《Healthcare》：AΙ-Driven Interventions for Neurocognitive, Self-Regulation, and Adaptive Skill Development in Neurodevelopmental and Cognitive Disorders: A Systematic Review of Randomized Controlled Trials
背景：人工智能（artificial intelligence, AI）越来越多地被应用于神经发育和认知障碍个体的干预中，通过提供个性化和适应性方法，推进了传统治疗实践。尽管既往综述侧重于症状检测或缓解，但对AI在促进个体实现功能与独立所必需的高级技能习得方面的影响关注较少。本综述通过综合随机对照试验中关于AI驱动多领域技能习得的证据，专门填补了这一空白。目的：本系统综述旨在综合评估AI驱动干预在促进技能熟练度方面有效性的随机对照试验证据。具体而言，其考察了神经发育和认知障碍个体（包括注意缺陷多动障碍、孤独症谱系障碍、阅读障碍、计算障碍和认知损害）在神经认知、自我调节、适应性及相关技能方面的习得情况。方法：依据PRISMA 2020指南进行系统性检索，纳入2019年至2026年间发表的随机对照试验。符合条件的AI技术包括对话代理、智能辅导系统、自适应训练平台及基于机器学习的干预。采用Cochrane偏倚风险2工具评估偏倚风险。结果：24项随机对照试验符合纳入标准。研究结果显示，AI干预在广泛技能方面带来改善，包括注意力、工作记忆、心理灵活性、元认知控制、情绪调节、抑制控制以及社交与沟通技能。生成式AI在语言和沟通技能方面显示出有效性，而基于机器学习的系统在注意力调节和自我调节方面表现出积极效果。结论：本综述得出结论，人工智能可有效辅助针对神经发育和认知障碍个体的常规干预。然而，干预设计、结局测量和参与者人群的异质性限制了结果的普适性，并强调需要标准化评估框架、更大规模的纵向试验以及机制性研究，以将这些初步获益转化为不同临床和文化背景下的长期功能性改善。
1. 引言
神经发育障碍（neurodevelopmental disorders, NDDs）指在发育早期出现并持续终生的临床状况，造成持久的功能挑战。认知障碍则涵盖以认知功能障碍为特征的获得性和发育性状况。尽管每种障碍具有独特的核心症状模式，但所有这些状况均与日常生活、学业成就和社会关系方面的困难相关。由于这些障碍持续终生，干预必须针对日常功能的持续改善，而非仅提供临时症状缓解。
这些神经发育障碍在诊断上虽有差异，但汇聚于一组共同的神经心理学和功能性缺陷。注意过程、工作记忆、抑制控制和心理灵活性等神经认知功能损害在注意缺陷多动障碍（attention-deficit/hyperactivity disorder, ADHD）、孤独症谱系障碍（autism spectrum disorder, ASD）和特定学习障碍中均有记录。持续注意、自我调节、适应功能和学业参与方面的困难同样常见。社交功能损害在各类障碍中普遍存在。
本综述采用功能性而非诊断性视角。整合这些人群的依据在于存在重叠的神经认知、自我调节和适应性困难，这些困难可通过类似的技能导向干预机制加以靶向。当代干预科学已从症状减轻转向增强现实世界技能和功能参与。世界卫生组织《国际功能、残疾和健康分类》（2001）以活动和参与来界定结局。
传统数字干预通常是静态的、基于规则且对每个儿童完全相同。人工智能（artificial intelligence, AI）系统可持续分析用户数据（如反应时间、错误类型、语音模式或面部表情）并实时调整干预。个性化取代统一性，预测算法可预判脱离或失败并触发主动支持，智能反馈具有形成性，对话交互允许提问并获得情境敏感指导。
支持这一转变的AI领域包括：智能辅导系统（intelligent tutoring systems, ITSs）利用机器学习模型选择最佳行动路径；机器学习促进大数据的模式识别；强化学习算法优化任务序列；计算机视觉用于分析运动协调和面部情绪追踪；大语言模型与生成式人工智能可用于开发个性化治疗干预和对话练习伙伴。
本综述将神经认知技能定义为支持目标导向行为的基础信息加工能力，包括注意、工作记忆、抑制控制、心理灵活性和加工速度。自我调节技能涵盖元认知、情绪和行为控制过程。适应性技能则是这些认知与自我调节能力在日常生活中的可观察表达，包括社交互动、沟通、日常生活和学业功能。
先前系统综述主要关注AI在分类、筛查和诊断中的应用，尚无系统综述专门聚焦于AI辅助干预促进神经发育障碍技能发展的随机对照试验。本综述通过综合这些试验并将证据映射至技能领域来填补这一空白。研究问题是：AI辅助干预对认知和神经发育障碍人群的认知、自我调节和适应性技能有何功效？
2. 理论背景
2.1. 神经发育和认知障碍功能性技能的概念框架
功能性技能依赖于相互关联的领域，包括认知技能、自我调节技能和适应性技能。认知技能提供基础信息加工架构，使目标导向行为成为可能。自我调节依赖于认知资源和控制过程，元认知使个体能反思自身表现并有意识地调节思想、情绪和行动。情绪调节和冲动控制帮助个体管理挫折、延迟满足并在挑战情境中坚持。适应性技能代表认知和自我调节能力在日常生活中的表达，包括积极的功能性沟通、社交互动、日常生活常规、学业参与和运动协调。
2.2. 人工智能作为功能性技能发展的适应性框架
有效的技能训练干预需要系统练习、个性化指导、持续表现监测和即时反馈。人工智能通过数据驱动的个性化、实时适应和智能决策支持，使个性化、自适应任务推进、持续监测、形成性反馈、支架式支持和预测性决策支持得以精确操作化。AI系统的自适应能力体现了既定学习理论，如维持学习者在维果茨基“最近发展区”内，以及对话代理和自适应平台提供的支架式支持符合齐默尔曼的自我调节学习模型。
AI工具可针对神经发育和认知障碍的特征性需求：个性化算法定制任务内容和难度；自适应算法和强化学习实时调整任务需求；计算机视觉和可穿戴传感器捕捉行为和注意状态的细微变化；智能辅导系统和对话代理提供即时形成性反馈；自适应认知训练平台提供系统化练习；预测分析检测脱离的早期信号并触发主动调整。
3. 材料与方法
3.1. 研究设计
本系统综述遵循PRISMA 2020框架的方法学标准进行。方案已在开放科学框架注册。由两名独立研究人员于2026年2月至6月进行，包括标题和摘要筛选、全文筛查和信息提取，分歧由第三名评审员解决。
3.2. 资格标准
采用PICOS框架定义资格标准。人群包括被诊断为神经发育和认知障碍的儿童、青少年或成人。干预包括基于人工智能的干预，如AI辅助认知训练、智能辅导系统、自适应学习平台、对话式AI（聊天机器人和大语言模型）、AI支持的数字治疗及可穿戴AI技术。对照包括常规治疗、传统训练、主动数字对照、等待名单、安慰剂或无干预。结局需报告至少一项与神经认知、自我调节、适应性和相关技能相关的定量结局。研究设计仅限同行评议期刊发表的随机对照试验。
3.3. 信息来源
系统检索了PubMed、Web of Science、Scopus、PsycINFO和Google Scholar。检索限于2019年1月至2026年6月间以英文发表的同行评议期刊文章。
3.4. 检索策略
检索策略围绕四个核心概念：人工智能、神经发育和认知障碍、干预和随机对照试验。
3.5. 选择过程
所有记录导出至文献管理软件，去重后由两名评审员独立筛选标题和摘要，随后评估全文。分歧通过讨论或咨询第三名评审员解决，并构建PRISMA流程图。
3.6. 数据收集与数据条目
两名评审员独立使用数据提取表提取信息，包括书目详情、干预特征、数字设计、参与者特征、临床诊断、研究设计、结局测量和主要发现。结局按技能领域分组，每项结局根据验证工具测量的构念归入相应领域。
3.7. 报告偏倚评估
采用Cochrane偏倚风险2（Risk of Bias 2, RoB 2）工具评估方法学质量，涵盖随机化过程、偏离预期干预、缺失结局数据、结局测量和选择性报告五个领域，每个领域评定为“低风险”“有一定担忧”或“高风险”。
4. 结果
4.1. 研究选择与一般特征
系统检索识别出1248条记录，去重和筛选后，24项随机对照试验符合纳入标准。研究发表于2019至2026年，多数（70.8%）发表于2024至2026年。研究来自多个国家，中国最多，其次为韩国、美国和德国。多数研究聚焦6至12岁儿童，男性占比较高。最常见干预持续时间为8至12周。在神经发育障碍中，ADHD最常见，其次是ASD；轻度智力障碍和特定学习障碍较少，发展性协调障碍最少。认知障碍类别中仅包含轻度认知损害（mild cognitive impairment, MCI）。
4.2. AI干预的特征
纳入研究采用多种AI干预：AI聊天机器人和对话代理（如ChatGPT、GPT-4、Voicebot “ForMe”、 “Noora”）、自适应认知训练系统（如NeuroNation MED、AKL-T01、Sincrolab数字认知治疗、Calcularis 2.0）、AI可穿戴技术（如Superpower Glass、可穿戴EEG神经反馈、脑机接口训练）、AI辅助教育平台（如AI辅导系统、聊天机器人辅助阅读干预、AI脚手架教育工具）以及AI辅助创意和治疗系统（如AI辅助绘画疗法、AI游戏干预、AI支持的作业治疗、AI引导运动康复）。
4.3. 纳入研究的偏倚风险
多数研究在随机化过程方面显示低偏倚风险，使用计算机生成随机序列和隐藏分配。偏离预期干预的偏倚是常见挑战，因参与者无法对可穿戴设备或数字应用设盲，但许多研究通过主动数字对照组或等待名单对照设计降低此风险。缺失结局数据偏倚风险较低，多数研究采用意向性治疗分析和线性混合效应模型。结局测量偏倚通过盲法评估者最小化。选择性报告风险因试验注册而降低。
4.4. AI干预对技能发展的影响
4.4.1. 对神经认知技能的影响
注意：AI干预对ADHD儿童的注意功能有积极影响，而MCI证据未显示显著改善。多项研究显示注意症状显著减轻，但两项针对MCI的研究和一项针对成人ADHD的研究未发现显著变化。
加工速度：两项研究显示反应时间和书写速度显著改善。
工作记忆：七项研究结果不一。运动干预和适应计算机训练显示复杂工作记忆任务显著改善，而针对MCI的研究未显示显著获益。一项针对ADHD儿童的研究显示视空间工作记忆改善，但另一项针对成人ADHD的研究未发现言语工作记忆改善。
心理灵活性：四项研究结果不一。一项基于游戏的自适应认知训练显示显著改善，而被动AI认知训练未显示效果。结合身体活动的AI干预优于单独AI训练。
抑制控制：五项研究显示涵盖mHealth引导运动、脑机接口和AI辅助作业治疗在内的多种干预均显著改善抑制控制，尤其结合认知和运动需求的书写任务效果显著。
4.4.2. AI干预对自我调节技能的影响
元认知控制技能：AI干预增强了ADHD儿童感知的自我调节能力，成人ADHD自我管理技能改善，内在动机调节干预有效性。
情绪调节：AI聊天机器人辅助对话阅读、移动聊天机器人认知行为疗法、AI辅助绘画疗法、AI游戏活动和AI共情训练均显著改善情绪调节、减少冲动爆发、增强共情和合作行为。
冲动控制：三项研究均显示数字治疗、运动干预和聊天机器人干预显著减少冲动行为，其中聊天机器人干预效果量大（Cohen's d = 0.83）。
4.4.3. AI干预对适应性和生活质量技能的影响
社交技能：可穿戴AI系统增强ASD儿童的适应性社交行为，AI移动应用干预后75%父母观察到社交能力提升，AI游戏活动改善ADHD儿童社交功能。
语言和沟通技能：AI聊天机器人引导共享阅读改善ADHD幼儿园儿童的表达词汇和文字阅读；可穿戴EEG神经反馈改善ASD儿童表达语言；AI驱动ABA干预后81%照护者报告言语技能改善；Superpower Glass改善社交沟通；AI游戏活动改善社交沟通。
运动控制技能：AI辅助作业治疗大幅改善书写，运动干预改善粗大和精细运动技能。
问题解决、批判性思维和阅读技能：AI聊天机器人辅助干预改善阅读障碍学生的算术应用题解决；AI个性化训练改善轻度智力障碍学生的数学成绩；自适应计算机训练改善计算障碍儿童的数值认知和算术流畅性。AI脚手架规划工具帮助轻度智力障碍学生发展研究技能。阅读技能在多样人群和技术形式中均有改善。
4.5. 效应量总结
语言和沟通技能效应量大（η2 = 0.44–0.90），批判性思维（η2 = 0.749），阅读技能（η2 = 0.48–0.811），运动控制（Cohen's d = 0.48–2.291），工作记忆（Cohen's d = 0.48–1.42），元认知技能（Cohen's d = 0.56–0.93），抑制控制（Cohen's d = 0.48–0.93），冲动控制（Cohen's d = 0.60–0.83），心理灵活性（Cohen's d = 0.63–1.19），问题解决（η2 = 0.10–0.75），情绪调节（Cohen's d = 0.62–0.83），注意（Cohen's d = 0.28–1.08），加工速度（Cohen's d = 0.28–0.48），社交技能（Cohen's d = 0.62）。
5. 讨论
5.1. 主要发现
24项随机对照试验的分析显示，AI干预在多个技能领域展现积极效果。认知训练干预增强了抑制控制、工作记忆和心理灵活性。ADHD个体能更好地调节注意和冲动。ASD的社交沟通技能增强。自我调节技能包括情绪调节和冲动控制改善。阅读理解和算术应用题解决显著改善。与既往技术干预研究一致，本综述同时显示AI干预可增强特定技能。与先前侧重于技术特征或诊断准确性的综述不同，本综述强调技能习得并仅纳入随机对照试验。最有效的干预结合了自适应学习、个性化反馈、持续表现监测和任务难度动态调整。由于若干干预将AI组件与既有方法结合，观察到的获益不能单独归因于AI。
5.2. 临床意义
AI工具可作为常规干预的辅助手段。AI认知训练和行为干预可帮助ADHD个体解决核心症状和认知缺陷。数字治疗和聊天机器人递送的认知行为干预可减少注意力不集中和冲动。对ASD，针对社交沟通和情绪识别的AI干预可补充行为治疗。AI辅助阅读和数学干预可为阅读障碍和计算障碍提供个性化多感官支持。临床医生和教育者应考虑将AI应用纳入常规干预框架。AI工具应补充而非替代人类专业知识。转化为常规实践面临数据标准化、临床医生培训和报销政策等实施挑战。
5.3. 局限性
检索仅限于五个主要数据库和英语出版物，可能存在语言偏倚。一项研究纳入的DCD风险儿童基于筛查问卷而非确诊。研究的异质性限制了定量Meta分析。随机化本身不保证高质量证据，偏倚风险在若干领域存在。长期随访数据缺乏。性别偏倚明显，男性占主导。设盲困难。结局测量缺乏标准化。
5.4. 未来方向
需要大规模随机对照试验和延长随访以评估持久性。探索个体差异以支持个性化方法。比较效果研究有助于治疗选择。多样化人群研究可提高普适性。机制研究探索神经生理基础。应开发标准化的核心结局集和最低报告标准，明确报告目标技能领域、结局定义、验证测量工具、干预剂量和持续时间、AI功能、对照特征、样本量、流失率、随访时间和组间效应估计。
6. 结论
本系统综述表明，AI干预有效改善神经发育和认知障碍个体的神经认知、自我调节、适应性和相关技能。最显著效应见于注意控制、工作记忆、心理灵活性、抑制控制、情绪调节、社交技能和学业技能。干预类型、结局测量和参与者人群的异质性限制了比较和综合。AI干预为获得专门服务机会有限的个体提供了有价值的选择。将AI工具整合到公认干预方法中可能是最佳路径。AI工具可能适用于结构化技能发展和重复练习，而人类互动可能在复杂社会学习和情感支持方面具有优势。混合模式可能代表最优方法，但需未来比较研究验证。纳入研究中报告的不良事件很少，且均无严重干预相关不良事件，但由于安全性并非本综述预设结局且未系统评估，无法得出安全性结论。
