Sustainable artificial intelligence in global health: balancing promise, equity, and environmental realities in low- and middle-income countries.

چکیده اصلی

OBJECTIVE: Artificial intelligence (AI) adoption in global health informatics is accelerating, yet scaling, sustainability, equity, and environmental challenges limit impact, particularly in Low and Middle Income Countries (LMICs). MATERIALS AND METHODS: Drawing on experience from members of the American Medical Informatics Association Global Health Informatics and Climate, Health and Informatics Working Groups, we synthesized implementation, evaluation, sustainability, and governance considerations for AI in resource constrained health systems. RESULTS: We propose a framework integrating four components: Green AI necessity assessments; a One Digital Health systems lens; pragmatic, workflow integrated evaluation; and federated governance supporting locally led stewardship and cross institutional learning. DISCUSSION: Sustainable AI requires moving beyond short term pilots to address infrastructure, environmental costs, workflow integration, equity, and locally relevant evidence. CONCLUSION: Funders and implementers should prioritize durable infrastructure, strengthened health information systems, rigorous evidence generation, environmentally responsible deployment, and local stewardship to achieve scalable, equitable, and sustainable AI in global health.

ترجمه فارسی چکیده

هدف: پذیرش هوش مصنوعی (AI) در علم اطلاعات سلامت جهانی در حال افزایش است، اما محدودیت‌های مقیاس‌پذیری، پایداری، عدالت و چالش‌های محیط‌زیستی اثرگذاری را محدود می‌کنند، به‌ویژه در کشورهای درآمد پایین و متوسط (LMIC). روش‌ها: بر اساس تجربه اعضای گروه‌های کاری علم اطلاعات سلامت جهانی و اقلیم، سلامت و علم اطلاعات انجمن علم اطلاعات پزشکی آمریکا، ما مفاهیم پیاده‌سازی، ارزیابی، پایداری و حاکمیت برای هوش مصنوعی در سیستم‌های سلامت با منابع محدود را ترکیب کردیم. نتایج: ما یک چارچوبی را پیشنهاد می‌کنیم که چهار مولفه را ادغام می‌کند: ارزیابی‌های ضرورت هوش مصنوعی سبز؛ لنز یک سیستم سلامت دیجیتال؛ ارزیابی عملی و ادغام در جریان کار؛ و حاکمیت فدرال که پشتیبانی از مدیریت محلی و یادگیری بین‌سازمانی را تسهیل می‌کند. بحث: هوش مصنوعی پایدار نیازمند فراتر رفتن از آزمایش‌های کوتاه‌مدت برای رسیدن به زیرساخت، هزینه‌های محیط‌زیستی، ادغام در جریان کار، عدالت و شواهد مرتبط با محلی است. نتیجه‌گیری: تأمین‌کنندگان و اجراکنندگان باید زیرساخت‌های پایدار، سیستم‌های اطلاعات سلامت تقویت‌شده، تولید شواهد دقیق، استفاده مسئولانه از نظر محیط‌زیستی و مدیریت محلی را اولویت‌بندی کنند تا هوش مصنوعی مقیاس‌پذیر، عادلانه و پایدار در سلامت جهانی محقق شود.

متن کامل اصلی