في عالم الرعاية الصحية الرقمية، تكتسب أدوات الذكاء الاصطناعي (AI) أهمية متزايدة، ولكن هل تشمل هذه الأدوات جميع الفئات السكانية بشكل عادل؟ دراسة حديثة سلطت الضوء على هذا السؤال من خلال تطوير نموذج FairGlucose، الذي يهدف إلى تقييم دقة أدوات تحليل الجلوكوز المستندة إلى المراقبة المستمرة (CGM).

تتعلق الدراسة بأكثر من 300 مريض، موزعين بشكل متوازن عبر اثني عشر تصنيفًا ديموغرافيًا، مما يوفر قاعدة بيانات غنية تحتوي على 132,480 عينة للتوقع و3,945 حدثًا سلوكيًا مسجلاً. مقارنةً بـ 33 نموذجًا من عوائل مختلفة في توقع مستويات الجلوكوز على مدى ساعتين، وجدت الدراسة أن التقييم على مستوى السكان يخفي تفاوتات كبيرة بين الفئات.

فبينما بدت القياسات المجمعة مستقرة، كشفت البيانات عن تباينات ملحوظة على مستوى الفئات الفرعية، حيث كانت نسبة الخطأ في توقعات المرضى من النوع الأول (T1D) أعلى بواقع 6 ملغم/دل مقارنة بالنوع الثاني (T2D).

تشير هذه الفجوات إلى أن التقييم المستند إلى مجموعات سكانية وحده ليس كافيًا لتقييم العدالة في أدوات الذكاء الاصطناعي في الصحة الرقمية. لذا، يشدد الباحثون على أهمية تضمين تقارير تفصيلية على مستوى الفئات الفرعية كمعيار أساسي في تقييم دقة هذه الأدوات. إن نتائج هذه الدراسة تشير إلى أن تكامل هذه المعايير يمكن أن يعزز من فعالية أدوات الذكاء الاصطناعي وينعكس إيجابًا على الرعاية الصحية المستدامة.