人工智能在脑卒中康复预测与管理中的应用:一项结构化叙述性综述

《Cyborg and Bionic Systems》:Application of Artificial Intelligence in the Prediction and Management of Stroke Rehabilitation

【字体: 大 中 小 】 时间:2026年10月09日 来源:Cyborg and Bionic Systems 20.9

编辑推荐:

  人工智能正被研究应用于脑卒中照护路径的各个环节,但来自急性期诊断、早期预后、康复结局预测及长期管理的证据,往往未能在讨论中清晰区分这些临床任务。本结构化叙述性综述构建了一个整合性框架,将每项应用对应至其决策节点、与康复的相关性、验证水平及临床就绪度。与既往以技

  
人工智能正被研究应用于脑卒中照护路径的各个环节,但来自急性期诊断、早期预后、康复结局预测及长期管理的证据,往往未能在讨论中清晰区分这些临床任务。本结构化叙述性综述构建了一个整合性框架,将每项应用对应至其决策节点、与康复的相关性、验证水平及临床就绪度。与既往以技术为中心的综述不同,本综述明确区分了急性期预后证据与康复特异性证据,并区分了技术性能与可迁移性(transportability)、临床影响及康复获益。急性期影像与预后模型可为后续康复规划提供基线信息,但其诊断或预后性能并不能确立康复疗效。多数康复模型及机器人、虚拟现实(virtual reality,VR)、脑机接口(brain–computer interface,BCI)、可穿戴设备及家庭监测应用,仍主要依赖于内部验证或早期探索性研究支持。样本量小或选择性入组、外部及前瞻性验证有限、工作流程效应不确定,以及以患者为中心的结果指标稀疏,持续制约着临床解读。
引言
本节阐述了脑卒中是长期残疾的主要原因,对患者、家庭及卫生系统持续造成负担。尽管康复应个体化并以目标为导向,常规决策仍主要依赖周期性评估、临床经验及本地资源,可能无法充分反映基线功能、合并症、病灶特征及恢复速度的差异。康复服务提供与可及性在不同卫生系统间也存在差异,地理障碍、服务能力有限及间歇性结局评估可能限制可及性并延误治疗调整。人工智能(artificial intelligence,AI)可能支持恢复预测、运动或影像分析、监测及治疗调整,但所报告获益必须结合研究设计、样本量、对照组、结局定义、随访及验证环境进行解读。外部范围综述数据显示,损伤与辅助干预类文献分别占41.6%和33.8%,合计占文献总量的75.4%。功能损伤/能力、脑机接口(BCI)及步态与移动性是最常见的个体主题,而预测、影像/神经科学及运动功能恢复的占比相对较低。急性期检测、分诊及风险管理工具与后续照护路径相关,但急性诊断性能并不能确立康复获益,临床使用还需具备可迁移性、可解释输出、安全的数据治理及与常规工作流程的兼容性。本综述沿脑卒中照护路径的连续决策节点审视AI应用,涵盖预测、评估、治疗支持、监测及康复管理,同时将急性期任务与康复特异性应用分开讨论。监管授权目前主要局限于部分急性影像功能,康复预测、评估及辅助技术的证据仍主要来自探索性或早期可行性研究。
综述方法学
本研究设计为结构化叙述性综述,采用结构化多数据库检索及PRISMA(Preferred Reporting Items for Systematic Reviews and Meta-Analyses,系统综述和荟萃分析优先报告条目)式研究识别与选择描述以提高报告透明度,未注册为系统综述,也未进行荟萃分析。检索覆盖PubMed/MEDLINE、IEEE Xplore、Web of Science及Scopus四个电子数据库,检索时间为2025年1月至3月,涵盖2010年1月至2025年3月发表的文献。检索策略采用医学主题词与自由文本关键词组合,分为条件组、技术组和结局组三组概念,组内以OR连接,组间以AND连接。纳入标准包括同行评议的英文原创研究、综述或会议论文,研究对象为成人脑卒中患者(≥18岁)或为成人脑卒中康复开发的计算模型。四库检索共识别1247条记录,去除389条重复后,858条独特记录接受标题与摘要筛选,546条被排除,312篇进入全文资格评估,再排除204篇后,最终纳入108篇出版物进行基于数据库的叙述性综合。两名评审者独立筛选,分歧通过讨论和共识解决。由于纳入证据类型异质,未采用单一正式偏倚风险评估工具,而以定性方式系统评估研究设计、样本量、内部或外部验证、性能报告、临床相关性及所报告局限性。108篇文献按四个主题领域组织综合:康复结局预测、康复评估与监测、AI驱动的治疗干预与管理系统、以及与机器人、VR、BCI、可穿戴技术和远程康复的整合。
脑卒中康复的基本概念与过程
脑卒中康复整合运动、认知、沟通及心理社会照护,以改善脑血管损伤后的功能与日常生活活动(activities of daily living,ADLs)。康复模型应考虑跨领域影响,而非将各损伤视为孤立过程。康复涵盖物理治疗、作业治疗及言语语言病理学,共同处理运动功能、自我照护、沟通及认知。当代康复的核心原则是通过重复性、目标导向的练习和结构化认知刺激促进经验依赖性神经可塑性。AI引导的康复可能通过根据患者表现调整任务难度、练习剂量及反馈时机来支持经验依赖性可塑性所需的行为条件,机器人系统可提供可重复的高重复辅助运动,VR任务可将目标导向练习与增强感觉反馈结合,BCI系统可将检测到的神经活动耦合至外部反馈或辅助运动。但适应性算法或短期任务获益不应被解读为神经重构的直接证据。康复主要过程为四阶段迭代循环:评估、治疗、反馈与调整。评估阶段使用Fugl–Meyer评估、简易精神状态检查及Barthel指数等工具建立基线;治疗阶段由多学科团队针对移动性、平衡、上肢功能、自我照护、沟通及吞咽开展干预;反馈来自临床检查、标准化结局测量、患者报告及康复设备;调整阶段根据观察到的进展、疲劳、并发症及患者优先级修订目标与治疗参数。
AI技术概述
AI指执行模式识别、预测或决策支持任务的计算方法。机器学习和深度学习是相关但不同的计算方法:机器学习通常使用预设特征学习预测关系,深度学习使用多层神经网络直接从图像、音频及纵向传感器信号等复杂输入中学习表征。两类方法均可能在小样本或选择性数据集上过拟合,因此需要适当的内部验证及独立的外部与前瞻性评估。在脑卒中预后与神经康复中,ML已应用于语言、认知、运动恢复及功能独立等结局预测。一项纳入7项急性脑卒中预后队列研究的系统综述与荟萃分析报告合并AUC(area under the receiver operating characteristic curve,受试者工作特征曲线下面积)为0.872(95%置信区间,0.862至0.881),但研究层面比较仅总结急性预后判别能力,不构成选择临床更优算法的依据。综述还比较了四类算法家族:卷积神经网络(convolutional neural network,CNN)分析空间模式,循环神经网络(recurrent neural network,RNN)和长短期记忆(long short-term memory,LSTM)网络建模序列数据,Transformer使用注意力机制表征全局关系,集成方法组合多个学习器进行结构化数据预测。算法选择应反映临床任务、数据结构、计算需求及性能与可解释性之间的平衡。许多算法在技术上已成熟,但康复特异性验证和临床影响研究仍不常见。
AI在脑卒中结局预测中的应用
脑卒中预测研究包括急性诊断、急性预后、康复结局预测及长期风险管理,各自回答不同临床问题并需要不同支持证据。急性影像与早期预后模型提供基线信息,可为后续康复规划提供参考,但急性诊断准确性或早期预后判别能力回答的是早期照护问题,不能证明康复干预有效或算法引导的调整改善长期恢复。代表性研究包括:Yang和Guo使用88例住院患者的156次动态磁敏感对比灌注加权成像检查预测90天改良Rankin量表结局,采用10折交叉验证,属小样本单中心急性影像数据集的内部验证;Campagnini等筛选278例脑卒中后康复患者,对273例进行内部交叉验证,预测改良Barthel指数等级转换;Adans-Dester等前瞻性入组37例获得性脑损伤患者(含16例脑卒中幸存者),使用留一受试者交叉验证从结构化任务中采集的可穿戴传感器数据估计临床运动评分。康复结局预测仍受限于静态结局定义、不完整的时间建模、小样本或选择性队列及稀疏的外部验证。多数预测研究为回顾性设计,依赖内部或单中心时间验证,独立多中心评估及临床影响前瞻性研究不常见。
AI在脑卒中康复管理中的应用
许多被描述为个体化的系统仍依赖群体水平模型,个体化实践通常表现为在现有方案内调整治疗强度、任务难度或反馈频率。相关异质性来源包括病灶特征、年龄、合并症、基线功能、认知储备、情绪、家庭支持及治疗可及性,当前模型通常仅纳入其中部分因素。VR应用通过交互反馈和模拟日常活动支持任务导向练习,但多数报告涉及小样本和短随访。机器人辅助治疗提供可重复运动练习及可测量、可调整的辅助,系统已开发用于上肢运动、步态和下肢训练及AI辅助治疗方案。BCI将运动想象或其他神经信号转换为反馈或辅助运动,一项研究中5例脑卒中患者完成10至24次训练,平均EEG分类准确率为87.4%,但该结果未经外部验证,也未证明运动恢复或优于标准康复。远程监测通过游戏化远程康复、可穿戴评估、智能鞋具及姿势监测扩展技术谱系,但当前证据主要为观察性或单臂研究。临床研究常使用小样本或选择性入组、替代性技术终点及有限验证,限制了推广性。跨AI辅助规划、治疗设备、远程监测及运动评估,文献主要由探索性、试点及早期临床研究组成,比较效果与实施证据有限。
AI在脑卒中康复中的挑战与瓶颈
数据相关挑战包括数据质量与异质性:脑卒中康复数据集在病灶特征、合并症、治疗暴露、评估时机及恢复轨迹方面差异显著,异质性和选择偏倚是推广性的障碍。数据隐私与安全方面,康复系统可能处理影像、生理信号、步态测量及家庭监测记录,治理应明确收集内容、访问权限、保留期限及数据可否用于模型开发,跨机构数据共享受治理、知情同意及数据保护要求差异的制约。模型相关挑战包括透明性与可解释性:"黑箱"问题仍是临床转化的障碍,临床医生在将模型输出纳入个体化治疗计划前必须理解其依据。模型可靠性与泛化能力方面,小样本或窄选择性队列训练时过拟合常见,可靠性需要多样化数据集、独立外部验证、校准评估及临床异质性人群中的测试。临床应用的局限性方面,AI可能支持康复咨询、监测及职业服务,但无法充分代表动机、情绪、家庭支持或治疗关系,临床部署需要技术验证与实施规划并重。AI应与常规康复照护兼容而非替代,需适配多学科工作流程和方案,AI支持的推荐也应让患者和家属能够理解。
未来发展方向与趋势
个体化治疗方面,许多当前AI系统通过使用人口学、临床或影像变量调整训练参数或风险估计来狭义定义个体化,很少代表塑造恢复的全部因素。未来个体化研究应确定模型引导的改变是否改善以患者为中心的结局,而非仅改变方案参数。跨学科技术整合方面,未来整合应聚焦闭环系统,使EEG、肌电(electromyography,EMG)、可穿戴传感器或其他患者信号为机器人辅助、扩展现实任务及自适应反馈提供信息,整合目的应是使辅助和任务需求匹配患者不断变化的功能状态,而非简单组合多种设备。智能远程监测与家庭康复方面,可穿戴设备和远程监测系统可将康复评估延伸至家庭,自动化分析可支持反馈和临床医生审查,但治疗改变应保持临床监督。远程康复的经济价值仍不确定,可能扩大连接性、数字素养、认知能力或家庭支持有限人群的获取差距。数据隐私、安全与治理标准方面,患者应被告知收集内容、访问权限、保留期限及是否可能用于模型开发,未来系统需要明确治理、审计追踪、知情同意程序及跨机构或跨境数据共享规则。可解释性与临床适应性方面,事后解释工具可阐明个体预测,但不能确定模型在其开发人群之外的表现,解释需求因任务而异,临床适应性还取决于AI推荐与临床医生判断的交互方式。
总结
总体而言,证据成熟度不均衡。急性影像与预后模型最接近早期分层潜在应用,而康复特异性预测和AI赋能的康复模式仍主要依赖内部验证或探索性研究支持。关键转化缺口并非算法可用性,而是经独立验证和校准的系统能否改善康复决策或以患者为中心的结局。在此类证据可用之前,AI应仅作为多学科康复的辅助手段,并与临床医生评估和患者目标结合解读。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号