综述:《 ubiquitous computing (普适计算)与智能系统在精神病学和神经病学疾病治疗中的应用——一篇叙述性综述》
作者:Dariusz Miko?ajewski、Emilia Miko?ajewska、Jolanta Masiak、Ewelina Panas 和 Urszula Rogalla-?adniak
《Electronics》:Ubiquitous Computing and Smart Systems in the Treatment of Psychiatric and Neurological Disorders—A Narrative Review
Dariusz Miko?ajewski,
Emilia Miko?ajewska,
Jolanta Masiak,
Ewelina Panas and
Urszula Rogalla-?adniak
【字体:
大
中
小
】
时间:2026年04月16日
来源:Electronics 2.6
编辑推荐:
**摘要**
本研究通过文献计量学方法,探讨了普适计算和智能系统在精神及神经系统疾病治疗中的作用。普适计算将计算智能融入日常环境,实现患者治疗的无缝监控与支持。智能系统包括可穿戴设备、环境传感器和移动健康应用程序,能够收集关于行为、生理和环境因素的实时数据。这些系统通过情境感
**摘要**
本研究通过文献计量学方法,探讨了普适计算和智能系统在精神及神经系统疾病治疗中的作用。普适计算将计算智能融入日常环境,实现患者治疗的无缝监控与支持。智能系统包括可穿戴设备、环境传感器和移动健康应用程序,能够收集关于行为、生理和环境因素的实时数据。这些系统通过情境感知分析,帮助早期发现症状变化、监督患者治疗依从性并预测病情危机。人工智能(AI)处理收集的数据,生成个性化的治疗建议,并在需要干预时通知医疗人员。在心理健康护理中,智能环境可以监测情绪、睡眠和社交互动模式,提供有关心理健康状况的宝贵客观信息。对于帕金森病或癫痫等神经系统疾病,智能系统可实现运动追踪、癫痫发作检测和临床之外的认知评估。与电子健康记录和远程医疗平台的整合,确保了协调有效的护理。道德设计、隐私保护和患者同意是成功实施这些技术的关键。普适计算通过提高自主性、精准度和治疗连续性,正在改变神经系统疾病的护理模式,尤其包括与年龄相关的神经退行性疾病。
**1. 引言**
精神及神经系统疾病表现为多种临床症状,从情绪、焦虑、精神病到运动、感觉和自主功能障碍。这些疾病通常具有慢性或复发特征,严重影响日常生活、独立性和生活质量[1]。全球有数亿人受这些疾病影响,它们是导致残疾的主要原因[2]。抑郁症、焦虑症、痴呆症、癫痫、中风和帕金森病是各年龄段中最常见的疾病。从科学角度来看,这些疾病因其复杂的生物学、心理学和社会机制而构成重大挑战。临床治疗需要长期的多学科合作,包括药物治疗、心理治疗、康复和社会支持[3]。从经济角度看,这些疾病带来巨额直接医疗成本和生产力损失带来的间接成本[4]。诊断和治疗的获取不平等加剧了国家间和国家内部的医疗资源分配差异[5]。在社会层面,歧视和污名化限制了患者的社会参与和就业[6]。精神及神经系统疾病的日益加重给公共卫生、经济和社会带来了严峻挑战,因此亟需新的自动化诊断、治疗、康复和护理方法[7]。
精神及神经系统疾病的治疗和护理越来越依赖于普适计算和智能系统,这些系统能够实现持续的个性化诊断和治疗[8]。智能可穿戴传感器和移动设备收集情绪、运动、睡眠和生理信号的实时数据,提升抑郁症、癫痫和帕金森病等疾病的早期发现和诊断准确性[9]。人工智能(AI)分析这些数据流,识别模式、预测症状加重情况并支持临床决策[10]。在治疗中,数字平台提供认知行为疗法、神经反馈或药物提醒等个性化干预[11]。智能环境可自动调节光线、声音或信息,缓解患者压力、烦躁或认知负荷[12]。远程医疗和虚拟咨询提高了对精神和神经疾病的可及性,尤其是对于行动不便或地理位置有限的患者[13]。康复过程中,智能系统指导锻炼、监督治疗依从性并提供实时反馈,促进神经可塑性和功能恢复[14]。普适计算机技术还支持患者自我护理,提高患者的参与度、自主性和症状意识[15]。护理人员受益于智能系统提供的警报、安全监控和协调护理计划[16]。这些技术实现了全面、连续且以患者为中心的护理,涵盖诊断、治疗、康复和长期支持[17]。
使用普适计算和智能系统进行精神及神经系统疾病治疗和护理的起源可追溯到数字技术、神经科学和数据科学的进步。早期发展集中在电子病历和基本远程医疗上,以简化文档管理和远程咨询[18]。智能手机、可穿戴传感器和物联网设备的广泛采用实现了对患者生理和行为状态的持续实时监控[19]。人工智能和机器学习的进步促进了数据整合和疾病进展及治疗反应的预测建模[20]。数字平台发展为基于证据的心理学干预和个性化药物管理[21]。康复技术利用智能传感器、机器人技术和虚拟现实支持运动和认知康复[22]。普适系统还通过自动化安全监控和个性化环境支持改善了长期护理[23]。对以患者为中心的护理和预防的重视加速了这些技术向临床实践的融合。这一演变反映了从阶段性、基于临床的护理向持续、智能化和综合护理生态系统的转变[24]。
尽管技术快速发展,但在精神及神经护理中应用普适计算和智能系统仍存在科学和临床上的空白。主要问题在于对数字生物标志物能否可靠反映复杂的精神和神经系统疾病的理解有限[25]。许多智能系统缺乏大规模、多样化和长期研究的强有力临床验证。数据质量和互操作性问题阻碍了多设备和医疗系统间信息的整合[26]。临床实践中,个性化往往不足,因为算法可能无法充分考虑个体差异、共病情况和文化因素。与持续监控相关的伦理和隐私问题可能降低患者信任度和长期治疗依从性[27]。此外,将预测分析转化为临床医生易于使用的决策支持也存在不足。在康复领域,智能技术可能无法充分适应患者功能能力的变化。患者和临床医生对数字技术的熟悉程度不足也限制了技术的有效应用。填补这些空白需要跨学科研究、严格的临床试验、标准化框架和以用户为中心的设计。
普适计算和智能系统在精神及神经护理中的新应用体现了从阶段性评估向持续实时患者监控的转变。这些技术提供了新的数字生物标志物,以高时间分辨率捕捉行为、认知和生理变化。在诊断方面,智能系统通过数据分析实现疾病的早期发现和更准确的特征描述[28]。在治疗方面,它们支持根据患者状况动态调整的个性化干预。新型康复方法结合了可穿戴设备、虚拟现实和智能反馈,加速运动和认知恢复[29]。它们还实现了临床、家庭和社区环境之间的无缝护理整合[29]。交互式和辅助技术提升了患者的参与度和自我护理能力。医疗专业人员受益于先进的决策支持工具,这些工具能够整合复杂的多模态数据[30]。普适系统增强了医疗提供者和护理人员之间的安全、连续性和协调性[30]。这些创新为个性化、预防性和可扩展的精神及神经系统医疗保健做出了重要贡献。
本文旨在探讨普适计算和智能系统在精神及神经系统疾病治疗和护理中的作用,以及相关解决方案的现状。
**2. 材料与方法**
2.1. 数据集
本文献计量研究的目的是探讨普适计算和智能系统在精神及神经系统疾病治疗和护理中的作用。仅关注个别患者或特定患者群体的研究可能会低估这些技术的广泛潜力,尤其是在跨学科视角下。为解决这一问题,应用文献计量技术分析了全球科学出版物,涵盖2016年1月至2026年3月期间(如可能的话,包括2026年之前)的所有文献和最新研究[2]。研究问题旨在评估主要出版来源、主导研究主题、领先国家、作者以及与可持续发展目标(SDGs)的一致性。这有助于全面了解普适计算和智能系统在精神及神经护理中的研究现状及其潜在应用。分析结果有助于识别科学知识和创新的焦点,阐明影响技术进步及其临床应用的地缘和制度因素。此外,将新兴研究趋势置于更广泛的可持续发展框架中,强调与医疗和健康技术相关的可持续发展目标(SDGs),突显其社会影响。这些研究问题为理解当前研究的目的、推动创新的利益相关者及其背后的动机提供了结构化方法,为未来研究和国际合作提供了战略指导。所提出的方法论和研究框架有助于全面理解当前研究、策略和行业趋势,以及普适计算和智能系统在精神及神经护理中的规划、实施和应用[3]。
2.2. 方法
本研究检索了四个主要文献数据库——Web of Science (WoS)、Scopus、PubMed 和 dblp,这些数据库在技术和医学文献的覆盖范围、元数据完整性及全球相关性方面表现突出(见表1)。为确保相关性,搜索 filtro 仅限于英文出版物。每篇检索到的文章由三位独立评审者根据预设的纳入标准进行评估,最终选择通过三分之二多数投票确定。分析结果数据集以识别关键特征,包括作者、合作研究团队和机构、贡献国家、关键研究领域及新兴研究趋势。该分析有助于绘制核心术语及其随时间演变的情况,以及识别该领域的重要科学进展。 Whenever 可能,分析了时间模式以捕捉研究兴趣的变化,并将出版物组织成主题簇,揭示学科间联系。这种方法有助于发现重要主题和新兴子领域,研究团队的跨学科组成确保了结果的全面和平衡解读。
表1. 本综述中应用的文献计量分析工作流程(定制方法)。通过将每个数据库检索到的所有参考文献导出到统一的书目管理平台(Biblioshiny),根据标题、DOI、作者名称、出版年份和相关元数据自动匹配重复记录,以消除重复或近乎重复的记录。在自动检测后进行了手动验证,以区分会议论文和期刊中的扩展版本,确保正确分类。这些程序确保在筛选前移除了所有重复或接近重复的记录,从而保持了最终数据集的完整性和可靠性。
本研究遵循了PRISMA 2020文献综述指南中的10个要素[31],具体包括:研究目的(第3项)、研究目标(第4项)、纳入标准(第5项)、信息来源(第6项)、搜索策略(第7项)、选择过程(第8项)、数据收集过程(第9项)、综合方法(第13a项)、综合结果(第20b项)和讨论(第23a项)。这些要素的详细描述见补充材料。文献计量分析使用了与Web of Science、Scopus、PubMed 和 dblp数据库集成的分析工具。采用的评审框架通过系统化分类概念、研究领域、作者和来源,增强了结果的可重复性。结果以表格形式呈现,便于灵活解读、进一步分析和可视化。为提高搜索精度,应用了高级过滤条件,仅保留英文出版物。根据数据库不同,搜索策略有所不同:Web of Science (WoS) 检索“Subject”字段(包括标题、摘要、关键词和相关术语);Scopus 检索文章标题、摘要和关键词;PubMed 和 dblp 检索手动选择的关键词组合。
**3. 结果**
通过手动筛选进一步精炼了出版物集,去除了无关记录和重复项,确定了最终样本大小(见图1)。PRISMA流程图是根据选定的PRISMA 2020指南制定的。PRISMA 2020流程图提供了一个结构化、逐步的过程,用于识别、选择、评估,并最终将研究纳入综述中,从而促进方法学的严谨性和可重复性。该过程从识别阶段开始,在此阶段从数据库和其他来源收集数据,并记录潜在相关出版物的总数,随后去除重复项。在筛选阶段,根据预定义的资格标准评估标题和摘要,排除与该综述中研究的设备明显无关的论文。资格评估阶段包括全面的全文审查,重点关注方法学质量、数据收集的相关性以及与研究主题的相关性。最终的纳入阶段指出经过多次排除后保留的研究数量,这些研究构成了综合分析和研究的证据基础。解释PRISMA流程图可以提高透明度,因为它阐明了所审查文献的范围以及每个排除步骤的理由,从而增强研究结论的可信度和稳健性。文献分析结果的总结见表3和图2、图3、图4、图5、图6、图7、图8和图9。共分析了351篇文章,其中包括过去11年(2016年1月至2026年3月)发表的195篇文章,其中有72篇被纳入综述。没有观察到更早的文章。
表3. 文献分析结果总结(所有数据库)
图2. 按年份划分的文档
图3. 按类型划分的文档
图4. 按主题领域划分的文档
图5. 按国家/地区划分的文档
图6. 按作者划分的文档
图7. 按所属机构划分的文档
图8. 按基金会划分的文档
图9. 按可持续发展目标(SDGs)划分的文档
计量学结果表明,大量会议出版物可能反映了仍处于概念阶段的研究领域,这与论文强调提出的系统架构而非其实际或临床验证是一致的。大多数研究来自计算机科学、工程学和医学领域,表明这项技术仍处于早期发展阶段。西班牙、印度和美国成为最活跃的国家;然而,主导作者群体的增加以及缺乏主导机构表明研究环境高度 fragmented。此外,最常被识别的SDGs表明了强烈的工业和发展导向。
并非所有纳入综述的研究都明确指出了可持续发展目标(SDGs),并且SDGs的对齐并未作为纳入标准使用。虽然联合国已将SDGs确立为2030年的全球框架,但并非所有国家或研究机构都必须采纳。然而,包括包含和不包含SDG参考的出版物可以使综述涵盖更广泛的观点,包括可持续性考虑——以及研究人员、机构或国家背景施加的任何自愿或非自愿的限制——如何影响可持续发展的进展。
在接下来的第3.1节、第3.2节、第3.3节、第3.4节、第3.5节、第3.6节和第3.7节中,我们详细讨论了按主题分组后的文献综述结果。
3.1. 智能家居范式中的普适计算在医疗保健中的作用
普适计算在智能家居范式中的医疗保健中起着关键作用,它将传感器、设备和智能融入日常生活环境,以支持持续的健康监测[32]。它能够在不需要用户持续交互的情况下收集实时的生理、行为和环境数据。智能家居系统可以监测生命体征、用药依从性、活动模式、睡眠质量和日常活动,从而检测到健康恶化的早期迹象[33]。通过集成可穿戴设备、环境传感器和基于AI的分析,普适计算使家庭中的医疗干预更加个性化和适应性强[34]。这种方法通过支持远程患者监测和早期干预,减轻了医院的负担,尤其是在管理慢性疾病方面。它通过提供跌倒检测、紧急警报和自动辅助等安全功能,提高了老年人和残疾人的独立性和生活质量[35]。在智能家居中收集的数据可以安全地与医疗专业人员共享,从而快速做出临床决策和协调护理。普适计算还通过识别生活方式风险并提供个性化健康建议来支持预防性医疗保健[36]。然而,必须仔细解决数据隐私、安全性、系统互操作性和伦理考虑等挑战,以确保用户信任和安全。普适计算正在将智能家居转变为促进积极主动、持续和以患者为中心的医疗保健环境[37]。
多模态可穿戴智能技术,源于普适计算和物联网(IoT)的进步,已成为学术界和工业界的重要研究领域。可穿戴和移动设备的广泛采用正在将医疗保健从传统的集中式系统转向更加个性化的护理模式。这一转变符合“医疗保健4.0”的愿景,该愿景强调预防性、预测性、精确性和个性化的护理,特别有利于老年人。本文探讨了用于痴呆症护理的高级多模态可穿戴智能技术,提出了一个研究框架,研究了辅助技术、关键应用、案例研究以及医疗保健4.0未来的研究挑战[38]。
智能设备和多模态生物信号系统(如EEG/MEG、基于ECG的心率变异性和EMG)越来越多地与人工智能结合,以改进精神健康障碍的评估和长期监测。然而,尽管该领域发展迅速,但现有证据高度异质,其临床应用仍受限于不一致的数据收集方法、分析过程和验证标准。这项系统评价总结了当前的应用、信号处理策略以及与基于智能生物信号的 mental health 监测系统相关的方法学挑战。根据PRISMA 2020指南,从2013年至2026年发表在主要数据库中的研究被识别出来,这些研究重点关注使用可穿戴设备或多模态生物信号来检测或管理健康结果的人类参与者。文献主要集中在抑郁检测、压力和焦虑监测、技术创新、创伤后应激障碍(PTSD)研究、基于大脑的干预措施和社会经济因素上。然而,许多研究的特点是样本量小、实际验证有限以及方法学上的变异性,这强调了需要标准化报告、改进验证和伦理框架来支持未来的临床应用[39]。
技术利用科学知识满足实际的人类需求,诸如普适计算、移动计算和物联网(IoT)等IT领域的快速发展在科学界引起了广泛关注,因为它几乎影响所有人类活动领域。一些研究提出了并通过教育场景评估了这些技术在正式中等教育中的使用,考察它们是否能够提升15-17岁学生的学习过程,并激励他们追求科学和技术职业[40]。
3.2. 智能制造范式中的普适计算在医疗保健中的作用
普适计算是智能制造(Industry 4.0/5.0/6.0)范式中医疗保健的基本要素,它实现了智能、连接和以人类为中心的数字医疗生态系统。在工业4.0中,它支持信息物理系统、物联网(IoT)支持的医疗设备和数据驱动的自动化,用于智能医院、远程医疗和数字诊断。通过持续从可穿戴设备、植入物和智能环境中收集数据,医疗系统能够实时了解患者状况和运营效率[41]。在工业5.0中,普适计算将重点转向以人类为中心的护理,强调智能系统与医疗专业人员之间的协作,而非完全自动化。它通过结合人工智能、大数据和情境处理,实现个性化医疗,以满足个体生物特征和生活方式[42]。作为工业6.0新兴愿景的一部分,普适计算整合了先进的人工智能、生物数字融合和智能自主性,创建了预测性、预防性和再生性医疗系统。医疗保健变得积极主动而非被动反应,系统能够预测疾病风险并准备好启动早期干预,同时保持成本低廉且易于维护[43]。它还通过边缘计算、数字孪生、智能健康基础设施和能源可持续性实现了去中心化的医疗保健交付[44,45]。随着普适计算扩展到医疗保健生态系统,伦理、安全和透明的数据管理变得至关重要。普适计算作为医疗保健的数字神经系统,体现了工业4.0/5.0/6.0的精神,将其转变为智能、适应性和以人类为中心的社会技术系统。
工业4.0、工业5.0和工业6.0代表了将数字技术、以人为本的设计和先进智能集成到制造和服务系统中的下一个工业转型范式。工业4.0侧重于通过信息物理系统、工业物联网(IIoT)、云计算和数据驱动的自动化实现生产的数字化。其主要目标是创建智能工厂,在这些工厂中,机器、传感器和IT系统能够自主通信,以优化生产效率、灵活性和预测性维护。工业4.0严重依赖于人工智能、大数据分析、机器人技术和数字孪生等技术,以实现实时监测和自主决策。工业5.0则扩展了这一范式,强调以人类为中心、可持续和有韧性的生产系统。工业5.0的目标是将先进自动化与人类创造力和专业知识相结合,使协作机器人(协作机器人)和智能系统与人类一起工作,而不是取代人类。环境可持续性、技术的伦理使用以及更好地满足社会需求的个性化生产也是优先事项。工业6.0是一个更为新兴和概念性的范式,它设想了高度整合的生态系统,其中先进的人工智能、量子计算机和生物数字技术与人类在高度适应性的社会技术系统中协作。在这个范式中,系统可以包括自主的自我学习网络、沉浸式人机界面和超连接基础设施,支持全球和地球范围内的优化。从工业4.0向工业5.0再到工业6.0的转变反映了从纯粹的数字自动化向以人类为中心的、智能和可持续的工业生态系统的转变。
3.3. 临床应用和数据收集
普适计算和智能系统在精神和神经学护理中的临床应用在发展中国家和发达国家之间存在显著差异。在发达国家,实施是由先进的医疗基础设施、报销模式以及与电子病历的集成推动的。医疗专业人员越来越多地使用移动设备、移动应用程序和远程监测平台进行诊断和治疗监测。数据收集通常是系统化的、标准化的,并得到安全的云和医院系统的支持。处理纸质格式的历史数据(受其他技术、法律和可能的质量标准约束)通常也不受限制。在发展中国家,实施较为有限但稳步增长,通常依赖于手机和基本传感器。在这些环境中,数据收集往往分散且受到连接性和资源(无论是本地还是更高层次的数据整合,直至国家或全球层面)的限制。基于社区和任务转移的模式支持在专业护理有限的环境中的数据收集。数据治理框架的差异影响了数据质量、隐私和研究中的再利用。因此,成功的实施取决于基础设施、政治支持和文化上合适的实施策略。
阿尔茨海默病(AD)是一种进行性的神经退行性疾病,是全球痴呆症的主要原因,这凸显了快速准确诊断的必要性。传统的诊断方法,如磁共振成像(MRI)和脑电图(EEG),面临高成本、处理时间长以及需要临床专业知识的挑战。机器学习和深度学习的最新进展使得通过从多模态生物医学数据中学习判别模式来更高效和自动地检测AD成为可能。本研究提出了一个智能诊断框架,该框架结合了EEG信号和MRI图像,使用机器学习(ML)模型如逻辑回归(LR)、多层感知器(MLP)、支持向量机(SVM)、随机森林(RF)、朴素贝叶斯(NB)和决策树(DT)进行EEG分析,以及深度学习(DL)模型如VGG16、InceptionV3和ResNet50进行MRI分类。实验结果表明性能很高,其中DT和NB在EEG数据上取得了优异的结果,VGG16在MRI图像上的准确率达到98%,凸显了多模态学习在早期AD诊断中的有效性[46]。下一项研究提出了一个结合深度ML进行特征提取和机器学习进行疾病分类的智能AD诊断系统。具体来说,使用Inception V3进行特征提取,然后使用具有不同隐藏层配置的MLP模型进行分类。性能通过曲线下面积(AUC)、准确性、精确度和F1分数等指标进行评估。IV3 + MLP(100 × 100)模型获得了最高的AUC 0.967和86.3%的准确性。总体而言,研究结果表明,较大的卷积神经网络(MLP)架构通常能提升学习能力和分类性能,而较小的配置则能在准确性和模型复杂性之间取得良好的平衡[47]。帕金森病(PD)是一种进行性的神经退行性疾病,早期发现对于及时有效的治疗至关重要。接下来的研究介绍了一种基于模糊逻辑的神经诊断系统,该系统将模糊逻辑与深度神经网络结合,利用UCI帕金森病远程监测数据集来分类早期帕金森病病例。该数据集包含22个来自发声记录的生物医学语音特征,包括基频、颤动、抖动、噪声与谐波比以及非线性指标(如DFA和PPE)。模糊逻辑通过根据临床阈值为关键不确定性特征(颤动、抖动和噪声与谐波比)分配低、中、高隶属度值来增强可解释性。这些特征随后与标准化特征结合,并由四层全连接神经网络进行处理。该模型通过二元交叉熵损失函数、Adam优化器和10折交叉验证进行训练,其性能优于SVM和决策树等传统分类器,实现了高准确率、精确度和召回率,显示出在非侵入性实时帕金森病筛查中的巨大潜力[48]。帕金森病的早期诊断具有挑战性,因为其症状常与其他神经系统疾病相似,通常需要专业医生的诊断。为了解决这一问题,本研究将智能移动设备与人工智能技术相结合。论文提出了一个早期帕金森病检测框架,该框架通过多种评估任务来评估运动和非运动症状。所提出的方法能够在非临床环境中实现及时检测,并有助于识别主要症状,支持未来的康复规划和更广泛的神经系统疾病筛查[49]。帕金森病的早期症状(如僵硬、震颤、平衡问题和步态问题)往往很微妙,常规的血液检测或影像学检查不足以进行可靠的早期诊断。然而,语音模式的变化可以作为早期指标,为预测帕金森病提供有希望的基础。本研究使用UCI数据集分析了健康个体和帕金森病患者的声音记录,开发并评估了十三种基于机器学习的预测模型。结果比较了最有效模型的准确率、效率和处理速度,突显了它们在早期帕金森病检测中的潜力,以及它们适用于轻量级、移动化和无处不在的计算应用的特点[50]。
抑郁症是一种严重的心理健康障碍,对个人福祉有显著影响,并对全球疾病负担贡献巨大。尽管关于抑郁症的研究始于20世纪初,但近年来人们对这一领域的兴趣迅速增加,尤其是在疫情之后。尽管进行了大量研究,但将可比的生理和生物数据、数据集、采集技术和分类方法整合到一个平台上仍然具有挑战性。基于问卷和阶段性评估的传统临床评估通常耗时较长,这证明需要使用基于智能传感器的系统进行连续且不显眼的监测。本综述探讨了利用电信号、声学信号和通信信号的基于机器学习的抑郁症检测方法,强调了它们的应用、潜力及其可能面临的挑战,这些挑战可以为未来的研究提供参考[51]。下一篇文章提出了一个针对强迫症(OCD)的概念框架,特别关注其在年轻人中的发病率上升趋势,尤其是在女性中。全球约有2%的人口受到OCD的影响,而在印度,这一比例约为0.8%。症状被分为以下几个类别:检查行为、思维污染、对称性和秩序以及对强迫观念的执着。研究人员对38名年龄在21-25岁之间的个体进行了诊断研究,并进行了四次深入访谈,以分析症状模式并开发出该框架。解决方案包括一个概念性的移动健康应用程序(mHealth)和智能健康监测器,提供电子诊断、游戏化、基于人工智能的个性化、同伴支持以及多传感器生理监测等功能。该系统结合了事件相关电位(ERP)、认知行为疗法(CBT)和音乐疗法,旨在减少对SSRI类药物的依赖,并为未来整合增强现实(AR/VR)和元宇宙工具以提供更个性化的、可持续的OCD治疗效果奠定了基础[52]。
随后的一篇文章介绍了一个模型,旨在支持治疗过程并改善患者与心理健康专家之间的互动,特别是在焦虑障碍的治疗中。该模型基于功能失调思维记录系统(Dysfunctional Thinking Record),这是一种用于识别和记录引发焦虑发作的扭曲思维的认知行为疗法工具。患者使用移动应用程序记录这些思维,同时应用程序还会捕获位置和相关媒体等上下文信息。治疗师通过仪表板访问数据,可以审查记录与患者互动,并提供个性化的建议和焦虑管理技巧。心理学和精神病学专家对该原型进行了评估,证明了该系统通过持续互动改进治疗的潜力,所有专家都对该应用程序表示支持并建议添加更多功能[53,54]。
基于家庭的传感系统为评估认知障碍患者的日常生活提供了创新方法。持续、高频收集的健康状况、活动模式和功能变化数据可以改进临床评估和护理服务。由于神经退行性疾病的发展是渐进性的,并且每天都会出现波动,因此这类系统非常适合进行持续且不显眼的监测。可穿戴设备、无处不在的计算、无线通信和移动技术的最新进展,以及多维度数据分析,加速了这一领域的进展。这种数字评估方式能够更早、更敏感地检测到认知和功能的变化,支持医疗专业人员进行个性化诊断、预防和治疗[55]。虽然机器人越来越多地用于医疗环境,但其在心理治疗中的应用仍然有限。对于恐惧症(尤其是蜘蛛恐惧症)的治疗,技术中介导的治疗互动可以带来显著益处。为此,开发了SpiderHand机器人系统,它允许与引发恐惧的刺激进行受控的、准直接的互动。该项目基于与专业治疗师的访谈来识别认知行为疗法中的挑战,随后通过实验研究确定了功能需求。这项工作介绍了一个完全实现的、运动控制的机器人操纵器,带有触觉遥控器,以及用于创建心理治疗交互式机器人的自组装工具包和设计指南[56]。
诸如亨廷顿病这样的神经退行性疾病显著影响了医疗资源的获取和成本,由于纹状体神经元逐渐丧失以及大脑自我再生能力有限,疾病会不断进展。尝试使用脑源性神经营养因子(BDNF)保护神经元的效果有限,因为这种蛋白质在大脑组织中迅速降解且扩散不良。为了改善药物递送,研究人员使用了腺相关病毒载体与注射型水凝胶相结合,这种载体模拟了大脑的细胞外基质,实现了BDNF的局部和持续释放。这种水凝胶包裹的AAVDJ-BDNF系统增强了纹状体神经元的基因转染和神经保护作用,展示了工程化生物材料递送系统在控制性和长期治疗支持方面的潜力[57]。对于阿尔茨海默病、帕金森病和多发性硬化症等神经退行性疾病患者来说,持续、个性化的监测可以带来巨大益处,但传统的医疗模式很少提供这种程度的持续监测。NeuroPredict平台通过提供安全的、基于边缘计算的物联网(IoMT)系统填补了这一空白,该系统结合了商用可穿戴设备、定制传感器以及认知和行为评估。其模块化架构整合了高频生理数据与定期认知测试,利用轻量级设备的连接性、语义数据匹配和跨多个时间尺度的数据融合,同时通过加密、基于角色的访问控制、令牌认证和符合GDPR的管理措施确保安全性。该平台以人为本设计,具有特定于角色的仪表板,展示了可靠的数据收集、同步的多模态监测和个性化报告功能,支持神经退行性疾病的远程电子健康管理[58]。
由临床决策系统支持的整合护理模型可以帮助满足老年人日益增长的护理需求,尽管其有效性仍在评估中。SMART是一个整合了传感器、移动响应系统、基于云的管理和综合护理框架的综合模型,旨在研究其对65岁及以上居家老年人的生活质量的影响。在一项随机对照试验中,参与者在三种不同的医疗环境中接受了标准出院指导或SMART系统生成的个性化干预措施,持续三个月。结果显示,SMART方法显著提高了生活质量、社会支持和自我照顾能力,减少了与日常生活技能相关的活动障碍,表明其作为老年人综合护理的有效模型具有潜力[59]。关于无处不在计算的研究表明,使用智能手机传感器进行被动心理健康监测在技术上是可行的,但保持用户长期参与干预措施仍然是一个重大挑战。从在临床人群中实施游戏化行为干预的经验中可以得出实际教训,包括精神分裂症患者、成瘾患者以及产后心理健康问题患者,这些经验表明常见的游戏化框架需要谨慎调整,社交元素往往会令弱势用户感到挫败,成就系统必须避免触发负面反应,透明的奖励结构对于培养用户自主性至关重要。此外,在精神分裂症患者中的测试显示认知能力存在显著差异,这突显了在使用数字心理健康支持游戏时需要采用适应性方法和以用户为中心的设计[60]。
一项包含45名参与者的控制实验室实验评估了不同的诊断支持工具(故障树系统和基于AI的系统)对技术人员在维护数控(CNC)机器部件时的工作量和生产率的影响。结果显示,故障树系统使任务完成速度提高了15%,同时没有增加工作负担,表明设计良好的诊断界面可以提高维护效率并减少认知负担[61]。移动化和无处不在的计算使得收集人类运动数据成为可能,促进了用于认知AI应用的深度学习模型的发展。另一项研究提供了一个数据集,其中包含了五名经验丰富的手动治疗师在胸腰段、大腿上部和小腿区域进行的受控软组织操作的三维力分布和运动序列。这些多模态传感器数据(包括三维力、加速度计和陀螺仪信号)通过基于长时记忆(LSTM)的循环神经网络进行处理和分析,用于分类两种手动治疗技术:线性“拨弦”动作和使用量化软组织操纵(QSTM)执行的曲线“J形”动作。根据验证的训练视频,这些序列被标记为正确或错误,从而允许模型评估技术的质量。该系统对单个治疗师的数据集分类准确率为90-95%,对多名治疗师的数据集分类准确率为78-93%,展示了AI辅助训练的潜力以及提高手动治疗实践一致性的潜力[62]。
早期准确识别由中风等神经系统疾病引起的构音障碍对于有效的神经康复至关重要,智能诊断系统可以在这方面提供改进。然而,由于缺乏标准化和标记良好的训练数据集,这一领域的进展受到限制。为解决这一难题,研究人员开发了Mandarin Subacute Stroke Dysarthria Multimodal(MSDM)数据库,该数据库整合了25名亚急性中风患者和25名健康对照组的音视频语音记录和临床评估数据。对该数据集的分析确定了构音障碍严重程度的关键声学和视觉标志,为未来开发自动化系统和远程医疗语音评估提供了支持[63]。HSS-Cognitive项目是一个智能医疗系统,旨在通过分析脑电图(EEG)信号中的神经活动来评估治疗效果。该系统利用AI和数学分析,特别是EEG频段中的功率谱密度来评估治疗效果。该系统在两名接受海豚辅助治疗的患者上进行了测试,比较了治疗期间与海豚互动时与不在海豚面前的脑活动。结果显示,一名患者在与海豚互动时注意力水平有所提高,而另一名患者并未从治疗中获益明显,表明该系统能够为临床医生和神经科学家客观测量治疗效果[64]。无处不在的信息技术越来越多地支持医疗服务的提供,使得在任何时间和地点都能访问数字服务,即使在偏远地区也能提高可访问性。随后的一项研究提出了一个通用医疗框架,以支持旁遮普邦农村地区的产前和儿童护理服务。研究人员通过实地工作和与当地初级医疗机构工作人员的焦点小组访谈收集数据,开发并评估了一个提供多种数字服务的概念框架,并使用基于可用性的模型测量了可访问性、适应性、效率和可学习性等因素。使用结构方程建模进行的调查分析结果显示,这些因素与用户满意度之间存在强烈关联,这突出了在为农村地区设计通用医疗解决方案时社区参与的重要性[65]。痴呆症是一组导致逐渐且不可逆的认知能力下降的慢性疾病,需要多名护理人员的持续照料,给全球医疗系统带来了重大负担。尽管智能家居和环境辅助生活(AAL)技术有潜力支持痴呆症患者的护理并改善其生活质量,但大多数现有平台仍然使用标准的智能家居解决方案,未能满足痴呆症护理的特定需求。本研究重点关注根据痴呆症患者及其护理网络的独特需求调整智能家居设计,利用利益相关者的反馈来指导系统设计,并对原型的功能框架提出改进方案。利益相关者对原型的评估表明,它在缓解痴呆症护理挑战方面有效,并具有实际应用的潜力[66]。
针对轻度创伤性脑损伤(mTBI)相关的疾病,目前基于证据的治疗方法很少,这促使开发出了SMART这一基于网络的应用程序,通过实时症状管理、活动指导和认知行为应对策略来帮助青少年恢复。对该应用程序进行了初步的用户体验研究,对象是11-18岁的儿童及其父母,使用思维 aloud 协议和系统可用性量表(SUS)来评估用户互动并确定改进领域。反馈显示,参与者对互动视频内容很感兴趣,但对阅读要求和程序节奏有所顾虑,因此进行了修改,例如在各模块中加入音频和优化了视觉效果。SMART的平均SUS评分为85分,用户反馈良好,证明了其高可用性,为其进一步开发和完善作为支持脑震荡恢复的工具提供了依据[67]。
决策支持系统可以改善电子健康监测和物联网(IoT)应用程序,以便早期发现儿童中的神经发育障碍。环境智能技术为创新的家庭应用提供了可能性,例如识别运动或认知障碍。接下来的文章介绍了Galatea,这是一个旨在完善决策知识的协作系统。该系统为基于网络的智能系统提供了基础,可用于医疗机构和学校中语言障碍的早期检测,同时也提供了一套以儿童为中心的智能护理服务,利用环境智能技术来检测常被医疗专业人员忽视的运动障碍[68]。
医疗行业越来越依赖于持续的数据交换,以支持有效的 patient care 和运营效率,因此可靠的数据同步变得至关重要。本研究提出了一种实时同步医院记录管理系统,实现了医疗用户之间的安全无缝通信。所提出的架构结合了MySQL和MongoDB数据库与Node.js和Express.js,通过Socket I/O进行实时双向通信。使用HTML、CSS、JavaScript和Bootstrap构建的响应式界面便于数据输入和访问。与现有解决方案的性能比较表明,在同步时间、内存效率和数据准确性方面有所提升,突显了该系统作为可扩展且可靠的医院数据管理解决方案的潜力[69]。
边缘计算、物联网(IoT)和人工智能正在改变对延迟敏感的应用程序,特别是在智慧城市和智能医疗等智能系统中。在医疗领域,边缘计算与AIoT的结合实现了实时患者监测、智能数据分析以及诊断和治疗的改进。本研究提出了一种用于帕金森病预测的边缘架构,该架构整合了智能传感器、可穿戴设备、边缘计算和云基础设施。该架构由结合卷积神经网络和双向LSTM神经网络的混合机器学习模型支持。实验结果显示,该模型具有较高的预测性能(准确率为0.90,精确率为0.93,召回率为0.90,F1分数为0.91),同时保持了低延迟、可扩展性和隐私性,并增强了医疗系统之间的协调性[70]。
传统的阿尔茨海默病(AD)诊断方法(如MRI和EEG)存在局限性,包括成本高、处理时间长以及依赖临床专业知识。机器学习和深度学习的最新进展提供了通过从多模态生物医学数据中提取有意义模式来自动化AD检测的机会。本研究提出了一种智能分类系统,该系统结合了EEG和MRI数据。在此研究中,机器学习模型分析EEG信号,深度学习架构(VGG16、InceptionV3和ResNet50)处理MRI图像。使用决策树和朴素贝叶斯算法对EEG数据进行了分析,使用VGG16进行MRI诊断时达到了98%的准确率[71]。
通过计算机和平板电脑提供的家庭认知训练是一种经济有效的策略,可用于预防或减缓与年龄相关的认知能力下降,尽管用户参与度往往不足。为了解决这一问题,开发了一种以个人为中心的智能提醒系统,该系统利用个性化消息和自适应算法在参与者最有可能参与训练的时刻提供激励提示。接下来的文章介绍了这项随机对照试验的背景、方法论、研究设计和结果数据,试验对象为199名年龄在62-88岁之间的认知正常的老年人,他们被随机分配到接受个性化提醒的组或接受通用提醒的对照组。研究的主要结果是评估他们对于为期18周的训练计划的遵守情况,并探讨了智能提醒系统在支持体育活动、营养管理、药物管理、远程医疗和社会互动等活动中发挥的更广泛潜力[72]。
由临床决策支持系统支持的集成护理模式是应对全球对老年人护理需求增长的有希望的策略,尽管其有效性仍不确定。另一项研究评估了SMART系统——这是一个结合了传感器、移动响应系统、基于云的管理中心和全面护理平台的智能集成护理模型,旨在提高65岁及以上居家老年人的生活质量(QOL)。在一项分层随机对照试验中,94名参与者被分配到SMART干预组,他们在11个健康领域接受了个性化护理以及常规出院指导;另一组仅接受了标准护理指导三个月。结果显示,SMART系统显著改善了QOL、社会支持和自我管理健康的能力,并减少了与残疾相关的日常活动量,相比之下,标准护理的效果较差。总体而言,结果表明,个性化、技术辅助的集成护理可以有效提高居家老年人的福祉和功能独立性[73]。
下一项研究提出了一种基于模糊逻辑的神经诊断系统,该系统利用从连续发声记录中提取的22个生物医学语音特征来分析帕金森病远程监测数据集(UCI Parkinson’s Telemonitoring Dataset)。模糊逻辑模块通过对关键不确定特征(抖动、颤音和噪声与谐波比)分配隶属度级别来提高解释性,然后将其与标准化输入数据结合,使用四层全连接神经网络进行分类。该混合模型使用Adam优化器、二元交叉熵损失和10折交叉验证进行训练,达到了94.8%的准确率,优于传统分类器,展示了实时、无创筛查帕金森病的巨大潜力[74]。
在另一项研究中,提出了一种结合Inception V3的深度学习能力和多层感知器分类器的智能AD识别系统。Inception V3用于特征提取,评估了不同隐藏层配置的多层感知器(MLP)在分类性能上的表现。模型评估了AUC、准确率、精确率和F1分数等指标,其中IV3 + MLP(100 × 100)配置达到了最高的AUC(0.967)和86.3%的准确率。结果表明,更大的隐藏层架构通常能提高学习性能,而较小的模型(如IV3 + MLP(50 × 50)在保持复杂性和泛化能力之间的平衡的同时仍能提供有竞争力的结果[75]。
印度庞大的人口使得高效医疗支持的需求十分迫切,特别是在管理急救车辆和提供及时救命护理方面。另一项研究提出了一种基于微控制器的智能系统,该系统利用心率和呼吸传感器检测患者的危急状况,并结合了人工智能驱动的语音助手。该系统持续监控患者数据并通过安全的指纹认证将其传输到支持物联网的云平台,确保紧急情况下的授权访问。系统还会自动通知相关机构和附近医院,确保医疗团队(如ICU工作人员)能够提前做好准备并迅速响应危急情况[76]。
药物依从性指的是患者按照处方准确服药,本综述评估了人工智能工具是否能够改善药物依从性或防止用药错误。审查了2024年8月搜索的六个数据库中的相关研究,这些研究使用人工智能直接支持患者药物依从性,并使用ROB2和ROBINS-I工具评估了偏倚风险。共识别出7项符合条件的研究,包括临床试验、前瞻性队列研究和概念框架报告,这些研究显示出中等至高的偏倚风险和有限的可测量证据。尽管数据有限,随机对照试验表明,基于人工智能的干预措施可以将药物依从性提高6.7-32.7%,而视频或语音监控以及行为导向的数字工具显示出减少药物自我管理错误和支持患者遵守处方治疗的潜力[77]。
另一项研究探讨了物联网(IoT)应用程序在医疗领域的潜力,以改善生活质量并管理睡眠惰性等问题。该研究提出了一种使用ESP32和Blynk调节光线、温度和声音的系统,以优化环境条件。睡眠惰性表现为醒来时的短暂困倦、迷失方向和认知表现下降,这种情况在夜班工作者中尤为常见。为了评估该系统,使用MUSE S EEG头带记录了研究参与者的脑电活动,并使用支持向量机模型分析了收集到的EEG信号。结果表明,控制环境条件可以加速从睡眠惰性中的恢复[78]。
帕金森病(PD)的运动波动包括症状因左旋多巴作用而缓解的“开启”状态和药物效果减弱时症状重现的“关闭”状态,这经常影响行走速度和移动能力。为了改进室内定位以监测这些变化,开发了一种基于变压器的模型,该模型结合了可穿戴加速度计数据和接收到的信号强度指数测量值来捕捉补充的运动信息。该方法还评估了房间级定位和推导出的家庭行走速度(在房间之间移动所需的时间)是否能够预测PD患者是否正在服药或停止服药。使用来自一个智能家庭的真实世界数据集(24名PD患者和12名对照组成员居住了五天),所提出的系统比现有方法具有更好的定位性能,并能根据步态模式准确预测药物依从状态[79]。
在COVID-19大流行期间,医疗系统迅速转向远程技术以支持患者护理,尤其是随着人口老龄化和癌症、糖尿病、呼吸系统疾病等慢性疾病导致的医疗服务压力增加。因此,由智能医疗监测支持的远程患者监测已成为一种广泛接受的方法,无需持续的人际监督即可管理慢性疾病。一项系统综述研究了Share Yourself系统的相关研究——特别是人工智能、物联网(IoT)和机器学习的进步,使用PRISMA方法识别了2016年至2021年3月期间发表的2540篇论文,其中选择了50篇进行重点分析。该综述强调了云服务和雾计算解决方案的发展,并指出了数据驱动的预测分析和机器学习模型对未来医疗的重要性[80]。
许多技术解决方案主要惠及护理人员,并不能同等程度地支持痴呆症患者。新的具有自我护理功能的个人设备为以患者为中心的护理提供了机会,但关于痴呆症护理中监测实践运作的研究却很少。基于协作健康信息学概念模型的主题分析,另一项研究确定了关键的监测需求(安全警报、提醒、健康和活动监测以及远程管理),并建议协作实施自我护理技术,同时考虑了患者、护理人员和社区成员在数据相关角色和责任方面的作用[81]。
对于同时患有痴呆症或轻度认知障碍的老年人来说,管理多种慢性疾病尤其具有挑战性。本研究介绍了一种移动患者支持平台的设计,旨在帮助患者遵守复杂的护理计划并提高治疗依从性。该平台是在与患者、非正式护理人员及医疗专业人员的合作下,采用CAREPATH项目[82]的人本主义方法逐步开发而成的。大量分布式的医疗数据可能会使分析变得复杂,并降低诊断的准确性。为解决这一问题,另一项研究提出了一种基于联邦学习的分布式学习模型,并结合了针对褐火烈鸟模型优化的深度卷积分类器,在k折验证中的诊断准确率达到了约98.25%,在基于训练的评估中达到了97.99%[83]。还有一项研究展示了结合了普适计算、移动传感器和机器学习的技术,用于分析手绘图像以进行帕金森病(PD)的筛查。所提出的框架通过数据增强和优化后的卷积神经网络对手绘的阿基米德螺旋图像进行分类,在两个数据集上的分类准确率分别达到了76%和83%。得益于整数量化技术,该系统能够以较低的内存消耗在安卓智能手机上高效运行,这展示了普适计算在实现经济实惠的早期诊断方面的潜力[84]。
研究人员调查了旨在支持养老院中痴呆症患者福祉的成本效益监测技术。SHIB解决方案在Kirk House养老院进行了评估,该养老院安装了多种环境传感器(如温度传感器、接触传感器、被动红外传感器和声音级传感器)来检测日常生活活动并通过SensorCentral平台收集数据。研究结果表明,许多养老院缺乏易于安装这些传感器的基础设施,从而带来了实际实施上的挑战。研究得出结论,SHIB系统必须根据每家养老院的具体设计和条件进行定制,并为未来智能监测技术在痴呆症护理中的应用提供了改进建议[85]。
网站和移动应用程序通过提供建议、写日记以及认知行为疗法等功能来提供心理健康支持。随着诸如["软件"、"Alexa"、"语音助手"、Siri和Google Home]等对话辅助工具的兴起,人们越来越关注为这些平台开发心理健康应用。这项研究对一款Alexa技能进行了初步评估,该技能允许用户自我评估抑郁和焦虑情况。十名参与者在两周内参与了这项研究,之后进行了在线可用性和满意度调查。初步结果显示,虽然参与者普遍信任该技能,并认为其有用性和体验一般,但实际上使用频率较低,这突显了为对话辅助工具开发和设计相关研究的挑战[86]。
传统上,监测与心理健康相关的社会行为依赖于自我报告的数据,而这种数据受到主观偏见和认知扭曲的限制。然而,最近的研究转向使用普适设备来客观追踪社会行为并支持心理健康服务。以下文章对20项从最初160篇出版物中选出的研究进行了系统性的文献回顾,探讨了如何将普适设备产生的上下文数据转化为用于心理健康监测的社会情境意识。该回顾强调了这些社会情境意识系统的有前景的趋势和应用,同时也指出了方法上的局限性、实验上的限制以及未来研究的必要性[87]。
RevitalMe是一款能够提供关于现实世界环境中人类行为的心理生理信息的情境感知模型,在八天内对五名志愿者进行了测试,使用了生态瞬间评估方法。该系统根据生理数据对心理状态进行分类,为治疗师生成了视觉洞察,并得到了十二位心理治疗师的评估,压力分类的F1分数为75%,临床可接受度为90%。结果表明,RevitalMe可以通过将心理生理信息与患者的日常行为和心理状态联系起来,支持认知行为疗法,为心理健康护理提供一种更加个性化的方法[88]。
众所周知,治疗性触觉具有情感和身体上的益处,已被用于缓解自闭症谱系障碍、注意力缺陷多动障碍(ADHD)、感觉处理障碍和痴呆症等患者的症状。虽然智能服装主要关注于感知和监测身体,但它也有潜力根据情绪状态产生触觉刺激,比如机械刺激、电刺激或热刺激。随后的一项研究提出了用户友好型可穿戴设备的设计要求,并展示了一种带有纺织气动执行器的反应式T恤,能够提供舒缓的触觉刺激,为痴呆症患者的日常护理提供了新方法[89]。
3.4. 临床验证
在精神和神经护理领域,普适计算及智能系统的临床验证在发展中国家和发达国家之间存在差异。在发达国家,验证通常包括随机对照试验、监管批准流程以及对临床指南的遵守。这些研究评估了准确性、安全性、有效性和与常规临床程序的整合程度[90]。研究资金的获取和专业中心的支持促进了严格的评估。在发展中国家,由于资源有限和研究样本量较小,临床验证往往较为受限。试点性和实用性研究更为常见,重点关注可行性和初步临床效果[91]。疾病表现、文化背景和医疗服务的差异可能影响验证结果的普遍适用性。数据质量和随访方面的问题可能会削弱证据的力度。国际合作有助于弥合验证差距并支持能力建设。因此,对于全球范围内的临床应用而言,情境敏感的验证策略和包容性的方法至关重要。
3.5. 伦理、隐私和数据共享
在精神和神经护理中使用普适计算及智能系统时,伦理、隐私和数据共享是关键问题。持续监测引发了关于自主权、同意以及弱势患者可能受到监督的伦理关切[92]。在发达国家,敏感医疗数据的收集、存储和共享受到全面的数据保护法规(如欧盟的GDPR和AI法案)的规范。安全的基础设施和机构监督有助于确保数据的伦理使用,尽管合规性可能较为复杂[93]。在发展中国家,较弱的法律框架可能增加数据被滥用和未经授权访问的风险。对数据权利认识不足可能影响知情同意和信任。跨国界数据共享在管辖权、所有权和责任方面带来了挑战。在平衡研究用途的数据可用性和患者隐私方面仍是一个全球性问题。对精神和神经障碍的文化态度影响了人们对隐私和污名化的看法。保护隐私的伦理治理和数据共享机制必须适应不同的社会经济和监管环境。
3.6. 公平获取和标准化
在全球范围内,在精神和神经护理中采用普适计算及智能系统时,公平获取和标准化是关键挑战。在发达国家,先进的基础设施提供了更广泛的接入,但社会经济不平等仍然影响着使用的普及度和利用率。数据格式、临床协议和互操作性的标准化提高了护理的一致性和质量[94]。然而,快速的技术创新可能会超过常见标准的开发速度。在发展中国家,有限的连接性、设备可用性和资金限制了公平获取。低成本和可扩展的解决方案对于缩小这些差距至关重要[95]。缺乏标准化可能会阻碍智能系统融入现有医疗服务。国际标准并不总是与当地医疗需求和资源相匹配。通过全球性的共同努力,可以促进协调一致的框架和技术转移[96]。实现公平获取需要包容性的设计、支持性的政策和灵活的标准化策略。例如,在印度提出了一种针对年轻人的强迫症(OCD)的管理系统,该系统结合了移动医疗应用程序和配备心率、脉搏、皮肤温度和湿度监测器的智能健康追踪器。该系统整合了包括暴露和反应预防疗法、认知行为疗法以及音乐疗法在内的治疗方法,以减少对选择性5-羟色胺再摄取抑制剂的依赖。未来的计划包括引入增强现实/虚拟现实工具和元宇宙,以提供更加个性化的护理[97]。情境感知睡眠健康推荐系统(CASHRS)将普适睡眠计算与基于上下文数据的推荐技术相结合,包括推荐算法、上下文过滤方法和行为改变技术[98]。预计在未来,数据驱动的计算将在工作表现、个人健康和个体心理测量特征的评估方面产生重大影响。预测分析整合了身体和生理行为、心理状态和特质以及工作表现。已提出从通过可穿戴设备、移动系统和社交媒体传感器收集的不完美数据中提取预测因子。即使在处理嘈杂和不完整数据的情况下,该模型也能有效运行[99]。以下文章提出了一种支持焦虑障碍治疗过程和治疗师与患者互动的模型。患者可以使用移动应用程序记录他们的想法,该应用程序还能捕捉位置和相关媒体等上下文信息。治疗师可以通过仪表板访问提交的数据,从而审查患者数据并个性化制定焦虑管理策略[99,100,101]。下一篇文章提出了一种数字表型平台的通用架构,强调了需要更广泛的用户验证以及将基于数字表型的移动健康解决方案更好地整合到以患者为中心的护理系统中[102]。
3.7. 可持续性和可持续发展目标
可持续性和可持续发展目标(SDGs)与在精神和神经护理中使用普适计算及智能系统的相关性日益增加。这些技术支持SDG 3,通过早期诊断和持续护理促进良好的健康和福祉。在发达国家,智能系统可以提高医疗效率并减少资源密集型的医院护理。节能设备和优化的数字基础设施有助于环境可持续性。在发展中国家,移动和负担得起的技术支持了精神和神经健康服务的普及。这符合SDG 10的目标,有助于减少国家内部和国家之间的健康不平等。建立数字能力和竞争力的举措有助于实现SDG 4关于优质教育的目标。然而,电子废物和设备寿命短的问题对可持续发展构成了全球性挑战。系统的长期维护和成本效益影响着可持续性的实现。将智能医疗技术与SDGs对齐需要负责任的设计、公平的实施和可持续的资源管理[103]。
4. 讨论
在治疗和护理精神和神经障碍方面,普适计算机和智能系统正越来越多地被应用于支持诊断、治疗、康复和长期护理。一个显著的优势是持续监测,它能够在现实环境中更早地发现症状变化并提高诊断的准确性[104]。智能系统实现了个性化和适应性疗法,提高了治疗效果和患者的参与度[105]。远程医疗和数字工具增加了护理的可及性,特别是对于行动不便或居住在偏远地区的患者[106]。在康复过程中,智能反馈和监测可以提高依从性和恢复效果。这些技术还支持患者的独立性和自我护理,促进他们的日常生活[107]。然而,也存在数据隐私、安全问题以及机密医疗信息可能被滥用的风险。一些患者可能会因为持续监测和技术依赖而感到焦虑或负担加重[108]。数字素养不足和技术获取不平等可能会加剧医疗保健方面的不平等[109]。尽管普适计算和智能系统带来了显著的好处,但在实施时必须谨慎操作,以最小化风险并确保以患者为中心和符合伦理的护理[110]。
在精神和神经护理中,跨学科的方法对于普适计算和智能系统的应用至关重要,因为这些障碍同时影响到生理、心理、社会和功能多个领域。从临床精神病学角度来看,智能监测工具(如可穿戴传感器和行为分析)可以帮助检测抑郁症、双相情感障碍和认知衰退等疾病的早期预警信号。神经学和物理治疗通过持续监测运动、步态和康复进展,从普适技术中受益,例如在中风、帕金森病和多发性硬化症等情况下。将医学知识与信息技术相结合,使得可以根据实时患者数据开发出个性化的治疗计划。智能家居环境和辅助技术可以支持有认知或运动障碍患者的日常生活、独立性和安全性。从当地社会的角度来看,这些系统可以通过共享数字平台促进护理人员、治疗师和家庭之间的协作。在更广泛的社会层面上,跨学科设计有助于确保技术具有包容性、文化敏感性和对不同社会群体的可访问性。政治和政策视角对于制定隐私法规、数据使用的伦理标准和医疗保健的公平获取至关重要。临床医生、工程师和社会学家以及政策制定者之间的合作确保技术解决方案能够解决实际患者需求,而不仅仅是技术能力。这种跨学科的整合促进了普适数据处理和智能系统的应用,从而改善了全球范围内精神和神经障碍的预防、诊断、康复和长期护理[104,105,106,107,108,109,110,111]。**局限性**
当前使用普适计算和智能系统治疗精神和神经系统疾病的疗法和护理面临许多重大局限性。许多技术在各种疾病和人群中缺乏坚实的临床验证或标准化的结果测量方法[111]。从可穿戴设备和移动设备收集的数据可能存在噪声、不完整或偏差,从而降低诊断的可靠性[112]。设备、平台和健康信息系统之间的互操作性仍然有限[113]。算法往往像“黑箱”一样,阻碍了临床解释和信任——事后对可解释人工智能(XAI)的依赖尚未得到充分重视[114]。隐私、数据保护和伦理治理始终是一个挑战,特别是在持续监测方面。由于对共病情况、疾病进展和个人背景的建模不足,个性化能力受限[115]。在康复过程中,智能系统可能无法适当地适应患者表现的长期变化[116]。由于数据过载和决策支持系统整合不足,临床医生的工作量可能会增加[117]。技术、临床、伦理和组织方面的障碍目前限制了这些技术的潜力。
普适计算和智能系统在治疗和护理精神和神经系统疾病方面的一个重大局限性是容易受到网络攻击和未经授权访问敏感医疗数据的风险。普适计算环境依赖于可穿戴传感器、智能手机、智能家居系统和云计算平台等互连设备,这大大增加了系统的攻击面。这些分布式架构通过设备利用、不安全的无线通信渠道、薄弱的认证机制或物联网组件中的软件漏洞增加了入侵风险。另一个局限性是持续收集和传输高度敏感的行为、生理和情境数据,这些数据可能包括情绪模式、药物依从性、位置信息以及抑郁症、痴呆症或帕金森病患者日常活动等。如果这些数据泄露,可能会导致隐私侵犯、身份盗窃、污名化或心理伤害。此外,对系统数据或算法的恶意操纵可能会影响治疗决策,产生错误警报或中断监测系统,从而危及患者安全和治疗效果。普适医疗系统通常依赖于来自不同制造商的异构设备,这些设备可能采用不一致的安全标准和更新策略。移动设备的计算资源有限,进一步限制了强大加密或先进网络安全机制的实现。此外,长期数据存储在云端基础设施中引发了关于数据集中泄露和未经授权数据聚合的担忧。这些威胁强调了需要强大的安全框架,包括端到端加密、安全认证协议、联邦计算或边缘计算以及持续漏洞监测。然而,尽管有这些风险缓解策略,普适计算环境的固有连通性和复杂性意味着网络安全威胁仍然是一个需要在研究和实践中仔细考虑的持续性问题。
**技术影响**
在精神病学和神经学护理中使用普适计算和智能系统在整个护理连续体中具有重大的技术影响。它需要整合可穿戴设备、智能手机、环境传感器和医疗设备等异构设备[118]。可靠的实时数据采集、处理和存储对于支持持续监测和决策至关重要[119]。先进的人工智能/机器学习技术对于分析多模态、纵向数据流是必不可少的[120]。互操作性标准和安全通信协议对于系统之间的无缝数据交换至关重要[120]。保护敏感的精神健康和神经系统数据需要高水平的 cybersecurity[88]。边缘计算和云计算架构必须在延迟、可扩展性和能源效率之间取得平衡[120]。以用户为中心的设计(包括采用 WCAG 2.2 标准)对于确保认知、运动或感官障碍患者的可用性至关重要[121]。在关键安全护理场景中,系统的稳健性和容错性至关重要[122]。这些技术正在推动智能、安全和可扩展的数字医疗基础设施的发展。
**经济影响**
在精神病学和神经学护理中实施普适计算和智能系统对医疗系统和社会具有重大的经济影响。这些技术可以通过早期诊断和预防疾病恶化来降低长期医疗成本。远程监测和远程医疗可以减少住院次数、急诊室就诊次数和住院时间。自动化和决策支持系统可以提高临床效率并优化资源分配[123]。然而,需要在技术开发、基础设施和系统集成方面进行大量的前期投资。持续的成本包括设备维护、软件更新、数据存储和网络安全[124]。经济效益取决于在医疗环境中的可扩展性和广泛实施。如果不加以适当解决,技术获取的不平等可能会加剧经济和健康不平等。关于许多数字干预措施的成本效益的证据仍然有限[125]。智能系统有潜力将成本转移到更可持续、预防性和基于价值的护理模式上[126]。
**发展中和发达国家的社会影响**
在精神病学和神经学护理中使用普适计算和智能系统在发展中国家和发达国家都有明确的社会影响。在发达国家,这些技术可以提高护理的连续性、患者自主性和社会参与度。它们还可以通过规范远程和家庭心理健康支持来帮助减少污名化[127]。在发展中国家,智能系统通过远程医疗和数字筛查工具提供了克服专业人员短缺的机会[128]。移动解决方案可以将初级精神病学和神经学护理扩展到服务不足和农村人口。然而,在资源匮乏的环境中,基础设施、互联网接入和设备可用性存在重大障碍。数字素养的差异影响患者参与度和技术的公平使用[129]。对精神和神经系统疾病的文化认知影响了智能监测和数字干预的接受度。数据治理和对机构的信任因国家而异,影响其采用情况[130]。根据实施的包容性,这些技术可能会减少或加剧社会不平等[131]。
**伦理和法律影响**
在精神病学和神经学护理中使用普适数据处理和智能系统引发了重大的伦理和法律问题。持续监测挑战了患者自主权、知情同意和隐私权,尤其是对于脆弱群体[132]。保护敏感的精神和神经系统健康数据需要强有力的法律框架和执行机制。在发达国家,复杂的法规旨在平衡创新与数据保护和患者安全。在发展中国家,较弱的监管基础设施可能会增加数据滥用和被利用的风险。算法偏见和缺乏透明度可能导致不公平或错误的临床决策。确定智能系统造成的错误的法律责任在各个司法管辖区仍然是一个挑战。伦理问题还包括监控、污名化和数字护理的不公平获取。跨境数据传输使遵守国家和国际法规变得更加复杂[133]。伦理和法律治理必须随着技术的发展而演变,以确保全球范围内安全、公平和以患者为中心的护理[134]。
在精神病学和神经康复治疗中普遍处理数据引发了重大的伦理和法律问题,因为持续监测技术可以收集高度详细的行为、生理和药物依从性数据。虽然这些系统可以通过个性化反馈和强化来改善治疗效果,但当依从性监测也包括服药行为时,支持性护理和强制监督之间的界限可能会变得模糊,尤其是如果这些数据可用于强制依从时。大规模监测精神健康患者的技术可行性加剧了对隐私、尊严、歧视和敏感神经或精神数据潜在误用的担忧。现有的医疗数据保护和医疗设备法规(如 GDPR、AI 法)往往不足以解决持续环境监测、算法行为修改和机构间数据共享的问题。因此,越来越多的科学文献呼吁加强保护措施,例如更严格的同意标准、行为算法的透明度、对使用二次数据的限制以及优先考虑患者自主权和尊严的法律保护[135]。
**进一步研究的方向**
未来关于精神病学和神经学护理中普适计算和智能系统的研究应优先考虑在多样化人群中进行坚实的临床验证[136,137,138]。需要大规模的纵向研究来确定可靠的精神和神经系统疾病的数字生物标志物[139]。研究应侧重于通过整合生物、行为和社会健康决定因素来提高个性化[140,141,142,143]。在发展中国家,应重点开发低成本、高效能、适用于有限基础设施的移动解决方案[144,145,146,147,148,149,150]。研究应探索文化敏感的系统设计,以提高接受度和依从性[151]。在发达国家,研究可以促进多模态数据融合和可解释人工智能的发展,以支持临床决策[152,153,154,155,156]。互操作性标准和开放平台需要进一步研究,以实现护理的无缝整合,例如美国 CMS ASTP USCDI+ 行为健康数据标准[157,158,159,160,161,162]。伦理设计方法和保护隐私的技术应该是全球研究的关键方向[163,164]。康复研究应探索随着患者康复和疾病进展而演变的自适应系统[164,165,166]。需要进一步研究临床医生与技术的互动和工作流程整合[167,168]。比较有效性和成本效益研究对于政策和报销决策至关重要[169]。研究还应考虑患者和医疗专业人员的数字素养和培训[170,171]。跨境合作可以支持知识转移和数据集交换[172]。必须评估长期的社会和心理健康影响[173,174,175]。未来的研究必须是跨学科的、包容性的,并专注于可持续的全球影响。我们按以下优先级列出了上述研究领域:
**优先领域 1:使用可穿戴和环境传感器持续监测心理健康**
目标是通过可穿戴传感器和环境传感器及早检测与精神和神经系统疾病(如抑郁症、帕金森病)相关的行为或生理变化。方法包括多模态可穿戴传感器、智能手机传感器和 IoT 设备,结合机器学习模型来分析睡眠、运动、语言和社交互动模式。预期成果包括更早地检测症状复发、个性化风险警报,以及通过日常环境中的持续监测改善长期管理。
**优先领域 2:在智能环境中基于个性化的 AI 治疗干预**
目标是为焦虑症、痴呆症和中风康复等病症提供适应性和情境敏感的疗法。方法包括强化学习、数字疗法、虚拟/增强现实疗法模块以及根据患者状况调整照明、声音、提醒或治疗任务的智能家居系统。预期成果包括更有效的康复、更高的患者参与度以及动态个性化的治疗计划。
**优先领域 3:以人为中心的辅助系统,用于行为支持**
目标是为阿尔茨海默病和精神分裂症等疾病的患者提供日常功能支持、药物依从性和认知刺激。方法包括对话式代理、上下文感知的提醒系统以及与智能设备和边缘计算集成以保护隐私的认知训练应用程序。预期成果包括增加独立性、减轻护理人员负担以及改善治疗和药物计划的依从性。
**优先领域 4:伦理、安全且互操作的智能医疗生态系统**
目标是通过联邦学习、安全的数据架构、可理解的人工智能和互操作性标准,确保普适计算系统的隐私、完整性和临床可靠性,从而实现可扩展且临床可靠的智能医疗系统。
**结论**
普适计算和智能系统正在改变精神病学和神经系统疾病的治疗方式。这些技术实现了持续的实时监测,提高了早期检测和个性化护理。智能系统支持适应性疗法,改善了康复效果,并促进了患者参与度和自我护理。它们还通过远程医疗和远程支持提高了护理的可及性,特别是对于服务不足的人群。我们将关键的发展方向总结为四个方面:使用可穿戴和环境传感器持续监测心理健康、在智能环境中基于个性化的 AI 治疗干预、以人为中心的辅助系统用于行为支持,以及伦理、安全且互操作的智能医疗生态系统。尽管有令人鼓舞的解决方案,但仍存在与临床验证、伦理、隐私和公平获取相关的挑战。解决这些局限性需要跨学科合作、强有力的监管和以用户为中心的设计。负责任地实施普适计算和智能系统为更有效、包容和可持续的精神和神经医疗保健提供了有力途径。
**补充材料**
以下支持信息可以在以下链接下载:
https://www.mdpi.com/article/10.3390/electronics15081627/s1, PRISMA 2020 Checklist (partial only) [31]。