综述：利用大语言模型增强临床与健康人群的运动建议和身体活动：范围综述

这篇综述系统评估了大语言模型（LLMs）在运动建议（ERs）和身体活动（PA）领域的应用潜力，指出其能生成个性化方案、提升临床效率（如ChatGPT模型占研究55%），但需专家验证以确保安全性（73%研究依赖专家评估）。未来需推进真实世界临床试验、模型微调和穿戴设备数据整合，以优化精准健康干预。

　　

背景
规律的运动建议（ERs）和身体活动（PA）是慢性病防治的核心，但传统方案依赖跨学科专家协作，存在耗时和主观性局限。大语言模型（LLMs）如ChatGPT通过数据分析和文本生成能力，为个性化运动计划提供新思路，但其在运动科学中的应用仍处早期阶段。

目标
本研究首次系统梳理LLMs在ERs和PA中的两类应用：一是辅助医疗人员制定临床运动处方，二是促进健康人群的行为改变。通过分析11项关键研究（筛选自598篇文献），揭示当前进展与挑战。

方法
采用范围综述方法，检索Web of Science、PubMed等数据库至2024年3月的英文文献。纳入标准包括LLMs/Chatbots与ERs或PA的关联性研究，排除非同行评议和非原创内容。两名研究者独立筛选数据，通过主题分析归纳结果。

关键发现

• 模型类型：55%研究使用ChatGPT衍生模型，其余采用BERT等架构。
• 临床验证：45%研究通过实验设计验证效果，如Zaleski等证明ChatGPT生成方案的准确性达90.7%，但针对特定疾病（如心脏病）的精确度不足。
• 用户反馈：73%研究结合专家评估，发现LLMs能显著提升运动依从性，尤其在远程社区中降低成本壁垒。

讨论
技术优势与局限
LLMs通过实时交互（如JITAIs^a
）动态调整建议，但训练数据透明度不足——仅18%研究披露是否使用运动科学专用语料。对比传统规则系统（如NLP_d
），LLMs在灵活性上进步显著，但未达美国运动医学会（ACSM）指南的专业水平。

未来方向

1. 数据标准化：需构建包含临床指南、穿戴设备数据（如心率、步数）的专用语料库。
2. 技术融合：检索增强生成（RAG）可补全知识盲区，结合电子健康记录（EHRs）实现个性化推荐。
3. 伦理风险：需解决AI偏见（如对老年群体的过高强度建议）并通过联邦学习保护隐私。

结论
LLMs现阶段是运动科学的辅助工具，其安全性和有效性依赖专家监督。未来需通过多中心临床试验（如针对代谢疾病）和 clinician-in-the-loop 框架推进临床转化，最终实现可及、精准且伦理合规的健康干预。

注：
a 即时适应性干预；d 自然语言处理