目的：
本综述的目的是识别并总结那些利用技术辅助的方法，这些方法用于评估那些已知会影响医疗提供者与患者在临床、研究或教育环境中治疗关系的非语言行为。
引言：
在医疗提供者与患者之间的关系中，良好的治疗关系有助于获得积极的治疗效果。先前的研究表明，提供者的非语言行为（如语调、面部表情、眼神交流和身体姿势）有助于建立牢固的治疗关系。技术的进步为自动化检测和反馈这些非语言行为提供了机会，而无需高度训练的指导人员的介入。自动化检测和反馈将增加改进非语言沟通的机会，从而有望提高治疗关系的质量。
纳入标准：
参与者是当前的或有志成为医疗提供者的人，他们通常需要在临床、教育或研究环境中与患者进行互动。互动对象可以包括真实患者、模拟患者或虚拟患者。纳入的研究采用了技术辅助的方法来收集或分析至少一种非语言行为。本综述包括了定性和定量研究以及综述文章。
方法：
在PubMed、Embase、CINAHL、ERIC、Scopus和Google Scholar数据库中检索了2010年至2023年间发表的英文文献（包括已发表和未发表的）。两名审稿人独立完成了标题和摘要的筛选、全文审查以及数据提取工作。出现的任何分歧由第三名审稿人解决。数据提取工作由两名审稿人共同完成。结果：
共纳入了25篇文献。最常被测量的非语言行为包括注视患者面部的频率或持续时间（52%的研究），以及面部表情（48%的研究）；24%的研究测量了社交触碰或言语模式，20%的研究测量了姿势和手势，12%的研究测量了与患者的距离，8%的研究测量了同步性，4%的研究测量了声音。数据收集技术包括音频或视频记录，以及其他技术（如眼动追踪眼镜或多功能耳机），这些技术可以单独使用或集成到增强现实或虚拟现实系统中。数据分析面临的挑战包括识别患者和提供者的声音、面部特征和身体部位，以及将身体姿势和动作与面部表情和动作进行分类。研究们使用了商业软件、开源软件或定制软件来应对这些挑战。许多研究采用了与人工智能（AI）相关的机器学习算法，这需要大量的训练数据。虽然用于分析声音和社交触碰的技术辅助方法较为有限，但已有多种技术可用于分析同步性、手势、姿势和与患者的距离。结论：
利用技术来收集和分析医患互动中的非语言行为和沟通技巧正在快速发展，目前有多种选择可供使用。未来的研究应重点关注用于分析声音和社交触碰的技术辅助方法，并应透明地报告影响机器学习模型或AI相关算法的因素和训练数据。系统的开发需要经过充分的测试，以确保目标受众能够使用，并且能够准确、有意义地识别非语言行为。综述注册：
OSF (https://osf.io/kedmf)
