综述：人工智能在痉挛评估中的应用

《Physical Medicine and Rehabilitation Clinics of North America》：Artificial Intelligence in Spasticity Assessment

传统肌张力评估方法存在主观性强、可靠性低等问题，而AI结合传感器技术能提供更客观、精准的评估，促进临床实践革新。

　　

斯特凡诺·卡达（Stefano Carda）|弗朗科·莫尔泰尼（Franco Molteni）|埃莉萨·格拉纳（Elisa Grana）

临床神经科学系，洛桑大学医院神经康复服务部门，皮埃尔-德克尔大道5号（Av. Pierre-Decker 5），洛桑 CH-1011，瑞士

部分内容摘要

关键点

• •
  传统评估方法的局限性：目前的临床痉挛性评估方法（改良阿什沃思量表、塔尔迪厄量表）在评估者间的一致性较差，与功能结果的相关性较弱，无法区分神经性和非神经性因素。
• •
  机器学习的应用：基于人工智能的传感器系统在自动化临床评估中的准确率可达91%至94%，通过无线传感器提供客观且可重复的测量结果。

临床量表及其方法学局限性

尽管在客观性、可靠性以及与患者最看重的功能结果的相关性方面存在显著局限性，改良阿什沃思量表仍是目前最广泛使用的临床痉挛性评估工具。¹³该量表使用6级序数量表来评估被动运动时的阻力，完全依赖于临床医生在手动拉伸过程中的主观判断，这引入了较大的变异性和潜在的偏差。

基于机器学习的先进传感器评估方法

机器学习算法能够分析复杂的传感器数据，提供客观的痉挛性评估结果，从而克服传统评估方法的根本局限性。Yee及其同事的最新研究开发了一种综合性的基于传感器的系统，该系统整合了无线可穿戴传感器（包括精密的关节角度计、肌力计和表面肌电图传感器），形成了一个全面的评估框架。²³他们的创新方法从这些传感器数据中提取了18个关键特征。

总结

人工智能技术可能带来痉挛性评估领域的范式转变，为解决传统方法的局限性提供新的机遇，并有可能改善患者护理。当前的人工智能技术在提供更客观、全面、符合临床背景的痉挛性评估方面展现出巨大潜力，有效应对了传统评估方法中的根本性问题。

这种变革的意义远不止于技术层面的提升。

临床护理建议

• •
  逐步引入人工智能工具。先从简单的应用开始，例如自动测量关节活动范围或记录治疗目标，再逐步实施复杂的基于传感器的系统。这有助于工作人员建立信心，并识别工作流程整合过程中可能遇到的问题。
• •
  保持临床判断力。人工智能的建议应作为临床专业知识的补充，而非替代；当评估结果与患者实际情况不符时，务必对人工智能生成的评估结果进行核实。
• •
  确保……

人工智能声明

在撰写本文期间，作者使用了Gen AI工具。使用该工具/服务后，作者对内容进行了必要的审查和编辑，并对出版物的内容负全责。

资金来源

作者未为本文获得任何资金支持。

利益冲突声明

作者声明不存在任何利益冲突。