文献综述

前言

脑卒中作为全球范围内导致长期残疾的主要原因之一，对患者的生活质量构成了严重威胁。根据全球疾病负担研究的数据，脑卒中在375种疾病和伤害造成的健康损失中占据显著位置，其相关风险因素的归因负担也相当可观（Vos et al., 2025）[1]。这一现状促使临床实践和科研领域不断寻求更有效的康复策略，以应对脑卒中后常见的运动、认知及功能损伤。

近几年，模型技术在医疗领域的渗透为脑卒中康复带来了新的可能性。从急性期的诊断到长期恢复阶段的干预，AI驱动的解决方案正逐步改变传统康复医学的面貌。这种技术转型不仅体现在诊断精度的提升，更表现在康复评估的客观化、个体化及标准化方面。AI评估系统通过整合多模态数据，为临床医生提供量化的、可重复的测量指标，从而弥补了传统主观评估方法的不足。

脑卒中康复评估的发展经历了从纯临床观察到仪器辅助测量，再到如今智能化评估的演进过程。在这一转变中，争议焦点主要集中在AI评估系统的临床适用性、与传统评估方法的相关性、以及在不同亚群患者（如伴有认知障碍者）中的有效性等问题。理解这些争议对于推动AI评估工具的临床转化具有关键意义。

主体

脑卒中康复评估的技术演进

传统脑卒中康复评估主要依赖临床医生的观察和标准化量表，如Fugl-Meyer评估、功能性步行量表等。这些方法虽然经过长期验证，但存在主观性强、间隔评估、微小变化敏感度不足等局限。随着技术发展，机器人辅助评估系统开始应用于临床实践，通过精确测量运动参数，为康复评估提供了客观量化指标。

Bui等人（2022）的研究揭示了机器人评估在脑卒中患者中的潜在价值，他们开发的机器人系统能够量化上肢运动功能，为康复进展提供客观测量[6]。该研究同时指出认知障碍可能影响机器人评估的表现，提示在开发AI评估工具时需考虑患者的认知状态。这一发现对临床实践具有重要启示，因为约46-61%的脑卒中患者存在不同程度的认知障碍，即使在慢性期也是如此。

技术进步的另一表现是评估场景的扩展。传统评估多局限于临床环境，而可穿戴技术与AI的结合使家庭和社区环境下的连续监测成为可能。Mohan等人（2021）系统回顾了技术驱动的脑卒中步态评估方法，指出智能可穿戴设备和AI技术能够捕捉步态的非线性动态变异，为康复评估提供了新的维度[8]。这种连续监测的优势在于能够捕捉到临床间歇性评估可能遗漏的功能波动，更真实地反映患者的日常功能状态。

AI在脑卒中运动功能评估中的应用

运动功能障碍是脑卒中后最常见的后遗症之一，上肢功能受损尤其影响患者的日常生活活动能力。AI技术在运动功能评估中的应用呈现出多元化发展态势，从简单的运动参数测量到复杂的运动模式分析均有涉及。

在机器人辅助评估领域，Yeh等人（2021）开发的机器人辅助体感训练系统不仅用于治疗，同样具备评估功能，能够精确测量腕部运动的本体感觉和运动控制[9]。这种将评估与干预结合的方式代表了康复医学的一个发展趋势——评估不再是与治疗分离的独立环节，而是融入治疗过程中，实现实时调整治疗方案。

Murakami团队（不同的技术路径，他们开发了一种集成模型的肌电驱动机器人手，通过检测前臂三块肌肉的肌电活动来识别患者执行手指屈伸的意图[5]。这种方法的价值在于能够捕捉到即使没有明显外部运动表现的神经驱动信号，为早期评估运动恢复潜力提供了可能性。在随机对照试验中，这种评估方法显示出良好的敏感性和特异性。

机器人评估的适用性正在向更广泛的神经疾病人群扩展。Bui等人（2021）的研究将机器人评估应用于HIV相关运动和认知障碍的测量，包括合并脑卒中的患者[10]。这一研究拓展了机器人评估的传统边界，表明基于AI的评估方法可能具有跨疾病应用的潜力，特别是对于具有共同神经机制的功能障碍。

多模态数据融合与智能分析

脑卒中康复评估的一个关键挑战是如何整合不同类型的临床数据，形成对患者功能的全面理解。AI技术在此领域的优势日益凸显，通过机器学习算法处理多模态数据，发现其中隐藏的模式和关联。

Chandrabhatla等人（2023）回顾了美国食品药品监督管理局批准的AI/ML技术在脑卒中管理中的应用，发现已有22种AI/ML支持的技术用于脑部影像分诊或促进脑卒中后神经/功能恢复[4]。这些技术多数采用卷积神经网络分析CT和MRI影像，在识别缺血半暗带和辅助急性期治疗决策方面表现出与神经放射科医生相当的性能。

深度学习技术在医学影像分析中的成功应用为脑卒中康复评估提供了新的思路。Kopalli等人（2025）指出，AI驱动的影像技术不仅能改善早期诊断，还能通过识别特定的神经解剖特征预测功能恢复轨迹[2]。这种预测性评估对康复计划的个体化制定具有重要价值，使临床医生能够在康复早期调整干预策略，优化资源配置。

不同模态数据的融合分析正在产生新的洞察。Höhler等人（2024）对混合神经假肢（机器人联合电刺激）在脑卒中后上肢损伤康复中的疗效进行了系统回顾和荟萃分析[3]。这类系统通过同时采集运动学数据和神经生理数据，为理解运动恢复的机制提供了更全面的视角。

可穿戴设备与远程评估

传统脑卒中康复评估的一个主要限制是评估场景的局限性——多数评估在临床环境中进行，可能无法反映患者在真实环境中的功能表现。可穿戴设备和远程监测技术的兴起正逐步改变这一局面。

智能可穿戴设备配备AI算法能够实现连续监测和实时反馈，促进家庭康复训练。Kopalli等人（2025）强调了这一趋势，指出可穿戴技术结合AI支持的远程康复平台能够克服地理障碍，实现远程评估和干预[2]。这种评估方式的转变不仅提高了评估的生态效度，还使长期跟踪成为可能，为理解脑卒中恢复的自然史提供了新的数据来源。

Rojek等人（2021）从另一个角度展示了AI在康复设备优化中的应用，他们开发了基于神经网络的肘部外骨骼，并通过AI优化三维打印过程，减少材料浪费[7]。虽然这项研究主要关注制造过程，但其背后的理念——通过AI优化康复设备的设计和生产——间接影响了评估设备的可及性和成本，使更广泛的患者群体可能受益于技术先进的评估工具。

远程评估的可行性在COVID-19大流行期间得到了进一步验证，促使医疗系统重新思考服务提供方式。这种转变与全球健康趋势相契合，Vos等人（2025）的全球疾病负担研究强调了后COVID-19时代实现全球健康目标面临的挑战，其中包括如何利用技术创新改善医疗服务的可及性[1]。

认知与运动功能的综合评估

脑卒中后功能障碍 rarely 局限于单一领域，更多情况下涉及运动、认知和感觉等多维度的损害。传统评估往往将这些领域分开考量，而AI技术提供了将它们整合分析的可能性。

Bui等人（2021）的研究尝试通过机器人任务同时评估认知和运动功能，包括轨迹跟踪、N-back和空间跨度任务[10]。他们的研究发现，基于机器人的空间跨度任务平均序列长度对不同水平的认知和运动损伤最为敏感。这种方法的价值在于能够捕捉认知-运动交互作用，这对理解脑卒中后功能限制的全貌具有重要意义。

认知-运动双重任务评估是另一个有前景的方向。虽然在所回顾的文献中没有直接涉及，但这一方向与当前神经康复领域对认知-运动相互作用的关注相一致。未来研究可能会探索如何利用AI技术分析双重任务条件下的表现，更准确地反映患者在日常生活中的功能挑战。

临床转化与实施挑战

尽管AI评估技术在脑卒中康复中展现出巨大潜力，其临床转化仍面临多重挑战。技术集成、数据隐私、伦理考量和临床工作流程适配都是需要解决的问题。

Kopalli等人（2025）明确指出了与AI实施相关的伦理、法律和监管挑战，包括数据隐私和技术集成问题[2]。这些挑战不仅涉及技术层面，还关乎医疗系统的准备度和医护人员的接受度。成功将AI评估工具整合到临床工作流程中需要多方协作，包括技术开发者、临床医生、医院管理者和政策制定者。

Chandrabhatla等人（2023）的研究提供了从监管视角的洞察，回顾了FDA批准的AI/ML技术的功能和性能[4]。监管批准是临床转化的重要里程碑，但并非终点。实际临床应用还需要考虑这些工具在不同医疗环境中的适用性、成本效益以及对患者结局的最终影响。

另一个关键挑战是确保AI评估工具在不同患者亚群中的公平性和有效性。Bui等人（2022）的研究提醒我们，认知障碍可能影响患者在机器人评估中的表现[6]。这意味着AI评估工具可能需要针对不同特征的患者群体进行验证和校准，避免因某些群体的数据不足而导致评估偏差。

总结

脑卒中康复的AI评估领域正经历快速发展和转型。从基于机器人系统的精确运动测量到结合可穿戴设备的远程监测，AI技术正在重塑脑卒中康复评估的面貌。这些技术进步使评估更加客观、连续和个体化，有望解决传统评估方法的主观性和间歇性限制。

现有研究显示，AI评估工具在测量精度和敏感性方面具有明显优势，能够检测到临床观察难以识别的微小变化。机器人辅助评估系统能够量化运动参数，AI驱动的影像分析可以预测恢复轨迹，而智能可穿戴设备则使家庭环境中的连续监测成为可能。这些不同技术路径的共同目标是为脑卒中康复提供更全面、准确的评估。

AI评估工具的临床广泛应用仍面临挑战。技术集成、数据标准化、伦理考量和临床工作流程适配都是需要解决的问题。特别是，确保这些工具在不同患者亚群（如伴有认知障碍者）中的有效性和公平性至关重要。未来研究需要关注AI评估工具对患者重要结局的最终影响，而不仅仅是技术性能指标。

脑卒中康复AI评估的未来发展可能会呈现几个趋势：多模态数据的进一步整合，从单一领域评估向综合功能评估的转变，以及评估与干预的更紧密结合。此外，随着远程医疗的普及，家庭为基础的AI评估系统可能变得更加普遍，使康复评估真正融入患者的日常生活。

对于临床实践和科研，建议采取循序渐进的方式引入AI评估工具，首先在传统评估基础上作为补充，随着证据积累和系统优化，逐步扩大应用范围。同时，需要加强跨学科合作，包括临床医生、工程师、数据科学家和患者的共同参与，确保开发的工具既技术先进又临床适用。

参考文献

1. Vos, T. (2025). Burden of 375 diseases and injuries, risk-attributable burden of 88 risk factors, and healthy life expectancy in 204 countries and territories, including 660 subnational locations, 1990-2023: a systematic analysis for the Global Burden of Disease Study 2023. Lancet, 406.
2. Kopalli, S. R., Shukla, M., Jayaprakash, B., Kundlas, M., Srivastava, A., Jagtap, J., Gulati, M., Chigurupati, S., Ibrahim, E., Khandige, P. S., Garcia, D. S., Koppula, S., & Gasmi, A. (2025). Artificial intelligence in stroke rehabilitation: From acute care to long-term recovery. Neuroscience, 572.
3. Höhler, C., Trigili, E., Astarita, D., Hermsdörfer, J., Jahn, K., & Krewer, C. (2024). The efficacy of hybrid neuroprostheses in the rehabilitation of upper limb impairment after stroke, a narrative and systematic review with a meta-analysis. Artificial Organs, 48.
4. Chandrabhatla, A. S., Kuo, E. A., Sokolowski, J. D., Kellogg, R. T., Park, M., & Mastorakos, P. (2023). Artificial Intelligence and Machine Learning in the Diagnosis and Management of Stroke: A Narrative Review of United States Food and Drug Administration-Approved Technologies. Journal of Clinical Medicine, 12(11), 3755.
5. Murakami, Y., Honaga, K., Kono, H., Haruyama, K., Yamaguchi, T., Tani, M., Isayama, R., Takakura, T., Tanuma, A., Hatori, K., Wada, F., & Fujiwara, T. (2023). New Artificial Intelligence-Integrated Electromyography-Driven Robot Hand for Upper Extremity Rehabilitation of Patients With Stroke: A Randomized, Controlled Trial. Neurorehabilitation and Neural Repair, 37.
6. Bui, K. D., Lyn, B., Roland, M., Wamsley, C. A., Mendonca, R., & Johnson, M. J. (2022). The Impact of Cognitive Impairment on Robot-Based Upper-Limb Motor Assessment in Chronic Stroke. Neurorehabilitation and Neural Repair, 36.
7. Rojek, I., Mikołajewski, D., Kopowski, J., Kotlarz, P., Piechowiak, M., & Dostatni, E. (2021). Reducing Waste in 3D Printing Using a Neural Network Based on an Own Elbow Exoskeleton. Materials, 14(17), 5074.
8. Mohan, D. M., Khandoker, A. H., Wasti, S. A., Alali, S. I. I. I., Jelinek, H. F., & Khalaf, K. (2021). Assessment Methods of Post-stroke Gait: A Scoping Review of Technology-Driven Approaches to Gait Characterization and Analysis. Frontiers in Neurology, 12.
9. Yeh, I.-L., Holst-Wolf, J., Elangovan, N., Cuppone, A. V., Lakshminarayan, K., Cappello, L., Masia, L., & Konczak, J. (2021). Effects of a robot-aided somatosensory training on proprioception and motor function in stroke survivors. Journal of Neuroengineering and Rehabilitation, 18.
10. Bui, K. D., Wamsley, C. A., Shofer, F. S., Kolson, D. L., & Johnson, M. J. (2021). Robot-Based Assessment of HIV-Related Motor and Cognitive Impairment for Neurorehabilitation. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 29.