《Frontiers in Public Health》：Artificial intelligence applications in long-term care facilities: a scoping review across planning, design, operation, and assessment
摘要
引言：提高长期照护设施（LTCFs）的质量对于在全球人口老龄化背景下保障老年人的健康、安全、尊严和生活质量至关重要。然而，传统LTCFs设计方法高度依赖静态规范和经验判断，限制了其响应动态照护需求并在生命周期各阶段平衡多重目标的能力。为应对这些局限，人工智能（AI）通过动态优化与智能决策提供了一种有前景的解决方案。
方法：本研究开展了一项范围综述，系统梳理AI在LTCFs四个生命周期阶段（规划与选址、建筑设计、运营管理、评估与改造）中的应用。检索范围涵盖Web of Science、Scopus、Google Scholar、SAGE Journals和CNKI中2010年1月至2025年12月发表的文献，最终纳入38篇符合标准的研究。综述遵循Arksey和O'Malley提出的方法学框架，并依据PRISMA-ScR进行报告。
结果：研究识别出四条主要应用路径，包括预测与评估、生成与演化、感知与识别、仿真与建模。具体而言，AI被应用于规划阶段的地点选择评估与需求预测；设计阶段的空间布局生成与智能设备集成；运营阶段的安全监控、行为识别与环境控制；以及评估阶段的舒适与安全评估和改造优化。研究集中于运营管理阶段，而评估与改造阶段的证据仍然有限。
讨论：总体而言，AI显示出将LTCFs从静态、碎片化、基于经验的做法，转向更具数据驱动、适应性和以人为本的照护环境的潜力。然而，其应用仍受制于数据质量与标准化、设施异质性、系统集成、公平可及性、隐私及伦理问题。本综述为规划者、建筑师、工程师、照护提供者、设施管理者及公共卫生决策者提供了一项技术路线图，并明确了利用AI赋能的建成环境支持高质量老年照护和可持续长期照护系统的优先事项。
1 引言
全球人口老龄化是二十一世纪最重要的人口趋势之一。预计到2050年，全球65岁及以上人口比例将增至16.5%
[1]，其中80岁及以上人口增长尤为迅速。这对建成环境的安全性、健康支持性和照护可及性提出了严峻挑战。为应对这些挑战，世界卫生组织（WHO）倡导发展老年友好环境，并强调以人为本的长期照护服务
[2]。在此背景下，长期照护设施（LTCFs）作为提供专业照护和支持性居住环境的核心建筑类型，成为这一弱势群体重要的居住场所。LTCFs的环境质量直接影响居住者的安全、健康和整体生活质量
[3,4]。
然而，当前LTCFs的实践面临多重挑战。许多由既有建筑改造而来的设施受限于原有结构和服务模式，难以满足无障碍和健康支持性环境的高标准。即使在新建项目中，设计阶段对动态运营需求（如居住者功能能力的变化和照护流程的优化）的预测不足，经常导致空间灵活性有限、功能组织和动线效率低下，以及建筑系统（如暖通空调（HVAC）和照明）的高能耗
[5,6]。这些缺陷可能损害照护质量和服务效率，进而对居住者的福祉产生不利影响。这些问题的根源在于传统建筑设计和运营方法过度依赖静态规范和经验判断，难以有效应对用户需求的个性化和动态演化，也无法在安全、舒适、能效和成本等多重目标之间实现精细平衡。
近年来，人工智能（AI）、物联网（IoT）和大数据等先进数字技术的快速发展为解决这些挑战提供了新途径。这些技术在老年友好环境的多个层面得到探索。在社区层面，智能感知路径和自适应街道照明系统可根据老年人的活动轨迹和环境光照条件自动调节照明，从而提高公共空间夜间安全性和老年友好性
[7]。同时，在社区日间照料中心和老年人活动室等养老建筑中，引入了基于AI的建筑控制系统，以优化能源使用，同时实时监测和调节室内环境条件，满足老年人的生理需求
[8]。在居住层面，环境辅助生活（AAL）通过整合传感器网络、情境感知系统和机器学习（ML）算法，创建响应式智能环境，为健康监测、安全保障和日常生活辅助提供技术支持
[9]。在机构层面，传感与监测系统越来越多地部署于LTCFs，以支持安全监控、个性化照护和行为分析。这些环境中收集的运营数据也为理解空间使用模式和优化设计提供了经验证据。
总体而言，这些研究表明AI技术正逐步嵌入环境感知、数据分析、智能决策和系统优化，推动老年照护和建成环境向更智能、更动态适应的方向发展，同时为提高照护质量创造了新机遇。现有综述从多个角度审视了这一主题。在老年照护方面，综述主要采用照护服务和技术干预视角，尤其关注健康监测、日常活动辅助和独立生活
[10-18]。一些聚焦LTCFs的综述探讨了AI及相关智能技术如何通过监测、数字健康、信息管理和医疗服务整合来提高照护质量和运营效率，同时考虑利益相关者的接受度。然而，审视AI赋能的LTCFs环境空间优化的综述仍然稀缺
[19]。在与LTCFs具有某些环境相似性的智能医疗设施中，综述探讨了AI在提高医疗效率和质量的作作用
[20-22]，并开始从建筑设计角度探索AI如何有助于医院功能空间规划、患者和医务人员动线优化以及设计生成
[23-25]。这些综述提供了重要基础，但主要聚焦于特定技术应用或单个阶段的设计问题，对AI在建成环境整体中系统作用的关注有限。已建立的建筑生命周期理论通常将生命周期描述为包括启动、项目定义、设计、施工、调试、运营、维护、翻新、更换、拆除等一系列阶段
[26]。尽管这一框架较为全面，但AI在LTCFs中的应用仍分散于这些阶段。这种碎片化阻碍了运营数据反馈到设计和改造决策中，限制了基于生命周期的优化循环的形成。因此，AI在提升LTCFs整体建筑性能和综合质量方面的潜力仍受到限制。
本综述在将已有建筑生命周期框架适配到LTCFs特定特征的基础上，将与AI应用最相关和最重要的过程整合为四个阶段：规划与选址、建筑设计、运营管理、评估与改造。本研究具体回答三个相互关联的问题：（1）在这四个关键阶段中，已研究了哪些AI应用和技术路径？（2）现有证据在这些阶段中如何分布，哪些领域仍未被充分探索？（3）将AI整合到LTCFs中产生了哪些实施挑战和未来研究机会？为回答这些问题，本文系统审视了研究进展、技术路径和当前AI应用，识别了研究集中领域和关键知识空白，并概述了未来研究和实践的优先事项。通过综合这些证据，本综述为规划者、建筑师、工程师、设施管理者和公共卫生决策者提供了将数据驱动方法整合到LTCFs的生命周期导向路线图，并确定了利用AI赋能的建成环境支持高质量老年照护和可持续长期照护系统的优先事项，同时为未来研究探索这些方法对照护质量和居住者福祉的潜在影响提供了研究基础。
2 方法
本范围综述遵循Arksey和O'Malley提出的方法学框架
[27]，该框架适用于绘制LTCFs四个关键生命周期阶段、各类AI技术和多样化应用场景的异质性证据。文献检索、筛选和选择过程系统进行，综述依据PRISMA-ScR报告
[28]。
2.1 检索策略
本综述的范围涵盖建筑学、AI技术和老年学。为捕获这些领域的相关证据，使用Web of Science、Scopus、Google Scholar、SAGE Journals和中国知网（CNKI）进行了系统性文献检索。检索策略结合了AI相关关键词（如“artificial intelligence”“machine learning”）、LTCF相关关键词（如“long-term care facilities”“nursing home”）以及生命周期特定关键词（如“planning”“design”“operation”“assessment”）（表1）。每个数据库的详细检索策略见补充表1。发表时间跨度为2010年1月1日至2025年12月31日，检索于2026年1月至3月进行。
表1 关键词矩阵
| 类别 | 同义词 |
|------|--------|
| 人工智能 | “AI” OR “machine learning” OR “deep learning” OR “computer vision” OR “smart” OR “ambient assisted living” OR “AAL” |
| 长期照护设施 | “nursing home” OR “senior care facilities” OR “elderly care facilities” OR “community-embedded elderly care facilities” |
| 规划 | “location planning” OR “spatial distribution” OR “accessibility” OR “spatial equity” |
| 设计 | “spatial configuration” OR “spatial layout” OR “room layout” OR “interior design” OR “generative design” |
| 运营 | “management” OR “fall detection” OR “activity recognition” OR “behavior recognition” OR “safety monitoring” OR “environmental control” OR “indoor environment” |
| 评估与改造 | “evaluation” OR “safety assessment” OR “performance assessment” OR “post-occupancy evaluation” OR “POE” OR “age-friendly retrofitting” OR “renovation” OR “renewal” OR “refurbishment” |
2.2 纳入与排除标准
遵循PRISMA流程，在去除重复后，通过筛选标题和摘要确定符合范围的研究。一项研究只有在满足以下关键标准时才会被纳入本综述。
（1）与AI技术直接相关。在本综述中，AI技术被广泛定义为具有以下至少一种能力的计算方法：从数据中学习；自适应、启发式、进化或群智能搜索；自主或半自主决策；不确定性推理；或生成能力。只有当AI相关的智能计算技术在其具体应用中展现出这些能力时，才会被纳入。一般确定性优化方法、常规数值模拟和仅执行预定义程序的传统算法被排除，除非它们与AI组件集成。
（2）以LTCFs作为主要研究对象。
（3）探索AI在LTCFs生命周期一个或多个阶段的应用。
由于本综述主题是一个相对较新的研究领域，精确匹配的文献数量有限，因此部分涉及AI技术和LTCFs的研究也被纳入。此外，考虑到一些居家照护和医疗环境与LTCFs中的照护场景具有相似性，部分在居家或医疗环境中AI应用的研究也被纳入。
符合以下任一标准的研究被排除：（1）纯技术性AI论文，与LTCFs无直接相关性，例如专注于纯人机交互或养老服务平台软件设计的研究。（2）仅关注居家照护而未涉及具体建筑空间的研究。（3）主要集中在临床医疗应用或护理理论的研究。（4）非学术出版物，如新闻报道和行业白皮书。
2.3 研究筛选、滚雪球和资料提取
两名研究人员根据预先定义的纳入和排除标准独立评估研究的相关性和合格性，筛选过程包括去除重复、筛选标题和摘要、以及审阅全文。为提高检索的全面性并识别潜在相关研究，随后进行了反向滚雪球。通过数据库检索获得且符合纳入标准的研究作为种子文献，研究团队人工筛选其参考文献列表，以识别与AI和LTCFs建成环境相关的潜在研究。这些候选文章随后与原始数据库检索结果进行交叉核对，并使用与初始检索相同的纳入和排除标准在标题、摘要和全文层面进行筛选。使用预先设计的提取表提取资料，包括文章标题、作者和发表年份、国家或地区、核心方法、数据类型和主要发现（见补充表2）。随后，三位专家对提取数据进行审查。研究人员在文献分类和资料提取上的分歧通过多轮小组讨论解决。
3 结果
从最初识别的3290条记录中，234篇标题和摘要被认为相关。应用排除标准后，34篇全文文章被认定为合格。通过反向滚雪球，额外识别出29篇候选文章，其中4篇符合纳入标准，使本综述纳入的研究总数达到38篇（图1）。以下各节分析AI技术在LTCFs四个阶段的研究进展、技术路径和应用状态。
图1 研究选择过程（PRISMA-ScR流程图）
3.1 规划与选址
选址是LTCFs规划中的关键决策，直接影响服务可及性、空间公平、资源配置效率和长期运营绩效
[29]。传统选址研究多基于静态土地利用规划和现有条件评估。地理信息系统（GIS）空间分析和两步浮动 catchment area（2SFCA）等方法常被用于评估设施的空间可达性和分布公平性
[30,31]。然而，这些方法难以捕捉人口结构的动态变化或不断变化的照护需求，也极少整合政府、投资者、运营商、老年人和家庭等多方利益相关者的复杂影响。随着AI技术的引入，选址方法正从静态资源配置转向能够模拟动态供需并平衡多重目标的智能决策支持系统。现有研究可归纳为四类。
3.1.1 基于多源数据和机器学习的选址适宜性评估
为解决传统方法在量化多因素权重和处理非线性关系方面的局限，近期研究将多源空间数据与ML相结合，以更灵活地评估选址适宜性。兴趣点（POI）数据被广泛使用，因为它们可作为城市功能和服务设施分布的代理指标
[32,33]。决策树（DT）和随机森林（RF）等ML模型在处理POI数据和挖掘空间关联模式方面显示出独特优势
[34,35]。例如，多项研究使用迭代二分器3（ID3）决策树算法量化公园、医院、超市等POI对LTCF选址的重要性权重，并生成可视化规则树以直观识别适宜布局区域，从而为选址决策提供科学依据
[36-38]。为进一步提高预测精度和模型稳定性，引入了集成学习方法。RF和梯度提升决策树（GBDT）模型可处理更大规模的POI数据，并通过集成策略降低过拟合风险
[39]。通过将城市区域划分为精细网格单元，这些模型使研究人员能够预测适宜位置并排列影响因素的相对重要性。例如，一项研究发现“到最近医疗设施的距离”和“老年人口密度”是影响LTCF选址的两个最关键因素
[40]。为提高此类模型的可解释性，可解释人工智能（XAI）方法如Shapley Additive Explanations（SHAP）已被用于量化人口规模和政策因素等个体特征对预测选址适宜性结果的贡献，这有助于揭示多因素耦合的复杂机制，增强模型决策的透明度和可信度。
3.1.2 多目标协调下的选址决策
传统的选址多目标优化方法（如加权求和法和ε-约束法）通常依赖先验知识确定权重，从而将多目标问题转化为单目标问题
[41]。这些方法主观性强，通常只提供一个最优解，难以分析冲突目标之间的权衡。为克服这一局限，研究人员提出了基于进化算法（如遗传算法（GA）和粒子群优化（PSO））的多目标优化框架
[42]。这些方法可同时处理多个潜在冲突的目标，如建设成本、服务覆盖、空间可达性和环境公平性，并生成Pareto最优前沿，该前沿代表一组在不降低其他目标的情况下无法进一步改善任何单一目标的解集。这使决策者能够可视化目标之间的权衡，并根据实际建设条件和政策偏好（例如在固定预算下优先考虑最大覆盖还是平均可达性）做出更科学、更灵活的决策
[43]。
3.1.3 需求导向的设施类型划分与差异化配置
上述两类选址方法主要基于供给导向视角；然而，根据公共物品配置理论，最优供给应与实际需求紧密匹配
[44]。因此，部分研究采取需求侧视角，使用数据分析和ML描绘老年人群特征，并指导差异化配置。在具体方法上，这些研究通常使用问卷、人口普查数据或健康数据库获取老年人的社会经济属性、健康状况和失能水平信息，然后应用聚类算法（如K-means和谱聚类）识别具有相似需求的老年人群组，并绘制其空间分布。例如，一项研究将谱聚类与无序多分类逻辑回归相结合，分析不同老年人群体的偏好。研究结果量化了他们对服务内容和设施类型（如综合型、医养结合型和社区嵌入式设施）的具体选择，强调应根据不同老年人群体的支付能力和医疗照护需求进行差异化设施配置。最终，该方法建立了需求驱动的设施分类与配置框架
[45]。
3.1.4 多利益相关者参与的供需预测与长期项目规划
老龄化是一个动态过程，LTCFs的供需关系受人口迁移、政策调节和市场行为等复杂相互作用的影响。为应对这种动态性和复杂性，基于主体建模（ABM）被引入作为一种前瞻性规划工具。ABM能够模拟老年人（用户）、政府（政策制定者）和运营商（投资者）等多方主体的决策过程和结果，可预测未来多年养老床位供需动态（如空间错配和床位空置率），从而为未来资源配置和政策干预提供信息
[46]。例如，一项研究模拟了2020-2030年上海市LTCFs的布局，评估了现有布局，并提出了动态调整策略，如缓解中心城区压力和优化床位结构
[47]。该方法使选址成为由未来需求预测驱动的前瞻性规划过程，为城市养老资源的弹性规划提供循证支持。
3.2 建筑设计
在建筑设计阶段，传统LTCFs设计高度依赖通用设计规范，容易导致固定的布局范式，难以适应老年人的个性化需求。这种局限可能导致环境舒适性不足、功能相邻关系协调不当以及照护动线冗余。AI的引入为绕开经验性和耗时的传统设计流程提供了新途径，使设计者能够在确保合规性和实用性的同时快速生成和优化多样化设计方案，从而支持更深层次的空间探索和决策。现有研究可归纳为三个主要方向。
3.2.1 基于算法生成和性能优化的自动化设计
为提高设计效率并支持更循证的设计决策，研究人员主要通过两种技术路径探索建筑平面图的自动生成和优化。第一种是基于搜索算法（如GA和PSO）的优化驱动生成设计。通过将设计目标和约束编码为算法规则和参数，这些方法可自动搜索并迭代生成满足预定条件的布局
[48,49]。例如，一项研究以“最短照护动线”和“最大化自然采光”为双重目标，使用GA和路径规划算法生成单层布局
[50]。另一项研究使用路径规划算法模拟使用辅助设备的老年人的移动轨迹，精确评估和优化各功能区之间的可达性和便利性
[51]。与传统设计方法相比，这些方法更省时、更经济。然而，这些算法在参数调优方面常面临困难，并可能收敛到局部最优。第二种路径是基于深度学习的平面图生成，以条件生成对抗网络（CGANs）为代表。通过从现有高质量案例中学习拓扑模式，此类模型可在考虑设计约束和规范的同时，为长期照护空间生成初步分区布局或平面图方案
[52,53]。此外，它们还能快速响应需求和约束的动态变化
[54]。然而，参数优化和生成式AI仍会产生不精确或不合理的设计元素。因此，它们应作为扩展设计搜索空间和提高工作效率的决策支持工具，而非建筑师判断的替代品。最终设计方案的评估、选择和细化仍高度依赖设计者的创造性思维和专业判断。
3.2.2 回应心理和社会需求的空间布局
由于身体机能衰退和社交联系减少，老年人往往对居住环境的物理和社会质量更为敏感
[55]。因此，促进积极的社会互动和支持心理健康也是LTCFs设计的核心目标。AI技术通过多模态感知和行为分析，为定量评估和优化空间的社会支持性能提供了新方法。具体而言，传感器网络、射频识别（RFID）系统和计算机视觉可用于收集老年人移动轨迹、空间使用频率和停留时间的长期、相对无侵扰数据。这些行为数据有助于识别空间配置与社会接触之间的关系，并为公共空间和社会节点（social nodes）的位置、规模和连通性提供信息。同时，异常行为模式（如社交隔离和游荡）也可能作为孤独感、认知衰退或未满足照护需求的预警指标。此外，空间句法等方法可与基于AI的分析工具结合，量化空间集成度和可见性等形态指标，从而将空间形态与社会行为和用户体验联系起来，为社会支持性环境的设计提供证据
[56,57]。
3.2.3 智能设备与室内空间的协同整合
在许多传统LTCFs中，智能设备仅在建筑建成或入住后安装，可能导致设备外露、布线杂乱以及技术、空间功能和用户体验之间的匹配不佳。AI和数字技术的引入正在将智能设备集成从被动适应转向空间协同。关键进展在于能够在设计早期通过算法对设备和空间进行一体化优化。当前应用主要体现在两个方面。第一，优化算法可支持设备布局的自动配置。例如，设备功能（如感知范围和信号强度）、空间约束（如视觉遮挡和家具布局）以及隐私敏感要求可以一起参数化，以确定传感器、呼叫按钮和其他监测设备的合适位置，从而实现以最小侵入性实现可靠覆盖
[58]。第二，基于仿真的评估可用于在实施前测试设备和空间的综合性能。通过将建筑信息模型（BIM）与基于主体的仿真（ABS）相结合，可以在虚拟环境中演练设备系统与老年人日常活动之间的交互，并评估不同集成策略对照护响应效率、能耗甚至社交氛围的潜在影响，为设计决策提供数据支持。例如，一项研究使用灰箱贝叶斯优化算法，引入室内空间模拟器，将具体设施空间模型与居民日常活动时间表相结合，在虚拟环境中模拟空间使用模式和传感器触发轨迹。这些模拟数据为样本高效的框架奠定了基础，该框架优化运动传感器布局，以支持准确的日常活动识别，同时不损害LTCFs中居民的隐私
[59]。通过这种方式，智能设备不再仅仅是附加于空间，而是成为与空间组织共同开发的集成组件，支持更精确、无侵扰和用户导向的智能照护环境。
3.3 运营与管理
LTCFs需要持续长期运营，运营质量直接影响设施可持续性和居民的生活质量。传统设施往往依赖人工管理和基于经验的决策，可能导致响应迟缓。AI技术通过对建筑环境和用户行为的持续分析，正在实现以实时感知、动态优化和主动干预为特征的更智能的运营模式。这一阶段的现有应用可归纳为两个主要方向。
3.3.1 基于环境感知的空间安全监控与风险预防
确保居民安全是LTCF运营的首要目标，其中跌倒预防尤为关键。传统监控方法（如可穿戴设备和视频监控）存在不便、隐私侵犯和盲区等局限
[60]。AI驱动的感知系统通过多模态传感器融合和非侵入式监控提供了替代解决方案
[61]。典型应用包括使用嵌入式压力传感器阵列（如智能地板）持续监测步态、位置和姿势信息，通过ML模型实现高精度实时跌倒检测和报警，同时不损害隐私
[62,63]。其他研究使用深度图像和热成像数据持续监测老年人，应用计算机视觉检测异常行为（如长时间停留或剧烈运动），并生成热力图和活动频率报告，以反映空间使用模式，用于长期健康风险评估
[64]。
3.3.2 数据驱动的建筑环境智能控制
AI在维持LTCFs健康、舒适和节能的室内环境方面发挥重要作用。通过集成温湿度、照明、空气质量和声学等多种传感器模块，智能生活环境系统可实时监测和收集室内物理环境数据，为精确控制奠定基础。应用主要体现在两个层面。第一个层面是物理环境的预测性控制。传统环境控制系统通常基于固定设定值或简单反馈机制运行，难以适应动态室外天气条件和室内 occupancy 变化。AI模型，特别是人工神经网络（ANNs）等ML方法，可从历史数据中学习，并建模建筑环境响应与能耗之间的复杂非线性关系，从而实现前瞻性优化。例如，一项基于养老院监测数据的研究开发了ANN模型，以建筑特征和室内外环境参数作为输入变量预测制冷需求。此类模型可为暖通空调（HVAC）运行策略提供信息，在维持老年人热舒适的同时降低能耗
[65]。第二个层面是基于生理和心理反馈的综合控制。这种方法超越单一物理参数的控制，侧重于通过多模态感知实现“以人为本”的自适应环境调节
[66]。例如，已开发一种基于卷积神经网络（CNN）和实验室虚拟仪器工程工作台（LabVIEW）的智能情绪分析系统，用于长期照护应用。通过分析面部微表情，该系统可实时推断老年人的情绪状态
[67]。当识别到焦虑或不适等负面情绪，或检测到异常环境参数时，系统可自动触发联动调整，如播放舒缓音乐、调节照明色温和照度、或调整空调温度。这展示了将实时情绪识别与环境控制联系起来的技术路径。
3.4 评估与改造
在LTCFs的整个生命周期中，持续评估和针对性改造对于维持长期适宜性、环境性能和居民福祉至关重要
[68,69]。传统使用后评估（POE）主要依赖定期问卷和访谈，往往滞后、主观，且无法捕捉动态行为。AI的引入增强了评估过程的连续性、客观性和实时响应性。这一阶段的现有研究主要聚焦于以下三个方面。
3.4.1 物理环境舒适性的多感官评估
热、光、声和空气质量相关的舒适性是影响室内环境质量（IEQ）的重要因素
[70]，其评估是LTCFs POE的核心组成部分。传统方法难以持续监测环境参数与老年人实际舒适感知之间的关系。通过整合环境传感网络和计算机视觉技术，AI能够同步监测物理环境和居民行为
[71]，同时提供实时舒适反馈
[72]。例如，一项研究使用ML算法将客观环境数据（包括气温、相对湿度、室内空气质量、照度和噪声水平）与老年人的主观满意度投票相结合。该模型准确量化了每个环境因素对总体满意度的贡献，识别了关键影响因素（如温度和噪声）和潜在的不适宜空间，并随后提供了优化建议
[73]。这种数据驱动的动态评估模型将POE转变为连续监测过程，为LTCFs的精确运营和持续改进提供实时客观证据。此外，此类反馈数据可作为经验参数反馈到新项目的规划和设计中，形成跨建筑生命周期的智能优化循环。
3.4.2 风险预防与控制的空间安全评估
空间安全是LTCF评估的另一个重要焦点。传统风险评估通常基于专家判断和定性检查，难以系统量化和比较不同空间条件下的风险
[74]。通过引入模糊推理和神经网络等算法，AI为评估复杂空间风险因素提供了更结构化的方法。例如，G?kler等人提出了一种将Fine-Kinney方法与自适应神经模糊推理系统（ANFIS）相结合的混合风险评估方法。在该框架中，专家对风险概率、频率和严重程度的评估被转化为训练数据，使模型学习空间危害与风险等级之间的关系。此类方法可用于评估养老院中门槛、走廊宽度不足、地面湿滑、不良人体工学条件及其他危险空间特征相关的风险
[75]。该模型高效输出建筑空间的整体风险水平和具体风险点的分布。它成功将安全评估从传统定性检查提升为基于数据和规则的智能诊断，从而显著增强了后续设施改造的合理性和精确性。
3.4.3 多目标权衡下设施改造方案的优化
改造现有设施通常涉及舒适性提升、能耗降低和成本控制之间的复杂权衡，传统方法无法系统性地优化这些目标
[76]。AI优化算法为此类问题提供了强大的决策支持工具
[77,78]。例如，Zhang等人
[79]使用非支配排序遗传算法II（NSGA-II）构建了一个同时模拟建筑能耗、室内热舒适和改造成本效益的评估框架。该框架可自动生成大量改造情景（如围护结构升级和系统改进），并计算表征不同目标之间权衡的Pareto最优解集。结合聚类分析，这些解可被分组为不同策略类型，如低成本型、舒适导向型或均衡型改造方案。这种方法为决策者提供了清晰的视觉证据，使其能够根据实际预算约束和性能偏好科学选择在多目标间实现最佳平衡的改造策略，从而实现基于数据的多目标优化。
3.5 现有研究领域的分布与局限
前面各节回顾了LTCFs在规划、设计、运营和评估阶段的AI应用。研究发现当前研究涵盖了多样化的应用场景和技术方法。为更好地总结实际使用的技术，根据算法逻辑和应用目标，将纳入文献中识别的AI技术归为四条应用路径：预测与评估、生成与演化、感知与识别、仿真与建模。图2呈现了各生命周期阶段使用的主要技术类型。
图2 LTCFs生命周期中应用的AI技术。四个面板对应四个生命周期阶段。技术标签的彩色背景表示其对应的AI应用路径，如图例所定义：预测与评估、生成与演化、感知与识别、仿真与建模。
具体而言，对纳入文献中识别的AI应用领域进行主题分类，并进行频率分析以比较不同生命周期阶段和阶段内应用领域的研究重点（图3）。结果表明，运营阶段是当前研究最集中的领域。在该阶段，研究特别关注跌倒检测、非侵入式传感器集成、异常行为检测、施工后安全监测和常规风险预防。规划和设计阶段的研究主要聚焦于决策和方案生成，如场地评估、供需预测和空间布局优化。相比之下，评估阶段的研究仍相对有限，主要涉及环境舒适性评估、安全评估和改造优化。
图3 基于纳入研究的LTCF生命周期AI应用热点。该图采用三层同心结构，分别对应生命周期阶段、应用领域和具体应用点。使用不同配色方案区分四个生命周期阶段，而每种配色内的深浅表示纳入文献中相关主题被提及的频率；颜色越深，表示该主题在现有研究中受到越多关注。最外圈数字为频率数据。在统计过程中，仅将完全专注于特定应用方向或在专门章节或段落中讨论的研究计入该类别；如果单个文献涉及多个应用方向，则分别计数。
4 讨论
4.1 AI对LTCFs建筑实践范式的影响
四个生命周期阶段的研究结果表明，这些技术的协调应用可能共同赋能LTCFs发展的全生命周期，重塑建筑实践范式，并促进建成环境与照护实践之间更紧密的联系。
首先，AI正在使LTCFs设计从依赖既有标准转向动态优化。传统设计方法高度依赖标准化规范，通常以通用性为导向。尽管这些方法有助于确保基本安全和合规性，但在应对老年人身体功能变化和生活方式演变所产生的多样化需求方面面临挑战，同时也不能充分满足照护人员的工作要求。生成式和进化式AI方法（如GANs和多目标优化算法）帮助设计者在规范框架内探索和优化空间布局、照护动线和环境参数方面的大规模设计方案。与此同时，感知和识别AI（如计算机视觉和传感器网络）可在运营阶段持续收集环境和行为数据。当与预测和评估性AI方法（如ML模型）相结合时，这些技术可形成“监测-评估-优化”的实时反馈循环。这将建筑从“完工即定稿”的静态产品转变为可根据实际使用反馈持续优化的结构
[80]。
其次，AI正在将LTCFs中的决策从基于经验的定性判断转向数据驱动的定量评估。选址和改造等重大决策长期依赖专家经验和定性判断，具有主观性，且在多目标冲突时难以协调。预测和评估性AI（如ID3决策树、RF和SHAP）可利用多源数据识别复杂变量之间的关系，将场地适宜性、空间安全风险和环境满意度转化为可量化和可比较的输出，帮助利益相关者更好地理解多因素关系，并支持更透明的决策。如上所述，感知和识别AI与预测模型相结合，可进一步为空间性能提供经验证据，为改造决策提供信息。
第三，AI有助于平衡不同用户和利益相关群体的需求。传统设施规划往往集中于成本、可达性或服务效率等有限目标，难以充分代表不同利益相关者利益之间的冲突和权衡。例如，政府倾向于强调公共资源配置效率、服务覆盖和空间公平；投资者和运营商必须考虑建设和运营成本、设施利用率和长期运营可行性；而老年人及其家属通常更关心交通和医疗服务的可达性以及实际照护需求。进化计算方法，特别是多目标进化算法，将通常相互冲突的目标（如可达性、公平性、舒适性、能效和成本）同时纳入计算框架，自动生成Pareto最优解集的可视化，为决策者比较和协调竞争性优先事项提供基础。此外，基于仿真和建模的AI方法（如ABS）可构建数字模型，定量推断不同政策或市场情景下的长期供需动态和效益。
第四，AI使LTCFs生命周期中更集成的反馈机制成为可能。在传统流程中，规划、设计、运营和评估等阶段往往是分离的，导致有价值的运营数据无法有效反馈到系统中。上述四类AI技术的协同作用有助于打破这一障碍。感知型AI收集的实时运营数据可作为评估模型的输入，以诊断性能问题并识别空间或环境风险。由此产生的评估结果和优化目标随后可转化为生成式和仿真式AI的新规则、参数或约束，从而为未来设计或改造情景提供信息。通过这一过程，AI可连接不同生命周期阶段，支持“设计-运营-评估-再设计”的智能循环，使LTCFs在其使用寿命内不断适应和改进。
4.2 实践意义
本综述讨论的AI技术正在对LTCFs领域的专业实践和产业发展产生深远影响。
在建筑设计层面，AI拓展了建筑师的职业边界
[81]。尽管长期以来强调建筑师的专业责任应贯穿建筑全生命周期，但在实践中，由于缺乏成熟标准和市场惯例，他们往往局限于设计阶段。AI的引入可能有助于打破这一局限。具体而言，建筑师可利用预测模型进行数据驱动的需求分析和项目定位，利用生成式设计和性能仿真工具起草和优化方案，并利用智能POE模型参与性能诊断、空间调整和改造决策。此外，AI将长期倡导的“以人为本”建筑设计理念转化为可实施的实践
[82]。在LTCFs中，由于老年人需求的个体差异和照护需求的动态变化，这一理念难以在实际运营中完全实现。如今，多模态感知和情感计算等AI技术可连续、无侵扰地收集居民生理指标、行为模式和情绪状态数据，将抽象的“体验”概念转化为可分析的数据。这使得创建主动式、“以人为本”的环境成为可能
[83,84]。
在老年照护实践层面，通过将空间环境、风险监测和照护活动紧密连接，AI正在重塑长期照护服务的运营模式，并支持更个性化的照护方法。例如，针对传统人工查房存在盲区、响应迟缓和人力成本高的痛点，基于计算机视觉和毫米波雷达的无侵扰监测系统可提供24/7的高精度跌倒检测和异常生命体征预警。此类系统可将照护从“被动响应”转向“主动预防”，从而降低运营风险并提高响应效率。在劳动力持续短缺的背景下，AI和机器人技术可能承担部分重复性和体力要求高的照护任务，如辅助洗浴和康复训练，从而减轻员工压力并提高服务标准化程度
[85]。这使有限的人力资源能够更多投入到技术难以替代的活动中，如沟通、陪伴和高级照护。
在公共卫生系统层面，AI的价值还在于支持长期照护资源的协调配置和服务系统的协同。长期照护需求具有显著的地理差异和动态变化特征。预测分析和需求模拟等AI工具可帮助决策者系统识别不同地区的服务缺口，优化设施空间分布和资源配置策略，从而提高服务的空间可达性并支持更大的资源分配公平性。此外，部分LTCFs正开始探索数字孪生和集成运营平台，以连接分散的智能设备、照护任务和资源信息，实现照护流程的闭环管理和动态智能化资源配置。此类集成系统不仅可能提高单个设施内的信息集成和资源协调能力，还可能为发展整合照护连续性模式奠定基础，该模式可协调机构、社区和居家照护环境中的资源。
4.3 现有AI技术的局限与挑战
尽管AI技术在LTCFs全生命周期中展现出巨大潜力，但当前研究和实践在应对复杂现实条件时仍面临一系列技术、数据、伦理和实施层面的未解决挑战
[86,87]。
首先，存在数据质量和标准化问题。AI模型的性能高度依赖高质量训练数据，然而当前LTCFs的数据基础设施存在显著不足。用于规划分析的宏观数据（如POI和人口数据）在新开发地区和农村地区可能不完整或更新缓慢，这直接影响选址和需求预测的准确性。在设计和评估阶段，AI模型使用的数据（包括建筑图纸和环境监测记录）往往缺乏对设施类型、照护等级等关键属性的明确分类，使机器难以有效理解和使用数据。此外，关于老年人行为、偏好、情绪和主观体验的细粒度数据很难标准化地大规模收集。因此，构建高质量、标准化、面向生命周期的LTCFs数据库是未来AI应用的关键基础，值得进一步探索。
第二，LTCFs的复杂性和异质性与AI模型追求标准化和泛化模式之间存在矛盾。LTCFs并非同质化产品。它们在运营模式、照护对象和服务理念方面存在差异。然而，许多生成式设计和布局优化研究倾向于将LTCFs视为单一类别，并从混合、粗粒度数据集中提取“通用模块”或“平均模式”。因此，算法可能无法捕捉个体偏好、特定照护流程和动态运营需求。这可能导致生成的方案偏离实际实践，仍需大量人工修正，从而限制了AI辅助设计的实际有效性和可信度。未来研究应关注如何在保留不同LTCFs特定需求和运营特征的同时，从复杂现实条件中提取标准化数据结构。
第三，AI的大规模实施面临系统集成和长期适应性挑战。“数据孤岛”问题突出。老年人的健康数据、行为数据和建筑环境数据往往存储在不同系统中，标准不一致且互操作性差，从而阻碍基于多源信息融合的综合AI应用
[88,89]。更重要的是，智能设备和AI软件的更新周期为几个月或几年，而建筑的使用寿命往往长达数十年。这种不匹配可能导致早期部署的高成本系统迅速过时。后期升级可能成本高昂，并可能导致设备外露、布线杂乱、视觉干扰或设备安装和机器人移动空间不足。因此，促进AI系统与建筑空间的集成协同设计至关重要。例如，在建筑设计阶段可为导管、布线和设备安装预留空间，同时还应考虑传感器更换和设备维护等未来运营需求。在数字和系统集成方面，可通过尽可能采用标准化数据接口和语义模型来增强不同设备和平台之间的互操作性。BIM和数字孪生可进一步作为贯穿设计、运营和改造阶段的信息主干，使更新的智能设备能够逐步集成到现有系统中，从而增强建筑的技术适应性。
第四，存在应用中的公平性和普遍性问题。当前AI应用的研究和实践显示出显著的区域和资源不平衡，大多数工作集中在基础设施完善、资金充足的发达地区，或新建高端LTCF项目中。一个显著矛盾是，基层和改造设施（以老化建筑、空间受限和照护人力紧张为特征）往往最需要智能解决方案来弥补硬件缺陷并提高安全性和照护效率。然而，此类设施往往预算紧张，难以负担当前复杂的主流系统的部署。因此，开发和推广低成本、易部署的“轻量化”AI解决方案，或探索基于现有基础设施（如Wi-Fi和常规摄像头）的间接传感技术，已成为一项关键任务。通过降低技术门槛，此类方法可使更广泛的老年人群更公平地从技术进步中受益
[90,91]。
第五，数据隐私和伦理挑战仍然至关重要。在LTCFs中部署感知和监测AI不可避免地涉及隐私、尊严、安全和效用之间的权衡
[92,93]。高侵入性技术（如视觉监控）可能引发居民抵触。因此，探索保护隐私且无侵扰的替代方案（如雷达传感、智能地板和声学分析）非常重要
[94]。此外，确保所收集的大量个人健康和行为数据的安全性、明确数据所有权和使用边界、防止滥用和歧视，对AI技术的未来发展和应用构成重大挑战。
5 结论
从建筑学视角出发，本范围综述系统地将LTCFs建筑生命周期阶段和AI应用路径两个维度整合为一个二维分析矩阵，从而清晰呈现了AI应用在不同生命周期阶段的分布。该框架超越了现有主要按技术类型、照护服务或单一设计阶段组织研究的分类方法。相反，它为识别AI应用覆盖范围提供了跨阶段分析视角，并有助于连接规划、设计、运营和评估之间的数据流和决策反馈。研究结果表明，AI正通过一系列系统化方法促进LTCFs建成环境的智能转型。这些应用主要在安全、舒适、能效和适应性方面提升技术和运营性能，并可能为响应人口老龄化挑战时将人本设计原则转化为空间和运营实践提供潜在途径。此外，随着AI越来越多地应用于照护资源分配和服务协调，其相关性可能超越单个设施性能，延伸至更广泛的长期照护系统，支持服务可及性、公平资源配置和照护连续性。值得指出的是，尽管本综述开发的分析框架基于LTCFs，但其生命周期导向视角也可能为系统分析其他医疗和照护设施中的AI应用提供有用参考。
尽管如此，本研究存在若干局限性。第一，文献检索主要在英文和中文数据库中进行，可能导致遗漏以其他语言发表的相关研究。第二，纳入来源在研究设计、数据类型、建筑背景和应用场景方面差异很大。鉴于这种异质性和范围综述的绘图目的，证据采用定性综合。本综述未对方法学质量或偏倚风险进行正式评估，也未进行定量荟萃分析。因此，本综述描述了现有证据的范围、分布和应用领域，而非建立比较有效性或总体证据强度。第三，大多数纳入研究主要评估了预测准确性、空间效率、能耗以及活动和跌倒识别性能等技术性和运营性指标，而直接检验居民层面结果（如心理健康、尊严和照护质量）的研究相对较少。关于AI对老年居民生活质量影响的证据仍不充分，需要进一步研究来弥补这一空白。
基于这些发现，未来研究可关注以下领域。第一，制定标准化数据协议，构建覆盖建筑全生命周期的高质量、专业化数据库，为模型训练和评估奠定基础。第二，开发能够理解和适应LTCFs复杂性和多样性的AI模型，充分考虑不同的建筑条件、身体和认知能力以及动态照护需求，以增强模型在不同场景中的适应性和泛化能力，特别是通过整合数字孪生技术从通用解决方案转向个性化定制。第三，探索低成本、易部署、轻量化的AI解决方案，以促进AI技术在不同地区不同等级照护设施中的应用
[95]。第四，推进AI技术与建筑空间协同整合的理论和标准，创建系统化、智能化的LTCF环境。在多样化AI技术的赋能下，未来的LTCFs将更好地平衡高效专业照护与有尊严的居住体验，为应对全球老龄化挑战提供坚实的空间基础设施和技术支持，使老年人能够享受有尊严、高质量的晚年生活。
