《Artificial Intelligence in Medicine》:Enabling remote rehabilitation through human digital twins: A technological perspective
编辑推荐:
近年来,远程康复(telerehabilitation)已成为一种创新的康复护理模式,通过数字技术实现治疗方案的监督、监测和动态调整。人类数字孪生(Human Digital Twin,HDT)将患者(物理孪生,Physical Twin,PT)与患者特定的数
近年来,远程康复(telerehabilitation)已成为一种创新的康复护理模式,通过数字技术实现治疗方案的监督、监测和动态调整。人类数字孪生(Human Digital Twin,HDT)将患者(物理孪生,Physical Twin,PT)与患者特定的数字表征(虚拟孪生,Virtual Twin,VT)相连接,其关键特征在于物理孪生与虚拟孪生之间的持续或周期性同步。人工智能(Artificial Intelligence,AI)通过从异构数据源中提取有意义信息,支持人体运动分析、姿态估计以及无需可穿戴标记的运动学与姿势信息重建。扩展现实(Extended Reality,XR)技术作为用户与HDT之间的主要交互界面,实现沉浸式可视化、交互与反馈。传感系统,包括可穿戴设备和医疗物联网(Internet of Medical Things,IoMT)技术,提供持续的生理、生物力学和情境数据流,使HDT与个体真实状态保持同步。本研究遵循PRISMA指南,对Scopus、ScienceDirect和PubMed三个数据库2021年至2026年间发表的文献进行系统检索,最终纳入54项研究。研究结果显示,XR、AI和IoMT是HDT驱动的远程康复的关键使能技术,但三种技术的完整集成仍然罕见。研究人员通过质量功能展开(Quality Function Deployment,QFD)分析确定了HDT开发中最重要的技术特征,并据此提出了面向未来HDT远程康复系统的设计指南。本综述为HDT驱动的远程康复提供了综合性的技术视角,弥补了现有文献在单一技术或临床领域上的碎片化不足。
论文解读文章
一、研究背景与问题提出
远程康复(telerehabilitation)是近年来兴起的一种康复护理创新模式,通过远程医疗工具实现患者与医疗专业人员之间同步或异步的互动,涵盖评估、功能诊断、监测和个性化治疗等环节。COVID-19疫情显著加速了该领域的研究活动,推动了大量远程康复解决方案的开发与优化。超越疫情背景,全球人口老龄化趋势以及慢性肌肉骨骼和神经系统疾病患病率的持续上升,进一步凸显了创新康复服务交付模式的紧迫性,亟需可扩展、可持续且个性化的康复模型。已有证据表明,远程康复在疼痛减轻、功能改善和患者满意度方面可达到与面对面康复相当的效果。
数字孪生(Digital Twin,DT)概念在医疗应用中演化为人类数字孪生(Human Digital Twin,HDT),将患者(物理孪生,Physical Twin,PT)与患者特定的数字表征(虚拟孪生,Virtual Twin,VT)相连接。HDT的关键特征在于PT与VT之间的持续或周期性同步,患者数据用于随时间更新VT,使其能够反映患者状态的变化而非提供静态表征。更新后的VT可支持患者特定的预测、反馈或康复过程的适应性调整。HDT的发展与人工智能(Artificial Intelligence,AI)、扩展现实(Extended Reality,XR)和传感系统的技术进步密切相关。
然而,现有文献对远程康复技术发展的研究通常局限于特定视角:部分研究聚焦于单一使能技术(如计算机视觉与AI、传感技术或XR),部分研究针对特定临床病症(如卒中、帕金森病、炎症性关节炎)。尽管Miko?ajewska等人的综述明确涉及康复中的HDT,但其分析主要聚焦于AI在数字孪生开发和更新中的作用,未系统考察XR、IoMT和连接性作为HDT远程康复系统互补维度的作用。因此,现有文献在单一技术和临床领域之间呈现碎片化状态,缺乏对HDT远程康复的综合技术视角,也限制了对集成系统开发中通用架构原则和设计建议的界定。
基于上述背景,本研究提出三个研究问题:RQ1——远程康复在不同临床应用中的当前实施方式;RQ2——数字技术(特别是XR、AI和IoMT)在使能HDT远程康复发展中的角色;RQ3——当前阻碍远程康复系统有效性、可扩展性和临床整合的技术局限与开放挑战。本研究旨在通过系统综述和QFD分析,提出面向远程康复应用的HDT框架综合设计指南。
二、研究设计与关键方法
研究人员遵循PRISMA指南,于2025年11月1日至2026年1月31日在Scopus、ScienceDirect和PubMed三个数据库进行文献检索。纳入标准为2021年至2026年间发表的英文原创研究论文和会议论文,排除综述、社论、书籍章节、学位论文等非同行评审出版物。时间限制的动机基于三项重大技术发展:COVID-19疫情后远程医疗采用的快速扩展、5G和6G技术对医疗和可穿戴设备大数据量管理的支持、以及先进XR设备和深度传感技术的商业化可用性。检索策略围绕三个概念宏区构建:远程康复与HDT领域、技术领域(AI、XR、IoMT关键词)和临床领域(物理康复、物理医学、骨科关键词)。初步识别492条记录,经去重(39条)、按纳入排除标准筛选(排除229条因出版类型、12条因语言、91条因时间范围、13条因全文不可获取)及多阶段标题、摘要和全文筛选后,最终纳入54项研究。此外,研究人员采用质量功能展开(Quality Function Deployment,QFD)分析,将文献中涌现的需求与识别的技术特征相关联并支持优先级排序。
三、研究结果
3.1 临床应用领域
纳入研究可分为三个主要临床领域。神经与神经肌肉疾病领域共20项研究,卒中是最常研究的病症(11项),其次为帕金森病(1项),其余研究适用于卒中和帕金森病群体或针对杜氏/贝克肌营养不良症、口运动障碍和脑瘫等。康复方案通常基于高强度重复性运动练习,最常监测的参数之一是关节活动度(Range of Motion,ROM)。骨科与肌肉骨骼疾病领域共22项研究,其中13项聚焦术后康复(骨科手术与关节成形术、脊柱和腹部手术、截肢等),其余研究涉及非手术肌肉骨骼疾病(姿势功能障碍、慢性颈痛或上肢疼痛、骨关节炎、非特异性腰痛等)。除ROM评估外,多项研究通过对称指数(Symmetry Index)分析运动对称性,并通过视觉模拟量表(Visual Analogue Scale,VAS)评估疼痛。通用应用领域共12项研究,提出适用于多个康复领域的通用框架和算法解决方案,结合定量与定性运动评估,如使用对数无量纲急动度(Log Dimensionless Jerk,LDLJ)量化运动流畅性、动态时间规整(Dynamic Time Warping,DTW)评估运动稳定性、峰值关节活动度(Peak Range of Motion,PKROM)测量每次重复练习的最大ROM。
3.2 医疗物联网的角色
13项研究整合了IoMT技术,主要通过可穿戴或环境传感设备、本地边缘设备(如智能手机或家庭网关)和云端基础设施三部分组成的架构范式,实现持续患者监测、实时反馈和临床医生远程监督。IoMT技术支持个性化自适应康复,如使用可穿戴肌电图传感器获取肌肉活动并提供视觉生物反馈,或集成惯性测量单元和压力传感器监测姿势、步态和运动质量。然而,数据隐私与网络安全、网络延迟与带宽需求、异构设备互操作性、家庭环境可用性和可穿戴传感器能耗约束等问题仍限制其大规模采用。
3.3 XR技术的角色
33项研究整合了XR技术,其中22项采用沉浸式虚拟现实(Virtual Reality,VR),6项采用非沉浸式VR(non-immersive Virtual Reality,NIVR),5项采用增强现实(Augmented Reality,AR)。大多数解决方案采用游戏化方法(运动游戏)以提升患者参与度并减少常规康复方案的重复性。相比之下,5项研究提出非游戏化康复体验,主要出于对患者安全和运动质量的考虑——竞争性或快节奏游戏机制可能鼓励不正确姿势和不安全动作。沉浸式VR技术因其高感官沉浸水平可支持通过认知分散机制进行疼痛管理。AR和非沉浸式VR方案则优先考虑安全性、可用性和环境感知,允许患者保持对周围环境的持续感知,降低迷失方向风险,更适合家庭康复场景。但沉浸式技术可能引起晕动症、视觉疲劳和不适,运动到光子延迟等技术问题也会影响安全性和用户体验。
3.4 AI的角色
31项研究将AI作为核心操作组件,AI技术发挥五种主要功能角色。
3.4.1 人体姿态估计:9项研究采用人体姿态估计(Human Pose Estimation,HPE),出现两种主要设计策略:基于OpenPose的高精度多相机系统用于详细三维重建和生物力学分析,但需要专用硬件和标定流程;基于MediaPipe、MoveNet和自定义CNN模型的轻量级框架优化了消费级设备上的实时执行,更适合家庭部署,但深度估计精度、遮挡鲁棒性和临床精度仍有待改进。分析表明,研究趋势正从复杂多相机方案向轻量级可访问的HPE框架转变。
3.4.2 运动时间分析与质量评估:10项研究采用运动时间分析与质量评估(Movement Temporal Analysis and Quality Assessment,MTAQA),将运动数据表示为关节位置和生物力学特征的时间序列,主要依赖长短期记忆(Long Short-Term Memory,LSTM)网络,近期研究探索时间卷积网络和Transformer模型。主要挑战包括康复数据集稀缺和标准化不足、质量标签依赖主观评估、多数系统仅在受控实验室条件下验证以及评估精度与部署可行性之间的持续权衡。
3.4.3 运动分类与预测:8项研究采用运动分类与预测(Movement Classification and Prediction,MCP),利用机器学习模型对运动类型进行分类或预测患者运动状态。3.4.4 情绪与疼痛识别:3项研究采用情绪与疼痛识别(Emotion and Pain Recognition,EPR),通过分析面部表情或生理信号推断患者情绪和疼痛状态。3.4.5 生成式人工智能:2项研究采用生成式人工智能(Generative AI,GEN AI),用于生成合成数据或虚拟康复内容。
3.5 HDT实施水平与成熟度
根据HDT实施水平分类,仅3项研究(5.6%)达到真正的HDT实施(G),18项研究(33.3%)为部分HDT类系统(P),33项研究(61.1%)为通用使能技术(E)。在成熟度方面,多数研究处于原型/技术验证(M2)和健康受试者评估(M3)阶段,仅少数达到患者评估(M4)和临床/实际部署(M5)。交叉表分析显示,单一技术研究占主导(XR单独使用最多,占29.6%;AI单独使用占25.9%),AI+XR是最常见的组合(20.4%),而三种技术完全整合仅占3.7%,表明HDT远程康复仍处于早期阶段。
四、讨论与结论
讨论部分指出,现有远程康复系统在AI、XR和IoMT三种技术的整合上仍处于起步阶段,多数研究聚焦于单一技术或两两组合。研究人员通过QFD分析确定了HDT开发中最重要技术特征的优先级排序,据此提出了面向未来HDT远程康复系统的操作设计指南,涵盖数据采集架构、AI处理管线、XR交互界面和IoMT传感集成等方面。研究结论强调,HDT驱动的远程康复有望实现与传统面对面康复相当的效果,同时通过减少地理障碍和出行成本提高治疗可及性和依从性,但需在数据标准化、临床验证、系统互操作性和家庭环境鲁棒性等方面持续攻关,以推动从概念验证向临床实际部署的转化。