Искусственный интеллект в реабилитации после инсульта: структурированный клинический обзор

Инсульт является основной причиной долгосрочной инвалидности, и восстановление существенно варьируется в зависимости от двигательной, когнитивной, коммуникативной и повседневной деятельности, что делает необходимым непрерывную оценку и индивидуализированную реабилитацию. Однако текущие решения о реабилитации по-прежнему во многом зависят от периодических клинических шкал, клинического опыта и местных ресурсов, которые могут не полностью отражать различия в характеристиках поражений, исходных функциях, сопутствующих заболеваниях и траекториях восстановления. Доступ также ограничен географическими барьерами, неравномерностью предоставления услуг и непостоянным последующим наблюдением.

Искусственный интеллект все чаще исследуется для визуализации инсульта, раннего прогноза, прогнозирования результатов реабилитации, оценки движений и физиологических показателей, обучения с помощью роботов и виртуальной реальности, интерфейсов «мозг-компьютер», портативного мониторинга и телереабилитации, предлагая новые возможности для более адаптивного и непрерывного ухода.

Тем не менее, острая диагностика, раннее прогнозирование и результаты, специфичные для реабилитации, часто обсуждаются вместе, несмотря на решение различных клинических вопросов, и многие применения реабилитации по-прежнему поддерживаются в основном небольшими наборами данных, внутренней проверкой или ранними технико-экономическими обоснованиями. Поэтому технические результаты не следует приравнивать к выгоде от реабилитации. Это создает необходимость в структурированном обзоре, который сопоставляет приложения ИИ с их точками принятия клинических решений, значимостью реабилитации, зрелостью валидации и готовностью к клиническому внедрению».

Вэйхуа Сун, автор, исследователь, Столичный медицинский университет

В этом исследовании использовался структурированный описательный обзор, систематический поиск в PubMed/MEDLINE, IEEE Xplore, Web of Science и Scopus исследований по искусственному интеллекту и реабилитации после инсульта, опубликованных с января 2010 года по март 2025 года, с использованием процесса в стиле PRISMA для повышения прозрачности. Поиск в базе данных выявил 1247 записей, и после дедупликации, проверки заголовков и аннотаций, а также полнотекстовой оценки в тематический синтез было включено 108 публикаций. Рецензенты извлекли информацию о дизайне исследования, методе искусственного интеллекта, размере выборки, области реабилитации, результатах, эффективности модели, методах проверки и сообщенных ограничениях. Доказательства были разбиты на четыре основные темы: искусственный интеллект для прогнозирования результатов реабилитации, оценка и мониторинг реабилитации, терапевтическое вмешательство и управление, а также интеграция искусственного интеллекта с робототехникой, виртуальной реальностью, интерфейсами «мозг-компьютер», носимыми технологиями и телереабилитацией. Важно отметить, что в обзоре проводится различие между острыми диагностическими или прогностическими данными и результатами, специфичными для реабилитации, и оценивается каждое приложение в соответствии с качеством валидации, клинической значимостью и барьерами внедрения.

Одним из основных применений искусственного интеллекта в реабилитации после инсульта является прогнозирование последующего функционального восстановления с использованием клинических шкал, изображений, ЭЭГ, данных носимых датчиков и демографической информации. Существующие исследования изучали прогнозирование 90-дневного функционального статуса, изменений индекса Бартеля, показателей двигательных функций, восстановления речи и когнитивных функций, улучшения качества жизни и долгосрочной смертности с использованием машинного обучения, глубокого обучения и объяснимых моделей для выявления факторов, связанных с траекториями восстановления. Острая визуализация и ранние прогностические модели могут предоставить исходную информацию о тяжести поражения, начальной тяжести и реакции на лечение, которая может помочь в дальнейшем планировании реабилитации, тогда как прогнозирование, специфичное для реабилитации, более непосредственно фокусируется на изменениях двигательной функции, повседневной активности, участия и результатов, сообщаемых пациентами, с течением времени. Однако большинство исследований остаются ретроспективными, небольшими или одноцентровыми и полагаются в основном на внутреннюю валидацию, в то время как независимые многоцентровые исследования внешней валидации и проспективные исследования клинического воздействия по-прежнему встречаются редко. Таким образом, высокая точность прогнозирования указывает на возможность стратификации риска, но сама по себе не демонстрирует, что лечение под руководством ИИ улучшает результаты реабилитации.

Искусственный интеллект все чаще используется для автоматизации оценки и постоянного мониторинга двигательных функций, осанки, походки и прогресса реабилитации после инсульта, дополняя традиционные клинические шкалы и периодическое наблюдение. Существующие системы объединяют ЭЭГ, ЭМГ, носимые датчики, отслеживание движений и данные домашнего мониторинга для количественной оценки моделей движений, качества упражнений и функциональных изменений, в то время как машинное обучение может выявлять аномальные движения или оценивать клинические показатели моторики. Носимые технологии и технологии дистанционного мониторинга могут еще больше распространить оценку на дом, предоставляя продольную информацию о приверженности реабилитации и ее прогрессе. Тем не менее, многие исследования по-прежнему сосредоточены в первую очередь на технической осуществимости, точности классификации или краткосрочных суррогатных результатах и ​​обычно включают небольшие выборки, одноцентровые наборы данных и ограниченную независимую внешнюю проверку. Неоднородность устройств, форматов данных и графиков оценки также ограничивает возможность обобщения. Поэтому будущая работа должна установить более стандартизированные показатели результатов и конвейеры данных, а также использовать многоцентровые, долгосрочные, проспективные исследования, чтобы определить, может ли мониторинг на основе ИИ существенно улучшить решения по реабилитации и результаты лечения пациентов.

Помимо прогнозирования и мониторинга, искусственный интеллект все чаще используется для поддержки адаптации к реабилитации и скоординированного использования ассистивных технологий после инсульта. Современные подходы направлены на адаптацию интенсивности тренировок, сложности задач и частоты обратной связи в соответствии с двигательными показателями, когнитивным статусом и информацией, полученной от датчиков, при одновременной интеграции ИИ с реабилитационными роботами, виртуальной реальностью, интерфейсами «мозг-компьютер», носимыми устройствами и платформами телереабилитации. Роботизированные системы могут обеспечивать стандартизированное вспомогательное движение, виртуальная реальность делает упор на интерактивную практику выполнения задач и расширенную обратную связь, а BCI могут использовать нейронные сигналы для управления внешней обратной связью или помощью, когда произвольные движения сильно ограничены. Однако в настоящее время эти технологии функционируют в основном как вспомогательные средства реабилитации, при этом большая часть доказательств поступает из небольших выборок, краткосрочного наблюдения, а также поисковых или одиночных исследований; Убедительные доказательства превосходства этой терапии над традиционной реабилитацией остаются ограниченными. Ключевым будущим направлением является разработка ориентированных на пациента систем с замкнутым контуром, в которых сигналы ЭЭГ, ЭМГ и носимых датчиков динамически регулируют роботизированную помощь, задачи расширенной реальности и удаленную обратную связь, сохраняя при этом клинический надзор, функциональную совместимость, доступность и совместимость с рутинными рабочими процессами реабилитации.

Несмотря на растущий потенциал искусственного интеллекта для прогнозирования, оценки и вспомогательного вмешательства в реабилитации после инсульта, клинический перевод по-прежнему ограничен проблемами с данными, моделированием и реализацией. Наборы данных по реабилитации часто бывают небольшими, неоднородными и имеют непоследовательную выборку, в то время как мультимодальные клинические и сенсорные данные по-прежнему трудно стандартизировать, что увеличивает риск переоснащения и ограничивает возможность межинституционального обобщения. Кроме того, характер сложных моделей как «черного ящика» может снизить клиническую интерпретируемость и доверие, а повышение точности прогнозирования само по себе не гарантирует лучших решений по лечению или результатов лечения пациентов.

Платформы портативного мониторинга, домашней реабилитации и дистанционного ухода также вызывают обеспокоенность в отношении конфиденциальности, безопасности, обмена данными и надежности устройств. Будущие исследования должны делать упор на многоцентровую внешнюю проверку и проспективные клинические испытания, одновременно разрабатывая по-настоящему замкнутые реабилитационные системы, которые объединяют клиническую информацию, визуализацию, ЭЭГ, ЭМГ и данные носимых датчиков для динамической настройки роботизированной помощи, обучения в расширенной реальности и удаленной обратной связи.

«Большее внимание к объяснимости, совместимости, экономической эффективности и справедливости также будет иметь важное значение, поскольку ИИ позиционируется как дополнение к многопрофильной помощи, а не как замена врачам». — сказал Вэйхуа Сун.

Авторами статьи являются Вэйхуа Сун, Шуай Сы, Инхуэй Ван, Хун Чанг и Сяоин Тан.