综述：人工智能驱动的可穿戴传感器在健康监测与临床决策中的应用

《Current Opinion in Biomedical Engineering》：AI-Powered Wearable Sensors for Health Monitoring and Clinical Decision Making

本综述系统阐述了人工智能（AI）驱动的可穿戴传感器如何通过实时诊断、个性化干预和主动疾病管理变革远程健康监测。文章重点探讨了联邦学习（Federated Learning）、迁移学习（Transfer Learning）和边缘人工智能（Edge-AI）等机器学习方法在处理葡萄糖水平、步态模式、心率变异性等生理信号中的应用，并分析了可扩展性、隐私、互操作性和模型鲁棒性等挑战，为迈向精准医疗绘制了路线图。

　　

Abstract

人工智能（AI）驱动的可穿戴传感器正在通过实现实时诊断、个性化干预和主动疾病管理来变革远程健康监测。本综述综合了AI集成生物传感器在糖尿病、心血管疾病、神经退行性疾病、心理健康及母婴护理等条件下的最新进展，同时探讨了可扩展性、隐私、互操作性和模型鲁棒性等挑战。我们重点介绍了增强生理信号（如葡萄糖水平、步态模式和心率变异性）处理的机器学习方法——包括联邦学习（Federated Learning）、迁移学习（Transfer Learning）和边缘人工智能（Edge-AI）。包括FDA批准的葡萄糖监测仪和用于预测健康建模的数字孪生（Digital Twins）在内的关键创新，凸显了向以患者为中心和数据驱动护理的转变。然而，仍然存在一些持续的差距，包括设备异质性、隐私问题以及对能够跨人群泛化的自适应模型的需求。新兴方法，如大型语言模型（Large Language Models, LLMs）和反事实解释（Counterfactual Explanations），提供了情境化的见解和透明的决策。通过弥合技术进步与临床需求之间的差距，本综述为走向民主化、公平和精准的医疗保健绘制了路线图。

Introduction

可穿戴传感器和嵌入式系统已显示出彻底改变医疗保健服务方式的潜力，使得在传统临床环境之外连续监测生理参数成为可能。这些技术正日益成为疾病诊断、慢性病管理、疾病预防、健身追踪和个性化健康干预等广泛应用中不可或缺的一部分。这一变革的核心是人工智能（AI）与生物传感器的集成，它通过实现实时数据分析、模式识别和预测建模来增强可穿戴设备的能力。

AI驱动的生物传感器配备了先进的算法，可以直接处理来自传感器的数据，以提供可操作的见解、检测异常并实时预测健康事件。这种范式转变不仅有可能提高健康监测的准确性和效率，还有可能通过适应个体需求和偏好来促进个性化医疗。随着数据的日益可用和机器学习技术的兴起，AI已成为增强可穿戴传感器功能性和可用性不可或缺的工具。

然而，AI在可穿戴传感器中的应用带来了独特的挑战。这些挑战包括在存在分布偏移（Distribution Shifts）时确保模型的鲁棒性（传感器数据在不同环境和人群中可能发生变化），以及开发能够随时间适应个体用户的个性化模型。此外，边缘AI（Edge AI）和人在回路（Human-in-the-Loop）系统的集成增加了另一层复杂性，需要设备与其用户之间进行无缝交互，以根据用户反馈优化预测。

本综述探讨了AI驱动的可穿戴生物传感器和生物仪器的最新发展，重点关注这个快速演进领域的关键进展、挑战和未来方向。我们将研究AI如何被用于解决与模型个性化、鲁棒性和边缘计算相关的问题，以及人类反馈如何进一步优化系统性能和用户体验。

Study Design

本次范围审查是按照系统评价和元分析的首选报告项目范围审查扩展版（PRISMA-ScR）的指南进行的，该框架通过标准化报告来提高范围审查的透明度和全面性。与关注狭义临床问题的系统评价不同，范围审查旨在绘制文献的广度，识别关键概念、方法论和证据差距，并澄清研究领域。

Recent Advancements in Mobile Health

随着AI系统变得越来越强大，移动健康（mHealth）在最近已成为我们日常生活中不可或缺的一部分，甚至常常在不经意间使用。根据2019年的一份消费者报告（来源：Statista），约21%的美国成年人佩戴智能手表。可穿戴设备和智能手表的最新进展显著增强了其能力，将其转变为用于健康监测、健身追踪及其他领域的强大工具。现代设备集成了多种传感器和AI算法，提供更深入的洞察。

Applications of Biosensors

可穿戴生物传感器已成为连续健康监测的重要工具，能够测量多种生理和行为参数。这些应用包括生理和行为健康监测、步态和运动功能、神经退行性疾病、代谢和水合健康以及母婴护理。例如，连续葡萄糖监测仪（CGM）和用于监测心率变异性（HRV）的设备已在糖尿病和心血管疾病管理中发挥重要作用。

Challenges with AI-Powered Biosensors

AI驱动的生物传感器在广泛用于健康监测和诊断时，常常面临数据隐私、个性化和模型鲁棒性相关的挑战。传统的集中式学习方法需要将用户数据聚合到单一位置，引发了重大的隐私和安全问题。联邦学习（Federated Learning）是一种去中心化方法，模型在用户设备上进行本地训练，仅共享模型更新（而非原始数据）。这通过使生物传感器能够在保护隐私的同时从分散数据中学习来解决此问题。其他挑战包括设备异质性、模型在不同人群中的泛化能力以及确保实时性能的边缘计算限制。

Future of AI-Powered Biosensors

AI驱动的生物传感器的未来在于其与大型语言模型（LLMs）、数字孪生（Digital Twins）和反事实解释（Counterfactual Explanations）等尖端技术的集成，从而实现更智能和个性化的医疗保健解决方案。一个新兴领域是精确的饮食和水合建议，生物传感器可以实时追踪液体摄入量并优化水合水平。水合作用在身体表现和认知健康中都起着至关重要的作用，然而当前的可穿戴设备在准确测量水合状态方面能力有限。未来的生物传感器可能通过汗液或唾液分析来填补这一空白。另一个方向是使用数字孪生创建患者的虚拟模型，以模拟疾病进展和治疗结果，实现预测性健康建模和个性化干预。

Conclusion

总之，AI驱动的技术（如可穿戴设备、CGM和生物传感器）的进步正在通过实现个性化、实时监测和决策来革新医疗保健。诸如非处方CGM等设备日益增长的可及性，强调了它们在临床环境之外不断扩大的作用，使个人能够掌控自己的健康。然而，这些创新也伴随着挑战，例如数据隐私、设备异质性以及对强大、可解释模型的需求。未来的工作需要集中在开发能够适应不同用户并在不同人群中保持准确的稳健、自适应AI系统上。通过将技术进步与临床需求相结合，AI驱动的生物传感器有潜力实现更民主化、公平和精准的医疗保健未来。

Declaration of interests

作者声明，他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文报告的工作。