يُعاني الأطفال غالبًا من إصابات المعصم في حياتهم اليومية، بينما يحتاج الأطباء المختصون بتشخيص الكسور عادةً إلى تحليل وتفسير صور الأشعة السينية قبل العلاج الجراحي من قِبل الجراحين. وقد مكّنت تطبيقات التعلم العميق النماذج العصبية من العمل كأدوات تشخيص مساعدة بالحاسوب (CAD) لمساعدة الأطباء والخبراء في التشخيص. نظرًا للنجاح الملحوظ الذي حققته نماذج YOLOv8 في مهام الكشف عن الأجسام، فقد تم تطبيقها على تشخيص الكسور. يُعد كتلة السياق العالمي (Global Context - GC) وسيلة فعالة وخفيفة الوزن لنمذجة السياق العالمي، وإدماجها في YOLOv8 يمكن أن يحسن أداء النموذج بشكل كبير. تقترح هذه الورقة نموذج YOLOv8+GC للكشف عن الكسور، وهو نسخة محسنة من نموذج YOLOv8 مع إضافة كتلة GC. تُظهر النتائج التجريبية أن النموذج المقترح YOLOv8-GC يزيد الدقة المتوسطة الحسابية عند حد تقاطع الاتحاد 0.5 (mAP 50) من 63.58٪ إلى 66.32٪ على مجموعة بيانات GRAZPEDWRI-DX، مما يجعله يصل إلى مستوى الحالة المتقدمة (SOTA). يتم توفير شفرة التنفيذ لهذه الدراسة على موقع GitHub عبر الرابط https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection.