绘制人工智能和可穿戴技术在物理治疗与康复领域的全球研究版图:一项文献计量学分析(1998–2026)

《Journal of Bodywork and Movement Therapies》:Mapping the global research landscape of artificial intelligence and wearable technologies in physiotherapy and rehabilitation: A bibliometric analysis (1998–2026)

【字体: 大 中 小 】 时间:2026年10月12日 来源:Journal of Bodywork and Movement Therapies 1.3

编辑推荐:

   • 本研究对2659篇关于人工智能与可穿戴康复技术的文献进行了梳理。 • 美国和中国是该研究领域的主要贡献者。 • 机器学习和可穿戴传感器是出现频率最高的作者关键词。 • 深度学习和外骨骼展现出更近期的发文趋势。 • 临床验证和更广泛的国际合作仍然是优先事项。 引言 人工

  • 本研究对2659篇关于人工智能与可穿戴康复技术的文献进行了梳理。• 美国和中国是该研究领域的主要贡献者。• 机器学习和可穿戴传感器是出现频率最高的作者关键词。• 深度学习和外骨骼展现出更近期的发文趋势。• 临床验证和更广泛的国际合作仍然是优先事项。引言人工智能(AI)是计算机科学的一个多学科领域,致力于开发能够执行需要人类认知技能任务的智能机器(Krithiga等,2023;Yashchenko,2024)。目前,AI辅助物理康复已成为康复科学中发展最快的领域之一,提升了治疗的可用性、效率和个人化程度。AI技术已整合到各种物理治疗程序中,范围涵盖从临床工作流自动化到康复机器人和数字健康服务(Alsobhi等,2022)。预测分析和机器学习模型用于预测康复轨迹、根据患者表现个性化治疗,并通过持续采集生理和功能性数据的可穿戴技术对患者进行远程监控(Alshami等,2025)。此外,由AI驱动的回修复机器人、外骨骼和末端执行器设备已成为重复性任务导向训练的有效工具(Alshami等,2025)。肌电信号等生理信息使这些设备能够适应个体患者的需求和康复进展(Vélez-Guerrero等,2021)。通过可穿戴技术在物理治疗中应用AI的例子不胜枚举。机器学习模型与可穿戴传感器结合可提供对患者表现的客观评估,有助于消除临床评估中的主观性和过度时间成本(Guo等,2022)。这些技术允许持续监控和即时反馈,从而促进物理治疗师和患者在康复过程中的协作。深度学习算法推动了人类活动识别的重大进展,实现了对运动模式的精确识别和分类。这些进展增强了可穿戴设备用于持续监测个体和提高生活质量的能力(Zhang等,2022)。此外,假肢通过预测肌肉动作的算法得到改进,以实现更自然的运动控制(Sadiq等,2026)。目前的研究表明,AI辅助物理治疗可以产生与传统康复治疗相当甚至更优的效果,尤其是在肌肉骨骼和神经系统疾病方面(Artiles-Sánchez等,2026)。尽管取得这些进展,仍有若干挑战阻碍着AI在物理治疗中的实施。系统综述指出,干预效果高度依赖于患者的参与度和治疗依从性;因此,低参与度可能使这些创新无效(El Arab等,2026)。数字鸿沟是另一个障碍,阻止了个体(尤其是老年人)采用这些技术,从而加剧了健康不平等(Sadiq等,2026)。此外,物理治疗师往往仅将AI视为支持其实践辅助工具,而非临床经验替代品(El Arab等,2026)。AI在物理治疗中实施的额外障碍包括专业培训缺乏、治理不足和技术基础设施问题。培训相关障碍可通过持续专业发展和将AI能力纳入物理治疗课程加以解决(Aldhahi等,2025)。由于缺乏随机对照试验,当前证据基础仍然有限,大多数技术主要在实验室环境中测试。部分AI赋能医疗设备已获美国食品药品监督管理局(FDA)特定预期用途的市场许可(U.S. Food and Drug Administration, n.d.)。临床性能应针对适当参考标准进行评估,使用特定任务措施,如诊断分类的敏感性和特异性,或功能评估的一致性和测量误差(Guo等,2022;International Medical Device Regulators Forum, 2017)。未来进展应结合可解释AI与输出验证、偏见评估和临床医生监督,以支持可靠信息和临床信任(Piechowiak等,2025)。在康复中使用可穿戴系统的技术局限性依然存在,包括传感器身体位置敏感性、代偿性运动对测量准确性的影响、活动识别的数据质量挑战以及机器人康复设备的高成本和结构限制(Guo等,2022;Vélez-Guerrero等,2021;Zhang等,2022)。克服这些挑战需要临床医生、工程师、计算机科学家和医疗组织的密切合作。文献计量学研究为研究各个方面提供了有价值见解,如生产力、合作、主题和文献差距(Erlinawati, 2024;Kumar等,2024;Robaina Castillo, 2022)。在快速发展的领域如AI(Sadiq等,2026)中,这些分析使研究人员能够了解研究格局和新兴趋势。鉴于AI、可穿戴技术和物理治疗之间的交叉融合,全面了解该领域现有研究至关重要。先前文献计量学研究已绘制了AI在物理治疗和康复中的应用(Reis等,2026;Subbarayalu等,2024),相关工作探讨了康复中的动作捕捉(X. Huang等,2026)。更广泛的双数据库文献计量分析也绘制了医疗领域可穿戴设备的分布情况(Ding等,2026)。本研究通过考察AI在可穿戴及数字康复技术研究中的发文趋势、合作和知识网络,对这些映射进行了补充。国际合作的不足(Reis等,2026)以及康复、感知技术和计算方法之间的交叉融合(X. Huang等,2026)促使提出以下描述性研究问题:1. 发文量如何演变?哪些作者、机构和国家在发文活动和合著网络中最具影响力?2. 哪些出版物和其他文献计量单元在引用、共被引和书目耦合分析中最具影响力?3. 哪些作者关键词出现频率最高?其共现反映了哪些研究主题?章节片段2 研究设计2.1 研究设计本文献计量分析旨在系统评估科学文献,并按照生物医学文献综述报告指南(BIBLIO)进行报告(Montazeri等,2023)。由于研究使用了公开可访问书目数据库检索的数据且不涉及人类参与者,因此无需伦理审批。2.2 数据来源和检索策略本研究使用的所有数据均从Clarivate PLC的Web of Science Core获取3 一般特征共识别并纳入2659篇1998年至2026年间发表的文献进行文献计量分析(图1)。这些出版物被41,214篇文章引用(排除自引后为39,651篇)。总体而言,数据集累计获得58,176次总引用(不含自引为53,702次),相当于每篇文档平均21.88次引用。数据集H指数为100,表明其具有显著的科学影响力。关于生产力指标,Kim J是...4 讨论本文献计量分析全面概述了机器学习在基于可穿戴传感器的运动分析、身体活动监测和康复研究中的发展、知识结构和合作图谱。该研究领域展现出显著增长,表现为高引用数和稳健的H指数。自2016-2017年以来生产力的快速增长与早期文献计量研究一致,表明了...5 结论AI在基于可穿戴设备的运动分析和康复领域的应用已成为一个快速增长且多元化的领域,现已形成全球互联格局。该领域未来的进展很可能取决于国家间合作的增加、欠发达地区和人群的更大参与,以及先进AI方法在康复中更快速的整合。6 患者同意不适用。7 伦理声明不适用。8 数据可用性当前研究中使用和/或分析的数据集可根据合理要求向通讯作者索取。9 生成式AI及AI辅助技术使用说明在准备本工作期间,作者使用Google Gemini Pro 3.1进行翻译、语法纠正、句法改进、风格编辑和校对。使用该工具/服务后,作者根据需要对内容进行了审阅和编辑,并对出版内容负全部责任。10 资金支持无。利益冲突声明作者声明没有已知的财务利益或个人关系可能影响本文所报告的工作。Harun Gen?osmano?lu
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