《NeuroRehabilitation》：Artificial Intelligence in Extended Reality and Digital Rehabilitation Technologies for Fall Prevention in Older Adults: A Rapid Review of the Evidence
编辑推荐：
背景：与跌倒相关的老年人损伤仍是一个重大健康问题，导致功能性依赖和医疗资源损耗。传统的预防方案虽然有效，但由于依从性和参与度差而未被充分利用。结合人工智能（AI）的扩展现实（XR）技术正在成为减轻跌倒相关结局的前瞻性解决方案。目的：评估现有关于扩展现实（XR）
背景：与跌倒相关的老年人损伤仍是一个重大健康问题，导致功能性依赖和医疗资源损耗。传统的预防方案虽然有效，但由于依从性和参与度差而未被充分利用。结合人工智能（AI）的扩展现实（XR）技术正在成为减轻跌倒相关结局的前瞻性解决方案。目的：评估现有关于扩展现实（XR）和虚拟现实（VR）干预措施以及AI在改善老年人平衡、移动能力和跌倒结局方面作用的文献。方法：采用Cochrane快速综述方法，在Ovid MEDLINE、Scopus和IEEE Xplore数据库中进行检索。符合纳入标准的研究通过Covidence进行筛选和资料提取。研究提取了关于研究设计、参与者特征、干预成分、结局测量和主要发现的数据，并对XR干预中AI应用进行了叙事性综合。结果：经双人筛选后，共4项研究符合纳入标准。XR和VR干预措施在移动能力、运动质量和肌力方面显示出改善。其中两项研究主要将AI用于动作分类和姿势控制分析；一项无AI的体感游戏研究结果呈混合。参与者参与度普遍较高，脱落率低。多数全文排除因缺乏AI方法所致，突显了AI特异性证据基础的局限性。尚无研究直接测量跌倒发生率。结论：本快速综述强调XR干预措施在提升移动能力和参与者依从性方面具有有效性。然而，现有证据有限，因为已发表文献仍属初步研究，未能证明跌倒减少及AI的附加获益。需要更大规模、设计良好的研究来确定这些技术的临床价值。
**引言**
全球人口正经历前所未有的结构性转变。2020年至2050年间，全球60岁及以上人口预计将从10亿翻倍至21亿，80岁及以上人群将增至4.26亿。与跌倒相关的损伤在老年人中急剧增加，构成重大公共卫生负担。据全球疾病负担（GBD）研究估计，2023年全球55岁及以上成人因跌倒导致的死亡达674,950例（95%不确定性区间[UI]），占该人群非致命伤残负担的7.2%。经济上，跌倒是医疗系统的沉重负担。尽管传统运动干预被证明能有效降低跌倒风险（例如结构化训练可使跌倒率下降14.3%，联合扰动与力量训练可减少多达74%的跌倒），但长期依从性差仍是持续性挑战。例如在奥塔哥项目的一年研究中，仅有22%的老年人完成了建议的每周三次训练；即便是短期研究，完整方案依从率在前六周内低至20%。
传统项目之外，XR技术（包括虚拟现实[VR]、增强现实[AR]和混合现实[MR]）为跌倒预防提供了新的可能性。VR支持下跑步机训练相比单纯跑步机训练能显著降低有跌倒史老年人的跌倒率。平衡体感游戏在减少衰弱机构老年人群跌倒发生率方面优于传统平衡训练。当XR与人工智能结合时，康复可从预设协议转向个性化闭环系统。AI架构可处理高频动作数据（如无标记动作捕捉的关节运动学、压力中心[CoP]时间序列、惯性测量单元[IMU]信号），并采用监督学习方法（如支持向量机[SVM]、随机森林和卷积神经网络[CNN]）将其转化为跌倒风险分类、动作质量指标和功能表现估计，从而支持个性化康复规划和临床决策。尽管应用前景广阔，AI增强的XR干预对跌倒预防和康复的影响仍鲜有探索，本综述旨在评估这一新兴领域的现有证据。
**方法**
*综述设计*
采用快速综述方法确定XR干预（含VR）的有效性并考察AI在老年人跌倒预防中的新兴作用。综述过程以Cochrane快速综述方法为依据，并遵循快速综述中AI整合的指南。使用Covidence管理筛选、全文审查和资料提取。按照PRISMA 2020指南进行报告。
*纳入标准*
纳入年龄≥55岁、存在平衡障碍或跌倒风险增加并接受AI支持的XR或数字康复干预的老年人。对“AI支持的XR、VR或数字康复干预”采用宽泛的操作性定义，包括具有AI成分（如机器学习）的沉浸式、交互式或屏幕式数字康复技术，涉及跌倒预防、平衡、移动、功能评估或康复监测。根据AI是否嵌入干预交付（AI增强）或主要用于分析、评估、分类工具（AI支持）进行分类。排除非同行评审、非英文、会议摘要、不含老年人、无XR/VR/数字康复成分或AI成分与跌倒预防康复无关的研究。
*检索策略与信息来源*
由健康科学图书馆员与研究团队共同制定检索策略。检索式结合了XR技术、AI及跌倒预防相关主题词。检索在Ovid MEDLINE、IEEE Xplore和Scopus中进行，时间从建库至2025年6月25日。结果导入Covidence进行去重和筛选。
*研究筛选*
标题和摘要筛选以及全文筛选均由两位评审员独立重复进行，分歧通过小组讨论和共识解决。
*数据提取与验证*
提取研究设计、参与者特征、干预特征、XR模式与技术、AI方法、结局测量和主要发现，并由独立评审员核实。
*偏倚风险与方法学质量评估*
采用适合各研究设计的评估工具：准实验研究使用修订版JBI准实验研究偏倚风险评估工具；随机对照试验使用Cochrane偏倚风险2（RoB 2）工具；范围综述依据JBI范围综述指南进行评估。评估结果以描述性方式报告。
*综述过程中AI工具的使用*
研究筛选和资格判定过程未使用AI工具。在数据提取和综合阶段，ChatGPT仅作为支持工具辅助总结干预描述，所有AI生成摘要均由人工评审员对照全文核实，最终决策由综述团队作出。
**结果**
*研究筛选*
共识别1188篇文献，去除319篇重复后，869篇进入标题与摘要筛选，排除632篇。237篇进行全文审查，233篇被排除，主要原因依次为：缺乏AI方法（n=219）、干预标准不符（n=5）、研究设计不符（n=3）、全文不可获取（n=6）。最终4项研究符合纳入标准。
*研究特征*
纳入研究包括1项随机对照试验（Soko?owska等，2024）、1项前后对照研究（Mulholland和Merilampi，2019）、1项前瞻性试点研究（Sung等，2024）和1项范围综述（Nairn等，2025）。参与者主要为60岁及以上老年人，干预针对平衡相关或功能性运动表现，结局测量包括计时起立行走（TUG）、简易体能状况量表（SPPB）和五次坐立试验（FTSS）等。一项研究报告了与跌倒相关的结局，包括跌倒风险和害怕跌倒。范围综述提供了非经验性概念数据，用于构建AI支持式远程康复平台和决策支持架构的基准。
*临床绩效指标与试验脱落*
Soko?owska等对36名62–87岁女性进行非沉浸式VR平衡-力量训练（VR-BST）或平衡-认知训练（VR-BCT），共10次。全部参与者TUG平均时间由9.1±2.2s降至8.2±1.5s（p<0.01）；FTSS平均时间由15.6±4.1s降至13.5±3.1s（p<0.001）。TUG>10s阈值的人数从训练前13/36（36%）降至训练后2/36（6%）（p=0.0015）。姿势描记分析显示闭眼条件下椭圆面积参数由95±94mm2显著降至52±45mm2（p=0.014）；睁眼条件下组间差异支持VR-BST组（42±32mm2 vs 107±127mm2，p=0.043）。
Sung等对11名≥65岁独立行走女性进行8周Kinect混合现实运动干预。膝伸肌力量由12.76±2.61kg增至16.12±3.47kg（p=0.018，增幅26.3%）；膝屈肌力量未达显著（p=0.237）；握力无显著变化。FTSS呈改善趋势但未达显著（p=0.128）。动作分析显示坐站任务中代偿性手臂运动和膝旋转显著减少，提示干预后运动模式更稳定。
Mulholland和Merilampi的研究未纳入AI方法，其对19名77–90岁参与者进行交互式模块化踏步游戏干预。SPPB显示8/15（53.3%）整体改善；FES-I评分显示12/15（80.0%）改善，平均下降2.48分；FROP-Com显示8/15（53.3%）跌倒风险评分下降，2名参与者风险增加但仍在低风险类别。
Nairn等范围综述刻画17种智能可穿戴平衡系统，未报告主要定量临床结局，其发现用于情境化更广阔领域而非提供干预有效性的直接证据。
*AI框架的方法学特征：监督模式分类与姿势描记轨迹分析*
Soko?owska等采用监督机器学习分类虚拟环境中的干预后恢复特征。输入矩阵由30s压力垫记录的CoP轨迹空间坐标构成，特征包括总路径长度（TL）、平均摇摆速度（V）、95%椭圆面积（EA）、额状面左右长度（LRL）和矢状面前后长度（FBL）。采用k近邻（k-NN）分类器基于欧氏距离度量，通过留一法（LOO）交叉验证。睁眼条件下，仅含TL和V的特征子集获得最低误分类率（Er 0.278，k=5），成功区分77.8%的平衡-认知参与者和66.7%的平衡-力量参与者；闭眼条件下，特征选择筛选出额状面左右摇摆（LRL）作为主要分类器（Er 0.278，k=2），对平衡-力量训练轨迹实现了100%真阳性分类准确率。该研究中AI用于训练后结局的分类，而非干预过程中的自适应或个性化。
*集成监督分类用于运动学动作分析*
Sung等的机器学习管线对连续全身动作建模以分类骨骼肌缺乏状态并追踪每周功能恢复。原始输入为跟踪25个关节节点的三维空间坐标（x, y, z），特征提取将原始关节位置转换为18个运动学变量，涵盖躯干、膝和踝关节的活动度（ROM）、最大和最小角位移。采用基于支持向量机的递归特征消除交叉验证（RFECV-SVM）进行特征选择，确定9个最优特征。核心分类架构为集成投票分类器，聚合SVM、KNN、随机森林（RF）和梯度提升（GB）的预测概率。在独立30%测试集上，投票集成分类准确率为92.75%，召回率95.20%，精确率93.70%，AUROC达97.27%。AI分类概率从第3周至第4周显著下降（p<0.01），映射运动质量随训练的改善。该研究中AI严格作为离线分析和分类工具。
*多模态闭环决策支持系统（DSS）*
Nairn等描述了TeleRehab决策支持系统在AI驱动个性化康复中的潜力。输入层集成4个身体佩戴式惯性测量单元（追踪头、躯干和踝部运动学）、胸戴心电传感器、智能手表、智能手机和光学深度摄像头。分析核心采用云端机器学习决策树和预测回归模型，通过预测分析处理传感器输入，自动更新治疗计划（修改运动选择和难度），并向临床仪表板提供连续纵向指标。然而该研究未实现或评估实际AI算法，框架仍处于概念阶段。
*参与者参与度与依从性*
纳入研究参与度普遍较高。Mulholland和Merilampi中，13/15（86.7%）报告享受训练并愿意继续，12/15（80.0%）感知活动水平提高，脱落率为21.1%（4/19）。Soko?owska等中全部36名参与者完成干预，无不良事件。Sung等报告高依从性，可能肌少症组中仅1/8因<80%依从性被排除。但所有主要试验均未包含停止训练后的长期随访阶段，运动改善的持续性或衰减数据未报告。
**讨论**
本快速综述为XR干预可能改善与跌倒风险相关的生理和功能性决定因素（包括功能性移动、动作质量和下肢力量）提供了支持性证据。但这些发现需谨慎解读，因为证据来源于小型且方法学异质的研究，且无研究直接评估跌倒发生率。观察到的TUG、FTSS和SPPB改善可通过特定的神经肌肉和行为适应机制解释。首先，VR训练通过呈现动态真实世界任务，内在地调动视觉、前庭和本体感觉系统，要求快速自主踏步调整和重心转移，这比常规训练更有效地强化感觉运动整合，从而促进姿势描记稳定性和动态平衡改善。其次，游戏化运动的重复性和任务特异性优化了运动单位募集和下肢爆发力，例如Sung等研究中混合现实抗阻运动使股四头肌伸展力量增加26.3%，提供了稳定膝旋转和减少代偿性上身运动所需的机械扭矩。第三，认知-运动双任务训练（如Soko?owska等评估的同步认知平衡任务）增强了姿势控制中的执行功能和注意力分配。
纳入研究在数字康复模式和AI角色方面具有异质性。证据涵盖从模块化交互式踏步砖到Kinect动作评估的多种交互式和屏幕式数字技术，而非传统意义上的沉浸式头戴显示XR。本综述的另一发现是AI特异性证据基础相对于更广泛的XR康复文献仍然有限。在资格评估的全文文章中，233篇排除中有219篇（94.0%）因未纳入AI成分而被排除。这表明尽管XR技术日益被用于跌倒预防研究，但AI的明确整合仍不常见。AI的角色在研究间差异显著，主要应用于动作分类、表现分析和评估，而Nairn等人的TeleRehab决策支持模型将AI更直接地定位于适应性康复、远程监测和个性化训练进阶。支持实时个性化、适应性进阶和临床决策支持等高级应用的证据仍然有限。因此，术语“AI支持的”可能比“AI增强的”更适合当前证据基础。
**局限性**
AI支持的XR干预在跌倒预防中的证据基础仍然较小且异质。检索覆盖三大数据库（IEEE Xplore、Scopus、MEDLINE），但未纳入ACM数字图书馆等计算机科学特异性来源。仅纳入1项随机对照试验，其余为前后对照或试点设计，样本量范围从11到36人，缺乏长期随访。性别失衡明显，两项研究仅纳入女性。AI方法报告不一致，部分研究算法细节有限。功能测量的改善有时低于或接近最小临床重要差异（MCID），提示变化可能不具临床意义。由于研究设计、干预时长、样本量和结局测量的异质性，证据仍属初步，难以推广至一般老年人群体。
**未来研究方向**
未来工程研究必须弥合离线诊断分类与主动实时干预适应之间的差距。应开发闭环AI架构，处理多模态传感器流以动态调节虚拟环境难度并提供实时纠正性生物反馈。需要更大规模、设计良好的随机对照试验来确定AI支持的VR干预在老年人跌倒预防中的有效性，并纳入验证过的跌倒风险评估和直接跌倒发生率结局。未来研究应明确比较AI增强与非AI的XR干预，以分离AI的特异性贡献，并确定AI系统的附加复杂性和成本是否带来更优的临床结局。同时，必须提高AI方法的报告透明度（输入数据、预处理、算法选择、训练和验证流程、AI对康复决策的具体贡献）。进行长期随访以评估功能改善是否在现实环境中持续，并检验AI支持的XR平台向社区和家庭远程康复生态系统的转化可行性。实施研究需考察在真实临床和社区环境中的可行性、可接受性和成本效益。未来试验应纳入多样化人群，包括男性、女性以及不同基线功能能力、认知状态和技术素养的个体。
**结论**
AI支持的XR和数字康复技术可能改善老年人跌倒风险相关的部分结局（包括动态移动能力、下肢力量和参与度）。然而，当前证据基于小型且异质的研究，存在方法学局限，且无研究直接评估跌倒发生率。AI主要用于动作分析、分类和表现评估，而非作为主动的实时治疗组件。因此，这些技术应被视为有前景的康复辅助手段，而非已确立的跌倒预防干预。需要更大规模、设计良好的试验来确定其临床有效性并阐明AI的具体附加价值。
