسير (XAI) (10.6%، نمو سريع)
المراقبة عن بُعد للمرضى بالذكاء الاصطناعي (11.1%، متنامٍ)
التكامل والتباعد: كشفت المقارنة المرجعية بين LDA والتواجد المشترك للكلمات المفتاحية أنه بينما تتماشى مواضيع مثل "التعلم الاتحادي" بشكل جيد، فإن النماذج اللغوية الكبيرة للتوثيق السريري وحوكمة الذكاء الاصطناعي القابل للتفسير كانا غائبين تماماً عن مجموعات الكلمات المفتاحية القياسية. وهذا يؤكد أن LDA نجح في اكتشاف الجبهات البحثية الناشئة التي أغفلها تحليل الكلمات المفتاحية.
تحليل المسار: تم تصنيف المواضيع حسب النضج:
الجاهز للنشر (Deployment-Ready): التصوير بالتعلم العميق وCDSS القائم على إنترنت الأشياء (نمو مستقر، التركيز على التحقق).
الجاهز للتكامل (Integration-Ready): معالجة اللغات الطبيعية للنصوص السريرية، التعلم الاتحادي، والمراقبة عن بُعد (تكنولوجيا مثبتة، تتطلب تكامل البنية التحتية).
الأهمية والمساهمات تدعي الورقة ثلاث مساهمات رئيسية:
التقدم المنهجي: تُظهر أن دمج LDA مع المسارات الببليومترية القياسية يوفر اكتشافاً دلالياً متفوقاً مقارنة بتحليل الكلمات المفتاحية وحده، وتحديداً في تحديد المواضيع الناشئة (مثل النماذج اللغوية الكبيرة والذكاء الاصطناعي القابل للتفسير) التي لم تُدرج بعد في الكلمات المفتاحية المقدمة من المؤلفين.
تصنيف جاهزية التكنولوجيا: توفر الدراسة إطاراً قابلاً للتكرار لتصنيف تطبيقات الذكاء الاصطناعي في الرعاية الصحية بناءً على مرحلة تطورها (ناضجة، متنامية، أو جبهات رائدة)، وهو ما ينطبق مباشرة على قرارات الاستثمار في التكنولوجيا الصحية ومسح الآفاق المستقبلية.
البعد الحوكمي: يسلط التحليل الض الضوء على ظهور بُعد "الحوكمة والأخلاقيات" (يشمل الذكاء الاصطناعي القابل للتفسير، والتحيز، والعدالة، والخصوصية) كقوة هيكلية في الأدبيات منذ عام 2020، وهو تفصيل لم يكن مرئياً إلا جزئياً في خرائط الكلمات المفتاحية التقليدية، ولكنه اتضح بوضوح من خلال النهج المتكامل.
المحددات يشير المؤلفون إلى أن نتائج LDA حساسة للمعالجة المسبقة واختيار عدد المواضيع. كما تقتصر الدراسة على المنشورات باللغة الإنجليزية، مما قد يؤدي إلى نقص في تمثيل الأبحاث الصينية الهامة في مجال الذكاء الاصطناعي والرعاية الصحية. كما أن أعداد الاستشهادات للسنوات الأخيرة غير مكتملة بسبب فترات التراكم. أخيراً، فإن تصنيف جاهزية التكنولوجيا مشتق من أنماط النشر وليس من التقييم المباشر للأنظمة السريرية المستخدمة فعلياً.