智能实时医疗与生物医学监测系统：AI、物联网与新兴技术的叙述性综述

《Bioengineering》：Intelligent Real-Time Healthcare and Biomedical Monitoring Systems: A Narrative Review of AI, IoT, and Emerging Technologies

　　

摘要专业翻译 背景： 慢性病管理、全球人口老龄化以及COVID-19大流行的后续影响，已推动实时、持续的健康监测从研究探索阶段迈向常规临床实践。人工智能（AI）、医疗物联网（IoMT）、边缘计算以及下一代无线网络正在融合，使得系统能够在传统医院环境之外感知、解读并对生理数据采取行动。 方法： 本文为叙述性综述，而非遵循PRISMA指南的系统评价或范围综述；本综述综合了75篇文献（涵盖原始研究、系统评价/范围综述及荟萃分析），并已逐一对照其公开发表记录进行核验。研究主题涵盖IoMT系统架构与安全、可穿戴与植入式传感、用于心电图（ECG）分析的深度学习、跌倒相关及人体活动信号分析、边缘与TinyML部署、联邦学习、基于区块链的健康记录安全、医学影像诊断、可解释人工智能（XAI）、持续葡萄糖监测、5G/6G远程监测、数字孪生、消费级与非接触式心脏传感、神经与心理健康监测，以及围绕实时部署的材料、监管和急症护理基础设施。研究人员将研究内容组织为涵盖感知层、边缘层、网络层、云层和应用层的五层架构分类体系。 结果： 在所综述的研究中，深度学习模型在心电图心律失常分类上的报告准确率介于91%至99.5%之间，但这些数据来源于不同的数据集、类别定义和验证方案，因此不具备直接可比性；在这一异质性证据中，边缘部署模型的报告准确率在85%–96%范围内，且功耗预算显著降低。在所综述的单项研究中，基于深度学习的跌倒检测和胸片分类均报告优于基于阈值或经典方法的替代方案，但这一点尚未通过全证据范围内的头对头比较得到证实。联邦学习和区块链被讨论为有助于数据隐私和记录完整性的技术机制；但二者本身均不构成对HIPAA或GDPR等法规框架的合规性。综述文献中发现的持续性障碍包括：数据集异质性、外部临床验证有限、边缘硬件能耗受限、临床医生对不透明模型信任度低，以及互操作性标准碎片化。 结论： 本文所综述的证据与以下设计方向一致，但本身并不能确立该方向：一种分层、隐私保护且可解释的架构，将轻量级设备端推理与联邦学习或区块链保障的云端学习相结合，作为未来实时医疗监测系统的设计方向。未来工作应优先推进标准化基准测试、前瞻性临床验证以及与监管一致的数据治理框架。

论文主体内容专业总结

1. 引言

本文指出，人口老龄化、慢性病负担加重及劳动力短缺持续挤压医院持续观察患者的能力，COVID-19大流行则加速了远程医疗基础设施进入临床主流。三项技术脉络的融合使院外持续实时监测成为可能：一是医疗物联网（IoMT），即由可穿戴、植入式及环境传感器构成的网络；二是人工智能（AI），尤其是深度学习，可将原始生理时间序列和医学影像转化为临床可用信息；三是计算、通信与治理层，包括边缘与TinyML推理、联邦学习与区块链、5G/6G连接以及可解释人工智能（XAI）。本文提出五层架构分类体系，并跨研究汇总定量发现，同时明确指出现有综述多聚焦单一技术层面，缺乏将感知层、推理层与隐私层连接起来的整体视角。

2. 相关工作

本节按技术层与应用领域综述相关研究。IoMT架构与安全方面，多项综述共同指向感知—边缘—网络—云—应用的层次化描述，并将安全与能耗列为最突出的未解决问题；不同攻击类型映射至不同架构层。可穿戴与植入式传感方面，柔性电子需与AI信号解读结合以补偿噪声与运动伪影，但真实实时临床验证仍不足。跌倒检测与人体活动识别方面，深度学习在准确率等指标上优于阈值法与传统机器学习，混合传感配置优于仅可穿戴配置，且研究正从事后检测转向碰撞前干预。心脏生物信号监测方面，无硬件约束研究的报告准确率集中于90%以上，边缘部署研究为85%–96%，但数据集与验证协议各异，不可直接比较。边缘计算与TinyML方面，本地推理可降低传输需求与端到端延迟，典型推理延迟为0.18–300毫秒。联邦学习与区块链方面，二者分别解决数据不出域训练与记录完整性问题，但均不单独构成法规合规。医学影像诊断方面，混合架构（深度特征提取器加稳健分类器）优于纯端到端设计。可解释AI方面，Grad-CAM主导影像任务，注意力机制主导序列数据任务，但纵向临床验证与标准化可解释性指标仍缺乏。持续葡萄糖监测方面，预测误差随预测时域延长而增大，同一传感器流可同时支持短时域预测预警与长时域表型分类。5G/6G与数字孪生方面，5G URLLC集成架构经多患者长期评估，6G定位仍处仿真阶段，数字孪生主导临床早期评估。消费级与非接触式感知方面，Apple Watch心电图对房颤检测的汇总敏感度与特异度较高，无袖带血压估计在单数据集上接近临床级精度，雷达式生命体征检测在儿童与老年人群中可匹配接触式传感器精度。神经与心理健康监测方面，检测任务较成熟，预测任务（如冻结步态、卒中）明显更难且证据基础薄弱。材料、基础设施与跨领域应用方面，涵盖织物传感器、自供能纳米发电机、无创血糖传感、远程患者监测（RPM）结局证据、FDA设备监管透明度、医院网络攻击、机器人手术、影像分割及大语言模型临床工作流等。数据质量、公平性与真实世界依从性方面，算法偏见源于数据、设计与人机交互偏见，隐私顾虑是穿戴设备采纳的强预测因子，真实世界数据缺失普遍且需局部时间窗插值处理。

3. 材料与方法

本文为叙述性综述，非PRISMA指南系统评价，采用迭代式主题驱动检索，覆盖PubMed/PMC、MDPI、Nature、PLOS ONE、Frontiers、JMIR、Elsevier及IEEE等来源，检索时间为2026年7月至9月。由于未生成数据库级导出或可复现检索日志，本文不提供PRISMA流程图。范围界定上，“实时”与“持续”指以足够低延迟处理生理或临床数据以支持及时临床响应；“实时”核心为可穿戴、植入式与环境感知结合设备端或近设备端推理，同时明确纳入胸片/CT、机器人手术、大语言模型工作流及6G定位四项相邻技术并限定其论述深度。纳入标准要求为可验证DOI的同行评审全文或系统评价，并报告至少一项定量结局或明确检索方法；每篇文献均经出版商记录或DOI解析器逐一核验。75篇文献中，19篇为原始实证研究，32篇为系统评价/范围综述/荟萃分析，23篇为叙述性综述，1篇为方法学指南。由于所引系统评价已综合大量原始研究，且少量原始研究被单独引用作示例，本文不进行参与者层面去重。未应用正式偏倚风险评估工具，因单一工具无法覆盖跨设计类型且统一应用会产生虚假可比性。

4. 结果

本节先呈现证据基础特征，再按架构层与应用领域进行主题综合。分层架构方面，感知层覆盖各类传感器，边缘/雾层处理本地预处理与设备端推理，网络层涵盖蓝牙低功耗至5G URLLC及未来6G定位，云/平台层进行联邦训练、区块链记录保护及数字孪生引擎，应用层通过可解释界面输出临床结果。AI技术分类方面，经典机器学习、深度学习、边缘优化模型及联邦/隐私感知AI四类方法分别主导不同任务。可穿戴传感、跌倒检测与活动识别方面，80项研究的系统评价显示深度学习优于阈值法与经典机器学习，可穿戴单独配置性能逊于混合配置。心脏生物信号监测方面，八项研究中七项针对心电图（ECG）、一项针对心音图（PCG），报告准确率从91%至99.48%不等，但数据集、类别数与验证协议高度异质，不可用于推断边缘部署的固有准确率代价；边缘部署研究额外报告了功耗数据。边缘计算、TinyML与隐私保护协作学习方面，联邦学习与区块链被明确视为互补机制而非替代关系，二者均不单独构成法规合规。医学影像诊断方面，混合架构在胸片分类中表现更稳定。可解释AI与持续葡萄糖监测方面，二者共享离线性能与真实世界纵向验证之间的转化鸿沟。连接与数字孪生方面，5G集成架构经1000名患者多月评估，数字孪生引导的消融规划在单项研究中报告心律失常复发率降低超13%。跨领域应用与安全威胁模型方面，HL7 FHIR互操作性标准、FDA设备监管透明度、医院网络攻击、影像分割与机器人手术被纳入讨论，并将网络攻击类别明确映射至五层架构。消费级与神经监测方面，消费级智能手表心电图对房颤检测表现强，无袖带血压估计接近但未一致达到临床级，神经应用检测成熟度普遍高于预测。材料、系统与急症护理方面，能量自主传感、无创传感替代方案、家庭与医院部署环境、专科临床人群及证据缺口被综合讨论。

5. 讨论

证据支持方面，深度学习在心脏生物信号分类上报告高准确率，且部分准确率在设备端压缩下得以保留；跌倒检测与胸片分类在单项研究中优于阈值法或端到端替代方案，但可穿戴单独配置在跌倒检测上落后于混合配置；无单一隐私或安全机制被证明可独立满足要求，均为互补机制而非替代关系；可解释性与监测可靠性在更长预测时域、较少研究临床领域及较少受控部署条件下普遍下降。检测、分类、预测、诊断与风险评估被明确区分为不同临床任务，证据质量差异显著：检测与分类任务研究较充分且准确率高，预测任务（冻结步态、卒中）一致报告为更难且更不成熟的问题，风险评估或亚表型任务处于中间状态。开放挑战方面，报告准确率因数据集、类别定义与验证方案不同而缺乏直接可比性；前瞻性真实世界临床验证相对稀缺；此外还存在数据集异质性、边缘硬件能耗约束、临床信任度低及互操作性标准碎片化等持续障碍。