摘要：慢性病是一類病情復雜、發(fā)作緩慢、影響深遠、久治不愈的綜合性疾病，具有病程時間長、功能損害和社會危害嚴重等特點。近年來，隨著人工智能的發(fā)展，與醫(yī)療領域的結合逐漸深入，對慢性病的預防、治療和康復發(fā)揮著重要作用。本文綜述人工智能在慢性病運動康復領域的應用現(xiàn)狀，分析目前在技術研發(fā)、臨床實踐、法律和道德層面存在的問題，并提出進一步的可行策略，以期為人工智能技術在慢性病康復中的進一步發(fā)展提供可行建議。

關鍵詞：人工智能；慢性??；運動康復；綜述

Progress of artificial intelligence in exercise rehabilitation for chronic diseases

Shi Minglei

（College of Physical Education， China West Normal University， Nanchong， Sichuan "Province， 637000 "China）

Abstract： Chronic disease is a kind of comprehensive disease with complex disease， slow attack， far-reaching influence and long treatment. It has the characteristics of long course of disease， functional damage and serious social harm. In recent years， with the development of artificial intelligence， the combination with the medical field has gradually deepened， and plays an important role in the prevention， treatment and rehabilitation of chronic diseases. This paper summarizes the current application status of artificial intelligence in the field of sports rehabilitation for chronic diseases， analyzes the existing problems in technology research and development， clinical practice， law， and morality， and proposes corresponding coping strategies， in order to provide feasible suggestions for the further development of AI technology in the rehabilitation of chronic diseases.Key words： artificial intelligence; chronic disease; exercise rehabilitation; review

目前，慢性病已成為全世界人口死亡的主要原因，各年齡階段、性別和種族的患病率都在增加[1]。世界衛(wèi)生組織（WHO）在《2017年世界衛(wèi)生統(tǒng)計》報告中稱，2015年慢性非傳染性疾病導致4000萬人死亡，相當于全球死亡人數(shù)的70%[2]?！吨袊用駹I養(yǎng)與慢性病狀況報告（2020）》數(shù)據(jù)顯示，2019年我國居民因慢性病而導致的死亡占總死亡人數(shù)的88.5%，其中慢性呼吸系統(tǒng)疾病、癌癥和心腦血管疾病占比最大，為總死亡數(shù)的80.7%[3]，這與人口老齡化、惡化的生活方式和環(huán)境等因素密切相關。慢性病患者的治療和恢復過程不僅需要藥物的介入，正確、科學的運動鍛煉也在其中扮演著重要的一環(huán)。近年來，隨著人工智能的多維度發(fā)展，其與醫(yī)療領域的結合也逐漸深入，可穿戴設備、智能訓練、虛擬現(xiàn)實等人工智能技術廣泛應用到慢性病運動康復領域[4]，為其治療注入了新的思路。本研究對近年來國內外人工智能在慢性病運動康復中的應用進行綜述，并分析其現(xiàn)階段面臨的難題和應對策略，以期為人工智能在慢性病干預中的進一步發(fā)展提供可行性建議。

1. 人工智能概述

“人工智能”一詞誕生于1956年美國舉辦的一次科學學會，會上由麥卡錫首次提出了“人工智能”這個概念，定義為：任何有助于讓機器（尤其是計算機）模擬、延伸和擴展人類智能的理論、方法和技術都可歸入人工智能的范疇[5]。經過半個多世紀的發(fā)展，人工智能的概念尚未達成一致，國內外學者眾說分壇?？偟膩碚f：人工智能是一種復雜的計算機程序，可以復制人腦的功能，開辟了基于大數(shù)據(jù)處理的非正式學習的可能性，從而可以解決模式識別（文本、圖像、語音）問題以及管理決策的形成[6]。自20世紀50年代提出正式人工智能學科以來，經過多年深入研究和發(fā)展，人工智能已廣泛應用于慢性病診斷、評估、治療等諸多醫(yī)療領域[7]。

2. 人工智能在慢性病運動康復中的應用現(xiàn)狀

2.1 運動風險防范

規(guī)律、健康、科學的運動對健康的好處顯而易見，不當?shù)倪\動或姿勢改變也可能會增加慢病易患者疾病風險程度，因此對于慢性病的前期預防至關重要。?oltys等[8]采用機器學習分析老年人（包括老年終生運動員和久坐不動的老年人）腸道微生物組、血漿成分等身體指標的差異性，確定了一系列指標和比率作為合適的聯(lián)合預測因子，可以明顯區(qū)分兩組受試者身體水平，其結果顯示耐力運動和持續(xù)鍛煉對于老年人的心肺健康、體脂水平和有利的腸道微生物群組成具有顯然的益處。有研究[9]采用深度學習的相關算法，從老年人運動健康水平管理分析的角度出發(fā)，提出建立深度神經網絡模型并結合遞歸神經網絡算法和反向傳播神經網絡對心臟健康動態(tài)評估，該模型可以提示老年人患心臟病的風險，從而對身體做出及時的調整，降低心臟疾病的發(fā)生率。但鑒于只考慮數(shù)值數(shù)據(jù)，與真實世界可能存在差異，因此需加大此類研究，以驗證評估的有效性。

2.2 運動姿態(tài)感知

慢性?。ㄈ缒X卒中偏癱、帕金森等）患者病情發(fā)生、發(fā)展過程中，伴隨著一系列運動姿勢的錯誤變化。Yuliang等[10]提出了一種輕量級非接觸式異常步態(tài)行為識別方法，該方案借助單目相機捕獲人體姿勢數(shù)據(jù)，構建一個具有深度可分離卷積的輕量級基于深度學習的開放源代碼庫模型，用于實時提取異常步態(tài)特征，再對采集到的二維下肢數(shù)據(jù)進行三維重建，最后進行特征篩選，其結果證實隨機森林結合三維特征為異常步態(tài)行為識別提供了最高的精度（92.13%），這有利于臨床醫(yī)生根據(jù)不同疾病引起的不同異常步態(tài)行為來識別患者的病變。Slemen?ek等[11]設計了一種可穿戴步態(tài)運動數(shù)據(jù)采集系統(tǒng)結合各種機器學習算法來分析帕金森病患者的凍結步態(tài)理想的活動或識別常見的風險因素，其結果也證實了可靠地檢測特定步態(tài)事件是可行的，但局限性是無法進行實時機器學習算法部署和“按需”提供反饋。Maskeliūnas等[12]將BiomacVR系統(tǒng)用于患者康復，該系統(tǒng)利用一種經過訓練的稱為卷積姿勢機的深度學習運動識別模型，通過深度傳感器收集的圖像序列精確定位人體的關鍵部位，以識別人體運動正確和錯誤的姿勢，并根據(jù)所呈現(xiàn)的場景評估運動干預的有效性。由此，實時、可靠、便利的人工智能系統(tǒng)及設備是未來此類研究方向的重點之一。

2.3 運動處方制定

慢性病前期的預防和識別是改善患者病情的基礎，中后期的運動訓練干預起著核心的作用。Robert 等[13]在渥太華大學心臟研究所或倫敦健康科學中心招募了223名未參與過心臟康復的冠心病患者，隨機分為干預組和常規(guī)護理組，干預小組采用專家系統(tǒng)進行干預，每名成員出院后會收到一份個人量身定制的體育活動計劃，并可以訪問安全網站進行活動計劃和跟蹤，采取分組后7天、6個月、12個月內自我報告顯示，干預組的客觀測量、身體活動和心臟相關生活質量維度表現(xiàn)的更為活躍。歐洲預防心臟病協(xié)會日常實踐和康復訓練中的運動處方 （EXPERT） 工具已開發(fā)用于臨床實踐中心血管疾病患者的數(shù)字培訓和決策支持，此工具可根據(jù)患者的特征自動生成（個性化）運動處方，從而整合針對不同心血管疾病和風險因素的運動處方。有研究[14]將臨床醫(yī)生間的運動處方與與專家工具的建議進行了比較，結果發(fā)現(xiàn)二者存在顯著差異（p lt; 0.001）。在另外一項前瞻性研究中，Hansen等[15]通過對物理治療師進行為期一個月的數(shù)字化培訓，完成了 31 ± 13 個培訓案例，其結果顯示，當使用 EXPERT 培訓工具時，物理治療師為心血管疾病患者制定的運動處方明顯更符合歐洲的建議?？梢姡瑢τ谌斯ぶ悄芗夹g自動生成的運動處方信度仍存在爭議，未來需通過大量樣本的隨機對照試驗予以證實。

2.4 運動心理改善

慢性病患者病情維持、進展和恢復過程中，由于個人、家庭、社會等因素，伴隨著一系列的心理變化，運動興趣及動機缺乏、運動恐懼、依從性和堅持性差等現(xiàn)象時有發(fā)生。Park[16]使用具有視覺和聽覺反饋的智能應用程序對帕金森病人進行鍛煉，發(fā)現(xiàn)與常規(guī)組和使用智能應用程序的個人運動組相比，使用智能應用程序的公共運動組對跌倒的恐懼更低，跌倒效能更高，其步態(tài)能力的改善也更為顯著。Nauman等[17]描述了一種新的身體活動跟蹤個性化指標-個人活動智能，可以更為輕松的量化每周需要多少身體活動，以減少心血管疾病的發(fā)生，且能夠觀察到男女亞群的差異和激勵鍛煉的堅持性。Helal等[18]開發(fā)了一個由連接技術和個人可穿戴設備組成的監(jiān)控和分析平臺，該平臺由自集成、遠程監(jiān)控和編程、模型生成和分析等構成，可以對糖尿病患者透明的方式自動收集豐富的行為信息數(shù)據(jù)庫并報告給醫(yī)療人員，用來解釋患者的行為改變，進而反饋改變患者的活動、飲食和運動依從性。缺點是該平臺的準確性、可理解性以及使用體驗有待進一步驗證。

2.5 運動效果預測

慢性病患者運動干預的過程必不可少，其評估也是重要的一環(huán)。在使用豐富多樣的慣性數(shù)據(jù)集進行訓練時人工智能模型可實現(xiàn)較高的識別精度，可以利用圖像輸入來使用卷積神經網絡架構，減輕參與者和研究人員在收集數(shù)據(jù)集時的負擔，還能實現(xiàn)運動的遷移學習，使有限的數(shù)據(jù)集受益于大數(shù)據(jù)訓練的模型[19]。Li， Jiaqi等[20]使用步態(tài)運動學訓練卷積神經網絡對中風患者的下肢功能和平衡評估結果和運動建議進行預測，結果顯示模型準確地預測了臨床評估和決策的結果，該項研究還初步提供了使用生物力學數(shù)據(jù)和人工智能來協(xié)助制定治療計劃并縮短康復過程的準確證據(jù)。Faruqui等[21]開發(fā)了一個基于長短期記憶的循環(huán)神經網絡的深度學習模型來預測個體患者第二天的血糖水平，該模型在10名超重或肥胖的2型糖尿病患者的數(shù)據(jù)（飲食、身體活動、體重和血糖）基礎上預測個體患者第二天的血糖水平，也表現(xiàn)出相當大的準確性，因此有必要進行進一步的研究來評估日?；顒臃绞綄ρ堑挠绊?，以對患者做出正確健康指導。

3. 人工智能慢性病運動康復中的應用不足

3.1 臨床層面

人工智能的介入使得臨床診斷和治療有了新的變革的方式，但是臨床醫(yī)務人員對于人工智能的認識和看法不一而足。Boillat等[22]調查發(fā)現(xiàn)，醫(yī)生和醫(yī)學生對于人工智能的熟悉程度沒有差異且相當?shù)停苌儆嗅t(yī)學從業(yè)人員參加相關的教育和培訓，并且部分人認為醫(yī)學中的人工智能還會給患者和整個醫(yī)學領域帶來更高的風險。在AlZaabi[23]的調查中，大多數(shù)人認為如果人工智能有著科學的規(guī)范，他們還是希望進入這個新興領域并且了解、使用它。

3.2.2 患者層面

人工智能已經在部分臨床?？圃\斷與治療中得到了參與，但患者對其反饋迥然不同。Temple等[24]收集了95名患者的調查問卷，結果顯示，患者對在治療中使用人工智能持中等負面看法，他們更希望在治療過程中與醫(yī)療保健專業(yè)人員進行重要的個人互動，但在年齡和性別上沒有呈現(xiàn)顯著相關性。現(xiàn)有研究[25]發(fā)現(xiàn)，兒童和青少年對于人工智能普遍持積極看法，表達了強烈的興趣和支持參與研究中，并將他們的聲音納入臨床護理中與人工智能共同決策，在其前瞻性使用此類臨床技術的一個重要主題也是希望患者和臨床醫(yī)生之間保持相當?shù)幕印?/p>

3.1 保障層面

人工智能的應用不可避免的會導致一系列問題，其法律和道德的劃分引起了諸多討論。有學者認為當人工智能模型不可避免的走向超越人類臨床醫(yī)師時，使用的必要性、臨床醫(yī)生同意或者不同意建議時造成患者不良后果的責任等都是需要考慮的方向[26]。Hedderich等[27]認為，醫(yī)療事故責任、基于人工智能的醫(yī)療設備的監(jiān)管以及共享醫(yī)學數(shù)據(jù)中的隱私保護也是法律和道德所存在的漏洞。鑒于人工智能的黑盒特性，在臨床實踐中使用人工智能時，需要提倡患者保密、專業(yè)責任保險、法律和道德制定規(guī)范，加強醫(yī)學和人工智能領域的監(jiān)管、問責制和法律權限，完善醫(yī)生、患者、設備供應商三者之間的決策過程。

4. 展望與小結

由于醫(yī)療人員對人工智能應用認識不足，患者參與感缺乏，導致人工智能在疾病治療中存在局限性。因此，在未來的智能醫(yī)學中，有必要將其課程引入醫(yī)學教育，培養(yǎng)醫(yī)護人員對人工智能的了解和專業(yè)的技術人才，促進人工智能和醫(yī)學的深度融合。其次，考慮到患者的感受，需要對患者進行教育并使患者參與該技術的未來發(fā)展方向。同時，醫(yī)護人員篩選適宜人群，借助人工智能工具和患者建立密切的聯(lián)系，使其輔助效果得到進一步的增強。最后，基于人工智能的黑盒特性，在臨床實踐中使用人工智能時，提倡患者保密、專業(yè)責任保險、法律和道德制定規(guī)范。并且要加強醫(yī)學和人工智能領域的監(jiān)管、問責制和法律權限，完善醫(yī)生、患者、設備供應商三者之間的決策過程。

綜上，人工智能技術日新月異的發(fā)展，其在慢性病運動康復中的重要作用不容忽視。但人工智能是把“雙刃劍”，伴隨而來的一系列技術和保障等問題也值得思考。此外，人工智能在我國的發(fā)展較晚，尤其是對慢性病運動治療的解釋和應用還存在著很大的局限。因此，在未來的智能醫(yī)療中，應該著重于提高自主研發(fā)和應用能力，培養(yǎng)醫(yī)工交叉的復合型人才，以期探索兩者更佳的結合方式，使人工智能更好的服務于慢性病患者。

參考文獻

[1] ANDERSON E， DURSTINE JL. Physical activity， exercise， and chronic diseases： A brief review[J]. Sports Med Health Sci. 2019 ，1（1）：3-10.

[2] KATANNA G. Factors Affecting the Incidence of Hypertension in Menopause Using Literature Studies[J]. PROFESSIONAL HEALTH JOURNAL， 2022， 4（1）： 103-113.

[3] 中國居民營養(yǎng)與慢性病狀況報告（2020年）[J]. 營養(yǎng)學報， 2020， 42（06）： 521.

[4] XIE Y， LU L， GAO F， et al. Integration of artificial intelligence， blockchain， and wearable technology for chronic disease management： a new paradigm in smart healthcare[J]. Current Medical Science， 2021， 41（6）： 1123-1133.

[5] 鄧曉芒. 人工智能的本質[J]. 山東社會科學， 2022， （12）： 39-46.

[6] DMITRIEV V Y， IGNAT'EVA T A， PILYAVSKIY V P. Development of Artificial Intelligence and Prospects for Its Application[J]. Economics and Management， 2021， 27（2）： 132-138.

[7] BRIGANTI G， LE MOINE O. Artificial intelligence in medicine： today and tomorrow[J]. Frontiers in medicine， 2020， 7（27）：1-6.

[8] ?OLTYS K， LENDVORSKY L， HRIC I， et al. Strenuous physical training， physical fitness， body composition and bacteroides to prevotella ratio in the gut of elderly athletes[J]. Frontiers in Physiology， 2021， 12（1）： 1-12.

[9] XIAO， L， HUANG， L， CHANG， H， et al. Management and Analysis of Sports Health Level of the Elderly Based on Deep Learning[J]. COMPUT INTEL NEUROSC， 2022， 2022（1）： 1-8.

[10] ZHAO Y， LI J， WANG X， et al. A lightweight pose sensing scheme for contactless abnormal gait behavior measurement[J]. Sensors， 2022， 22（11）： 4070.

[11] SLEMEN?EK J， FISTER I， GER?AK J， et al. Human gait activity recognition machine learning methods[J]. Sensors， 2023， 23（2）： 745.

[12] MASKELIūNAS R， DAMA?EVI?IUS R， BLA?AUSKAS T， et al. BiomacVR： a virtual reality-based system for precise human posture and motion analysis in rehabilitation exercises using depth sensors[J]. Electronics， 2023， 12（2）： 339.

[13] REID R D， MORRIN L I， BEATON L J， et al. Randomized trial of an internet-based computer-tailored expert system for physical activity in patients with heart disease[J]. European journal of preventive cardiology， 2012， 19（6）： 1357-1364.

[14] HANSEN D， ROVELO RUIZ G， DOHERTY P， et al. Do clinicians prescribe exercise similarly in patients with different cardiovascular diseases？ Findings from the EAPC EXPERT working group survey[J]. European journal of preventive cardiology， 2018， 25（7）： 682-691.

[15] HANSEN D， MARINUS N， CORNELISSEN V， et al. Exercise prescription by physiotherapists to patients with cardiovascular disease is in greater agreement with European recommendations after using the EXPERT training tool[J]. Medical Education Online， 2023， 28（1）： 1-10.

[16] PARK Y J. Effects of communal exercise with visual and auditory feedback provided by a smart application on gait ability and fear of falling in Parkinson’s disease patients[J]. Journal of exercise rehabilitation， 2014， 10（5）： 286.

[17] NAUMAN J， NES B M， ZISKO N， et al. Personal activity intelligence （PAI）： a new standard in activity tracking for obtaining a healthy cardiorespiratory fitness level and low cardiovascular risk[J]. Progress in Cardiovascular Diseases， 2019， 62（2）： 179-185.

[18] HELAL A， COOK D J， SCHMALZ M. Smart home-based health platform for behavioral monitoring and alteration of diabetes patients[J]. Journal of diabetes science and technology， 2009， 3（1）： 141-148.

[19] CELIK Y， ASLAN M F， SABANCI K， et al. Improving inertial sensor-based activity recognition in neurological populations[J]. Sensors， 2022， 22（24）： 9891.

[20] LI J， KWONG P W H， LUA E K， et al. Development of a convolutional neural network （CNN） based assessment exercise recommendation system for individuals with chronic stroke： a feasibility study[J]. Topics in Stroke Rehabilitation， 2022（1）： 1-10.

[21] FARUQUI S H A， DU Y， MEKA R， et al. Development of a deep learning model for dynamic forecasting of blood glucose level for type 2 diabetes mellitus： secondary analysis of a randomized controlled trial[J]. JMIR mHealth and uHealth， 2019， 7（11）： e14452.

[22] BOILLAT T， NAWAZ F A， RIVAS H. Readiness to embrace artificial intelligence among medical doctors and students： questionnaire-based study[J]. JMIR Medical Education， 2022， 8（2）： e34973.

[23] ALZAABI A， ALMASKARI S， AALABDULSALAM A. Are physicians and medical students ready for artificial intelligence applications in healthcare？[J]. Digital Health， 2023， 9（1）： 1-11.

[24] TEMPLE S， ROWBOTTOM C， SIMPSON J. Patient views on the implementation of artificial intelligence in radiotherapy[J]. Radiography， 2023， 29（1）： S112-S116.

[25] THAI， K， TSIANDOULAS， KH， STEPHENSON， EA， et al. Perspectives of Youths on the Ethical Use of Artificial Intelligence in Health Care Research and Clinical Care[J]. JAMA Netw Open. 2023， 6（5）： 1-10.

[26] BANJA J D， HOLLSTEIN R D， BRUNO M A. When artificial intelligence models surpass physician performance： medical malpractice liability in an era of advanced artificial intelligence[J]. Journal of the American College of Radiology， 2022， 19（7）： 816-820.

[27] HEDDERICH D M， WEISSTANNER C， VAN CAUTER S， et al. Artificial intelligence tools in clinical neuroradiology： essential medico-legal aspects[J]. Neuroradiology， 2023， 65（7）： 1091-1097.