The role of artificial intelligence in post-stroke rehabilitation

Full Text

ОБОСНОВАНИЕ

Инсульт является одной из ведущих причин инвалидизации пациентов и смертности во всём мире, возникая вследствие нарушения кровоснабжения головного мозга и приводя к развитию выраженных неврологических нарушений, оказывающих негативное влияние на качество жизни пациентов [1]. Патофизиологические механизмы, лежащие в основе инсульта, представляют собой сложный каскад процессов, включающих ишемию, эксайтотоксичность, оксидативный стресс и воспалительную реакцию, которые детерминируют повреждение нейронов и потерю их функциональной активности [1, 2]. Классификация инсульта включает три основные формы: ишемический инсульт, геморрагический инсульт и транзиторную ишемическую атаку, каждая из которых имеет свои особенности патогенеза. Ишемический инсульт, на долю которого приходится около 85% всех случаев, обусловлен окклюзией мозговой артерии тромбом или эмболом, что препятствует адекватному кровоснабжению мозга [2].

Согласно данным Американской кардиологической ассоциации (American Heart Association, AHA), заболеваемость инсультом продолжает стремительно расти (в период c 1990 по 2020 г. количество инсультов увеличилось на 70,0%, смертность вследствие инсульта — на 44,0%, его распространённость — на 86,0%, а показатель DALY — на 32%), что связано со старением популяции и увеличением распространённости таких факторов риска, как ожирение, сахарный диабет и артериальная гипертензия [3, 4]. По данным глобальных эпидемиологических исследований, в 2020 году инсульт занимал второе место среди основных причин смертности, унеся жизни около 6,6 миллиона человек, а также являлся третьим по значимости фактором утраты трудоспособности [5]. В Российской Федерации ежегодное число зарегистрированных случаев инсульта колеблется в диапазоне от 430 до 470 тысяч. При этом госпитальная летальность остаётся на высоком уровне, варьируя от 20,7% в 2020 году до 17,6% в 2022 году [6]. В 2024 году инсульт стал причиной 6,5 миллиона смертей по всему миру, а количество новых случаев составило 12,2 миллиона в год [4]. Параллельно с этим более 100 миллионов человек живут с его долгосрочными последствиями, что свидетельствует о серьёзном социально-экономическом бремени заболевания. Особенно уязвимыми остаются страны с низким и средним уровнем дохода, где доступ к мерам профилактики и специализированной помощи крайне ограничен [4]. Эти данные подчёркивают не только эпидемиологическую значимость инсульта, но и необходимость пересмотра существующих стратегий профилактики и лечения. Указанные показатели свидетельствуют о сохраняющихся проблемах в системе оказания специализированной медицинской помощи пациентам с острыми нарушениями мозгового кровообращения и подчёркивают актуальность разработки и внедрения новых эффективных методов диагностики, лечения и реабилитации.

В свете необходимости повышения эффективности восстановительных мероприятий после инсульта особое внимание привлекает применение искусственного интеллекта (ИИ), который имитирует способность головного мозга к нейропластической реструктуризации и адаптации после повреждения [7]. Технологии ИИ, включающие машинное обучение (МО), свёрточные нейронные сети (СНС) и интерфейсы «мозг — компьютер» (Brain-Computer Interface, BCI), позволяют воспроизводить механизмы естественного восстановления нейронных связей. Реабилитационные системы, основанные на ИИ, способны анализировать индивидуальные особенности пациента и в реальном времени адаптировать терапевтические стратегии, что аналогично процессу биологической нейропластичности мозга [7]. Модели, основанные на МО и глубоком обучении (ГО), позволяют имитировать усиление нейронных связей, оптимизируя моторное обучение посредством выявления двигательных паттернов и их целенаправленного укрепления [8]. Интеграция BCI позволяет пациентам с инсультом восстанавливать двигательную активность посредством управления роботизированными устройствами или виртуальными объектами напрямую через мозговую активность [9]. Также отмечается, что технологии ИИ значительно усовершенствовали такие методы нейростимуляции, как транскраниальная магнитная стимуляция, обеспечивая индивидуализацию параметров процедуры для улучшения нейронного восстановления. Тем самым ИИ воспроизводит сложные биологические процессы реорганизации нейронных сетей, ускоряя реабилитацию и позволяя динамически корректировать лечебные мероприятия [9].

Тем не менее даже при наличии передовых технологий процесс восстановления после инсульта остаётся крайне вариабельным и зависит от многочисленных факторов, включая объём поражения, общее соматическое состояние пациента и качество проведённой реабилитации [10]. Современные подходы к реабилитации охватывают широкий спектр вмешательств, направленных на восстановление двигательных, сенсорных и когнитивных функций, включая физическую и логопедическую терапию, эрготерапию и когнитивную реабилитацию [4, 10]. Однако ограниченная персонализация традиционных методов, вариабельность исходов лечения и недостаточный доступ к ресурсам остаются существенными препятствиями на пути к оптимизации восстановительных программ [11]. Комплексное использование технологий ГО, СНС, робототехники и виртуальной реальности открывает новые горизонты для создания более эффективных и индивидуализированных стратегий восстановления [12]. Интеграция ИИ в клиническую практику позволяет повысить точность диагностики, оптимизировать планирование и динамическое управление терапией, а также расширить возможности дистанционной реабилитации. Проведённый всесторонний анализ подчёркивает, что ИИ обладает значительным потенциалом для повышения эффективности восстановления и улучшения качества жизни пациентов, перенёсших инсульт [12, 13].

ЦЕЛЬ

Обобщить современные литературные данные и оценить роль технологий ИИ в реабилитации пациентов после инсульта, а также выявить пробелы в знаниях, требующие проведения дальнейших исследований.

МЕТОДОЛОГИЯ ПОИСКА ИСТОЧНИКОВ

Поиск источников проводился в международных и национальных электронных базах данных PubMed, Google Scholar и eLibrary.ru. Временной интервал охвата публикаций составил 2010–2025 гг. Языковые ограничения не использовались, однако преимущество отдавалось работам на русском и английском языках. При отборе литературы был применён двухуровневый подход. Основу составили публикации за последние 5 лет (2020–2025 гг.) (внедрение ИИ в анализ медицинских изображений, развитие гибридных VR/AR систем, телемедицинских технологий). В процессе исследования осуществлялся расширенный поиск дополнительных научных источников, содержащих данные о прогностической значимости и клинической эффективности инновационных реабилитационных методик у пациентов с инсультом.

Для формирования поисковых запросов использовались ключевые слова и словосочетания, отражающие основные аспекты реабилитации после инсульта с использованием технологий ИИ: «искусственный интеллект», «реабилитация после инсульта», «инсульт», «машинное обучение», «нейрореабилитация», «artificial intelligence», «stroke rehabilitation», «stroke», «neurorehabilitation», «telemedicine».

На первом этапе поиска было идентифицировано 13 102 публикации (PubMed — 7394, Google Scholar — 4205, eLibrary.ru — 1503). После удаления дубликатов и нерелевантных источников на основании заголовков и аннотаций к следующему этапу анализа было допущено 5647 исследований. Затем был проведён углублённый анализ 842 полнотекстовых публикаций, соответствующих тематике обзора. На этом этапе исключались статьи, не отвечающие критериям включения (например, при отсутствии клинической направленности, фокусе на остром периоде инсульта, нерецензируемые источники, протоколы и тезисы).

Критерии включения:

• оригинальные исследования (проспективные и ретроспективные когортные исследования, рандомизированные контролируемые исследования), а также обзорные статьи различного типа (систематические обзоры, метаанализы, описательные обзоры);
• полнотекстовые публикации, прошедшие рецензирование;
• работы, содержащие информацию о долгосрочной реабилитации пациентов после инсульта, психосоциальных аспектах восстановления, программах самоуправления и семейно-ориентированном подходе;
• статьи на русском и английском языках.

Критерии исключения:

• конференционные тезисы, письма в редакцию, протоколы;
• отсутствие доступа к полному тексту;
• отсутствие фокуса на долгосрочную реабилитацию или несоответствие ключевым направлениям обзора.

В результате поиска в анализ включена 80 публикация, отражающая наиболее значимые и актуальные данные по теме. Подробный алгоритм отбора представлен на рис. 1.

 

Рис. 1. Алгоритм отбора первоисточников.

Fig. 1. The algorithm for selecting primary sources.

 

ОБСУЖДЕНИЕ

Технологии искусственного интеллекта в диагностике, прогнозировании результатов и поддержке принятия решений у пациентов с инсультом

В остром периоде инсульта своевременная и точная диагностика имеет основополагающее значение для инициации эффективного лечения и ограничения объёмов поражения тканей головного мозга [13]. Интеграция высокотехнологичных методов нейровизуализации, усиленных алгоритмами ИИ, способствовала модернизации диагностики, что особенно выражено в контексте применения технологий ГО при анализе данных компьютерной (КТ) и магнитно-резонансной томографии (МРТ), а также для автоматизированной идентификации ишемической полутени [14, 15]. Алгоритмы ГО, относящиеся к МО, показывают высокий уровень эффективности в интерпретации данных визуализации. Благодаря большим объёмам используемых баз данных и возможности самообучения они способны распознавать многочисленные паттерны и аномалии, зачастую недоступные визуальному восприятию даже опытного специалиста [14, 15]. При анализе МРТ- и КТ-изображений алгоритмы ГО позволяют оперативно выявлять зоны ишемии и области с внутричерепными кровоизлияниями, что значительно повышает как скорость постановки диагноза, так и диагностическую ценность проводимых мероприятий, способствуя более эффективному оказанию помощи пациентам с инсультом [15]. Усовершенствованные диагностические возможности критически важны для своевременного начала терапевтических мероприятий, таких как системный тромболизис или механическая тромбоэкстракция, которые оказывают существенное влияние на прогноз и восстановление пациента после инсульта [15].

Алгоритмы ИИ также способны определить локализации ишемической полутени (пенумбры) — функционально уязвимой, но потенциально жизнеспособной зоны головного мозга, окружающей очаг инфаркта [16]. Классические методы визуализации зачастую оказываются недостаточно чувствительными для чёткой дифференцировки данной области, что может приводить к принятию неоптимальных тактик лечения пациентов. Некоторые алгоритмы ИИ обеспечивают более точный анализ комплексных данных КТ и МРТ, позволяя достоверно идентифицировать участки мозга, находящиеся в зоне риска развития ишемии [17, 18]. Интеграция инновационных алгоритмов ГО в существующие методы нейровизуализации и использование прогрессивных вычислительных подходов позволяют ИИ эффективно различать ядро инфаркта и прилегающую к нему зону ишемической полутени, что, в свою очередь, обеспечивает возможность точечного воздействия и направленной терапии с целью сохранения потенциально обратимых участков поражения ткани головного мозга [19, 20]. Отмечается, что применение технологий ГО в анализе данных КТ и МРТ, наряду с использованием ИИ для распознавания ишемической полутени, представляет значительный прогресс в сфере диагностики инсульта. Данные инновации способствуют повышению точности диагностических и лечебных мероприятий, более аргументированному принятию клинических решений и, в конечном итоге, улучшают исходы за счёт своевременных и персонализированных вмешательств [15, 17, 20].

В диагностике и прогностической оценке течения инсульта важную роль играют биомаркёры, способствуя более глубокому пониманию патофизиологических процессов и индивидуализации терапии [21]. Геномные биомаркёры предполагают исследование генетических вариаций, ассоциированных с предрасположенностью к инсульту, тяжестью клинических проявлений, уровнем нейропластичности и скоростью восстановления [22]. Современные генетические исследования идентифицировали целый ряд однонуклеотидных полиморфизмов (Single Nucleotide Polymorphism, SNP) и профилей экспрессии генов, статистически значимо связанных с риском развития цереброваскулярных катастроф. Анализ данных маркёров позволяет выявить предпосылки, влияющие на вероятность развития инсульта и индивидуальную реакцию организма на лечебные мероприятия [23]. Исследование генетической информации в клиническом процессе даёт специалистам возможность учитывать молекулярно-биологические особенности пациента при разработке персонализированных стратегий ведения и реабилитации [24].

Протеомные биомаркёры направлены на выявление специфических белковых структур в крови или ликворе, образующихся в результате инсульта и отражающих патологические изменения. Изучение изменений концентрации белков, связанных с воспалительной реакцией, нейрональным повреждением и регенерацией тканей, позволяет получить ценную информацию для определения диагностических, лечебных возможностей и реабилитационных мероприятий [23, 24]. Повышение концентрации определённых маркёров, свидетельствующих о повреждении мозговой ткани, может указывать на продолжающийся патологический процесс или предсказывать степень выраженности функциональных нарушений. Протеомный анализ проливает свет на молекулярные механизмы, активирующиеся в остром и подостром периодах инсульта, способствуя более точному контролю течения заболевания и оценке эффективности применяемых терапевтических вмешательств [23, 24].

Методы МО существенно расширяют возможности предсказания исходов инсульта за счёт анализа многоуровневых данных, включающих клиническую, визуализационную и молекулярно-биологическую информацию [25]. Прогностическое моделирование, основанное на алгоритмах МО, позволяет предсказать такие параметры, как объём функционального восстановления, риск развития осложнений и степень инвалидизации [26]. Также отмечается, что данные модели способны к обучению на ретроспективных наборах данных, выявляя закономерности и взаимосвязи, лежащие в основе индивидуальных клинических сценариев [27]. За счёт интеграции данных демографических показателей, анамнестических сведений, визуализационных особенностей и биомаркёров алгоритмы МО формируют персонализированные профили риска и прогнозы восстановления пациентов после инсульта. Такой подход обеспечивает принятие более взвешенных и обоснованных решений, а также позволяет адаптировать стратегии реабилитации к индивидуальным потребностям конкретного пациента [26, 27].

Поддержка принятия решений с помощью интеграции технологий ИИ при лечении острого инсульта способствует значительному прогрессу в повышении эффективности существующих стратегий лечения, что особенно выражено в алгоритмическом принятии решений по вопросам проведения тромболизиса, планирования эндоваскулярных вмешательств и помощи ИИ в структуризации клинических рекомендаций и протоколов [28]. Тромболизис, обычно проводимый в узком временном интервале после начала инсульта, включает использование тканевого активатора плазминогена (tissue plasminogen activator, tPA) с целью растворения тромбов и восстановления перфузии в сосудах головного мозга. Системы ИИ посредством проведения глубокого анализа данных, включающих демографические данные пациента, историю болезни, результаты визуализации и биомаркёров, улучшают данный процесс [29]. Модели ГО, обученные на больших массивах данных, могут оценить вероятность успеха лечения, определяя характеристики тромба, степень ишемии мозга и риск геморрагической трансформации [29, 30]. Эти модели объединяют данные из различных источников, таких как КТ и диффузионно-взвешенная МРТ, что обеспечивает комплексную оценку риска и позволяет врачам принимать обоснованные решения о назначении тромболитиков, оптимизируя сроки лечения и отбор пациентов для достижения максимальной терапевтической эффективности и минимизации побочных эффектов [30].

При эндоваскулярной терапии, предполагающей механическое удаление тромбов с помощью катетерных методик, ИИ помогает точно спланировать и осуществить лечение. Алгоритмы ИИ анализируют передовые данные визуализации, такие как КТ-ангиография высокого разрешения или МР-ангиография, с целью оценки морфологии тромба, анатомии сосуда и коллатерального кровообращения [31]. Модели МО позволяют предсказать вероятность успешного извлечения тромба и определить наиболее эффективные стратегии вмешательства, включая выбор подходящих стент-ретриверов или аспирационных устройств, с учётом особенностей тромба и анатомии поражённых сосудов. Кроме того, ИИ может моделировать различные сценарии проведения процедур и прогнозировать возможные исходы, способствуя выбору оптимальных методик и снижению процедурных рисков. Предоставляя анализ и рекомендации в режиме реального времени, технологии ИИ повышают точность эндоваскулярных процедур и улучшают общие результаты лечения пациентов [32]. Интеграция ИИ с клиническими рекомендациями и протоколами является одним из достижений данной области. Системы ИИ могут встраиваться в электронные медицинские карты и инструменты поддержки принятия клинических решений, облегчая следование рекомендациям, основанным на фактических данных [33]. Постоянно анализируя поступающую информацию о пациенте и сравнивая её с установленными протоколами, ИИ выдаёт рекомендации в режиме реального времени. Такая интеграция обеспечивает принятие решений о лечении с учётом аспектов, прописанных в протоколах лечения, что помогает врачам оказывать стандартизированную и эффективную помощь. Возможность точного соблюдения релевантных документов базируется на способности разработанных систем ИИ к динамическому обновлению, основанному на интегрируемых данных из руководств [33].

Одним из основных технических барьеров в интеграции ИИ является качество и неоднородность данных. Для эффективного обучения алгоритмам ИИ требуются большие объёмы высококачественных данных, однако медицинские данные часто поступают из различных источников, имеющих разные форматы, стандарты и степень полноты. Обеспечение совместимости и стандартизации данных имеет решающее значение для разработки надёжных моделей ИИ. Кроме того, для обработки и анализа таких больших массивов информации необходима высокая вычислительная мощность и развитая инфраструктура, что может являться ограничивающим фактором во многих медицинских учреждениях. Междисциплинарное сотрудничество имеет огромное значение для успешной разработки и внедрения ИИ в реабилитацию после инсульта. Сотрудничество между неврологами, специалистами по изучению данных, инженерами и экспертами по нормативно-правовому регулированию необходимо для эффективного применения технологий ИИ и их соответствия нормативным стандартам. Высокий уровень коммуникации и сотрудничества между специалистами может способствовать устранению разрыва в технологических возможностях и клинических потребностях, приводя к разработке инновационных систем ИИ в условиях здравоохранения. Несмотря на то, что использование ИИ и МО в реабилитации после инсульта всё ещё находится в начальной стадии своего развития, данные технологии активно изучаются и применяются в разных странах.

Роботизированные технологии и искусственный интеллект в контексте постинсультной реабилитации пациентов

Робототехника и ИИ находятся на передовой революции в двигательной реабилитации после инсульта, предлагая инновационные подходы к восстановлению нарушенных функций и ускорению выздоровления. Данные технологии решают проблемы двигательных нарушений и функционального восстановления благодаря усовершенствованному дизайну, адаптивному обучению и точным методам оценки [34]. Роботизированные экзоскелеты — это устройства, предназначенные для помощи и улучшения движения людей с моторными нарушениями. В контексте реабилитации после инсульта эти устройства играют решающую роль в восстановлении подвижности, обеспечивая структурированные и повторяющиеся движения, которые пациенты не могут в полном объёме выполнять самостоятельно [34]. Конструкция роботизированных экзоскелетов обычно включает лёгкие материалы и подвижные соединения, которые имитируют естественные движения конечностей [35]. Также отмечается, что экзоскелеты оснащены датчиками, которые поддерживают и направляют конечности пользователя по заранее заданным схемам движения [35]. Функциональность данных устройств выходит за рамки простой поддержки, они разработаны для обеспечения переменного сопротивления и адаптации к движениям пользователя. Такая адаптивность необходима для более эффективного процесса реабилитации и основана на конкретных потребностях пациентов [36]. Передовые системы управления, интегрированные с алгоритмами ИИ, корректируют движения экзоскелета в режиме реального времени на основе обратной связи с датчиками, которые отслеживают двигательную активность и физиологические реакции пользователя, позволяя добиться максимального эффекта и минимизировать риск возникновения травм [37].

Обучение двигательной активности направлено на использование ИИ для повышения эффективности реабилитации за счёт адаптивного и персонализированного обучения [36, 38, 39]. Алгоритмы МО анализируют данные с роботизированных экзоскелетов, носимых датчиков и отзывы пациентов для адаптации протоколов реабилитации. Эти алгоритмы учатся на основе результатов работы пользователя, регулируя сложность и характер упражнений в соответствии с его прогрессом и возможностями. Благодаря такому адаптивному подходу реабилитационные мероприятия остаются сложными и в то же время достижимыми, что очень важно для развития нейропластичности и восстановления функций [40]. Системы ИИ также могут предсказывать и моделировать оптимальные модели движения, необходимые терапевтические вмешательства и определять эффективные методы обучения и восстановления двигательных функций посредством анализа больших массивов данных о предыдущих сеансах реабилитации и их результатах [39]. Эти модели способны предоставлять пользователям и медицинским специалистам обратную связь в режиме реального времени, сохраняя возможность внесения изменений в режим выполнения упражнений или разрабатывая новые терапевтические подходы на основе текущих данных об эффективности, что способствует индивидуализации терапии и повышает эффективность реабилитации [38–40].

Интеграция биомеханических данных (кинематики суставов, движения мышц) и сенсорной обратной связи в системы реабилитации после инсульта на базе ИИ улучшает результаты индивидуальной терапии, а также способствует процессу нейроадаптивного обучения [41]. Модели ИИ анализируют биомеханические данные с датчиков, электромиографии (ЭМГ), устройств анализа движения и его силы для определения показателей двигательной функции пациента. Благодаря этой информации ИИ может динамически изменять реабилитационные упражнения, имитируя тем самым процесс адаптивного обучения [42]. Данные о динамике мышц, полученные с помощью датчиков ЭМГ, позволяют ИИ выявлять нервно-мышечные нарушения и оптимизировать роботизированную помощь посредством управления экзоскелетом или функциональной электростимуляции для улучшения восстановления двигательной активности. ИИ, анализируя информацию, полученную от датчиков, использует технологию сенсорной обратной связи для быстрой корректировки движений [43, 44]. Устройства биологической обратной связи на базе ИИ применяют эти интегрированные данные для обеспечения слуховой, визуальной или тактильной поддержки в реальном времени, позволяя пациентам после инсульта улучшить точность движений. Кроме того, алгоритмы МО могут прогнозировать тенденции восстановления на основе данных о движении, полученных с помощью датчиков, что позволяет специалистам отслеживать и при необходимости своевременно менять тактику лечения. Система реабилитации с ИИ создаёт концепцию, которая развивается в режиме реального времени на основе адаптивных реакций пациента, позволяя максимально повысить эффективность терапии и ускорить функциональное восстановление [44, 45].

Для определения эффективности реабилитации и отслеживания прогресса восстановления двигательной активности очень важна количественная оценка. ИИ и роботизированные системы предлагают инструменты, способные измерять и анализировать двигательную функцию с высокой точностью [46]. Датчики и системы захвата движения собирают подробные данные о кинематике конечностей, походке и мышечной активности, а алгоритмы ИИ обрабатывают полученную информацию для определения скорости и амплитуды движений, позволяя в динамике более точно оценить степень восстановления [46]. Аналитические системы на основе ИИ создают комплексные отчёты, включающие визуализацию двигательных функций с течением времени, позволяя врачам отслеживать улучшения, выявлять проблемные области и соответствующим образом корректировать тактику лечения, что способствует принятию более обоснованных решений относительно интенсивности терапии, улучшения состояния пациента и общей эффективности лечения [47].

Виртуальная и дополненная реальность в реабилитации пациентов после инсульта

Иммерсивная виртуальная реальность (virtual reality, VR) представляет собой передовой подход к реабилитации верхних конечностей у пациентов, перенёсших инсульт [48]. Системы VR используют гарнитуры и датчики отслеживания движений для погружения пациентов в виртуальную реальность, где они могут выполнять смоделированные задачи, которые находят отражение в реальной деятельности, например посредством продвижения рук или хватательных движений виртуальных объектов. Данные системы предназначены для повышения эффективности реабилитации благодаря сочетанию визуальной, слуховой и тактильной обратной связи, которые в совокупности способствуют более увлекательному и эффективному лечению пациентов [49, 50]. Эффективность VR в рамках реабилитации верхних конечностей обусловлена её способностью обеспечивать высококонтролируемую и адаптируемую среду для упражнений. Передовые VR-платформы интегрируют сложные алгоритмы и обработку данных в реальном времени для регулирования сложности задач в зависимости от показателей пациента [51, 52]. Например, VR-системы могут изменять размер, вес и расстояние до виртуальных объектов, представляя пациентам постепенно усложняющиеся сценарии, которые соответствуют их двигательным способностям. Такая адаптивность крайне важна для развития нейропластичности — способности мозга реорганизовывать и формировать новые нейронные связи при обучении. Постоянно адаптируясь к изменяющимся возможностям пациента, VR помогает терапевтическим упражнениям оставаться сложными, но достижимыми, что важно для максимального восстановления двигательной активности [51, 52]. Кроме того, VR-технологии способны обеспечивать проведение целенаправленных тренировок по устранению двигательных дефицитов. Так, VR может быть запрограммирована на моделирование задач, требующих точных движений пальцев или скоординированных действий кистей, позволяя оказывать благоприятный эффект на устранение нарушений, наблюдаемых у пациентов после инсульта [53]. VR позволяет пациентам повторять запрограммированные задачи в контролируемой обстановке, укрепляя моторное обучение и функциональное восстановление [51, 53]. Персонализация VR-терапии усиливается за счёт включения данных о конкретном пациенте, сборе и анализе таких показателей, как точность, скорость и амплитуда движений. Эти данные используются для настройки VR-упражнений, позволяя медицинским работникам адаптировать вмешательства к уникальным потребностям каждого пациента. Например, алгоритмы, управляемые ИИ, могут анализировать данные нескольких сеансов терапии, чтобы корректировать сложность упражнений, предоставлять индивидуальную обратную связь и отслеживать прогресс с течением времени. Такой персонализированный подход не только повышает эффективность реабилитации, но и улучшает мотивацию и приверженность пациента лечению [51, 54]. Кроме того, интеграция VR с технологиями обратной связи и захвата движений ещё больше обогащает их реабилитационный эффект. Датчики могут отслеживать движения конечностей и обеспечивать дополнительную обратную связь, а системы захвата движений позволяют точно измерять углы наклона суставов и мышечную активность. Совокупность этих данных позволяет более полно оценить двигательную функцию и внести более тонкие коррективы в протоколы VR-тренировок [46].

Технология дополненной реальности (augmented reality, AR) улучшает реабилитацию после инсульта за счёт интеграции цифровой информации с физическим миром, обеспечивая динамичную и интерактивную основу для восстановления навыков. Системы AR накладывают виртуальные элементы, такие как визуальные и интерактивные подсказки, на реальное окружение, создавая погружение в процесс реабилитации [55]. Такая интеграция помогает пациентам отрабатывать реальные задачи, предоставляя индивидуальные рекомендации и обратную связь во время выполнения упражнений. При реабилитации после инсульта AR может проецировать виртуальные объекты и обучающие подсказки в поле зрения пациента, помогая ему в таких повседневных действиях, как приготовление пищи, переодевание или преодоление препятствий [56]. AR может отображать список необходимых ингредиентов и пошаговую инструкцию по приготовлению пищи. Аналогичным образом AR может проводить пациентов через симулированные полосы препятствий, адаптируясь в реальном времени к их движениям и обеспечивая обратную связь. Такой интерактивный подход делает реабилитационные упражнения более увлекательными и непосредственно применимыми к повседневным задачам [57].

Основное преимущество AR в реабилитации после инсульта заключается в её способности преодолеть разрыв между виртуальными тренировочными средами и реальным применением. Встраивая терапевтические упражнения в повседневную деятельность, AR облегчает процесс восстановления навыков и их последующую отработку [55]. Такое обучение имеет решающее значение для восстановления функций, так как способствует интеграции терапевтических достижений пациентами в их повседневную жизнь. Например, практика по приготовлению еды с помощью AR-инструментов не только развивает моторные навыки, но и повышает способность пациента самостоятельно выполнять эту задачу на собственной кухне. AR-системы также предлагают преимущества адаптивности и персонализации [46, 58]. Анализируя данные датчиков и взаимодействия с пользователем в режиме реального времени, AR может изменять сложность и характер заданий в соответствии с прогрессом пациента, его интересами и конкретными целями реабилитации, тем самым повысив мотивацию и приверженность процессу реабилитации. Благодаря такой адаптации упражнения остаются актуальными, что способствует дальнейшему вовлечению и прогрессу [59, 60].

Алгоритмы ИИ играют ключевую роль в повышении эффективности VR- и AR-терапии при реабилитации пациентов после инсульта, поскольку способны персонализировать действия, основываясь на индивидуальных данных пациента [48, 55]. Модели МО анализируют обширные объёмы данных о взаимодействии пациентов в VR- и AR-средах с целью более эффективной и быстрой адаптации реабилитационных протоколов к прогрессу и специфическим потребностям каждого человека [61]. Например, в иммерсивных VR-средах алгоритмы ИИ регулируют уровень сложности виртуальных задач в режиме реального времени, согласуя их с двигательными способностями пациента и его реабилитационным потенциалом. Такая динамическая регулировка гарантирует, что упражнения не будут слишком лёгкими или слишком трудными, поддерживая оптимальный уровень сложности, способствующий нейропластичности и моторному обучению [48, 55, 62]. ИИ может изменять такие параметры заданий, как сложность движений, скорость и требования к точности, адаптируя реабилитационный опыт по мере улучшения состояния пациента. Аналогичным образом в AR-средах ИИ позволяет настраивать виртуальный контент для решения конкретных реабилитационных задач. Анализируя данные об эффективности AR, алгоритмы ИИ способны отображать рекомендации по выполнению и выбору упражнений, а также прорабатывать сценарии, направленные на устранение выявленных дефицитов как в мелкой моторике, координации рук и глаз, так и в пространственном восприятии [63, 64]. Например, при нарушении мелкой моторики ИИ предлагает AR-упражнения, включающие точные движения руками или манипуляции с виртуальными объектами разной степени сложности. Системы обратной связи, управляемые ИИ, посредством проведения постоянного анализа и предоставления полученных данных ещё больше улучшают эффективность реабилитационных мероприятий. Эти системы позволяют мгновенно получить инструкции и мотивационные подсказки, помогая пациентам оценить уровень достигнутого ими прогресса, а также выявить области, требующие особого внимания. Так, ИИ может анализировать паттерны движений и предоставлять обратную связь для обеспечения правильной техники, параллельно отслеживая показатели эффективности, что позволяет отмечать достижения и поощрять дальнейшие усилия [65].

Телереабилитация на основе технологий искусственного интеллекта

Платформы телереабилитации на основе ИИ, внедрённые в рамках дистанционного здравоохранения, способны помогать медицинским работникам в персонализации, расширении и эффективном применении реабилитационных услуг. Данные системы применяют алгоритмы ИИ для разработки и реализации персональных программ реабилитации, которые адаптируются к индивидуальным потребностям пациентов [66, 67]. Процесс разработки включает интеграцию множества технологических компонентов, в том числе средства видеоконференцсвязи, носимые датчики и аналитику ИИ. Анализ данных позволяет разрабатывать персонализированные планы реабилитации, которые под контролем мультидисциплинарной комиссии способны динамически корректироваться на основе текущих показателей и прогресса [66, 67]. Например, ИИ может в режиме реального времени изменять режим упражнений в соответствии с текущими возможностями пациента или давать конкретные рекомендации по их выполнению, основываясь на обнаруженных ошибках и отклонениях от требований, выявленных в паттернах движения [66]. Реализация таких платформ предполагает интеграцию аппаратных и программных компонентов, что требует надёжных интерфейсов для связи между ИИ и устройствами пользователя. Кроме того, платформы должны быть рассчитаны на безопасную и эффективную обработку больших объёмов данных, обеспечивая защиту информации о пациенте и позволяя осуществлять обратную связь и мониторинг в режиме реального времени [68, 69].

Дистанционная оценка когнитивных и функциональных возможностей — важнейший компонент платформ телереабилитации на базе ИИ [70]. Для оценки таких когнитивных функций, как память и концентрация внимания, часто используются инструменты, управляемые ИИ, которые анализируют ответы на интерактивные задания, речевые и поведенческие параметры [70]. Анализ проводится с помощью цифровых интерфейсов, включающих онлайн-тесты и среды виртуальной реальности, что обеспечивает проведение точной и эффективной оценки когнитивных функций [71]. Для определения физических показателей используются данные с носимых устройств и видеоанализ для определения двигательных навыков, особенностей походки и уровня физической активности [71]. Алгоритмы ИИ обрабатывают полученные данные о паттернах движений, выявляя нарушения и отслеживая изменения в режиме реального времени. Например, модели МО могут анализировать паттерны походки для выявления отклонений от нормального движения, что позволяет отслеживать динамику восстановительных мероприятий и необходимость корректировки терапии [71]. Применение систем дистанционной оценки способствует непрерывному мониторингу и позволяет в режиме реального времени корректировать программы реабилитации, основываясь на актуальных данных о пациенте. Такой подход гарантирует, что реабилитационные программы остаются актуальными и эффективными по мере продвижения пациентов по пути выздоровления [70, 71].

Несмотря на то, что платформы для телереабилитации на основе ИИ предлагают множество преимуществ, они также сталкиваются с серьёзными проблемами, связанными с подключением и соблюдением требований пациентами. Неполадки с подключением могут возникать из-за разной скорости Интернета, совместимости устройств и технических проблем, что способно оказать негативное влияние на качество удалённого взаимодействия и передачи данных [72]. Обеспечение стабильного и надёжного соединения имеет решающее значение для эффективности телереабилитации, поскольку перебои в функционировании могут помешать обратной связи и мониторингу в режиме реального времени. Ещё одной сложностью является соблюдение пациентом установленных правил, поскольку дистанционная реабилитация требует высокой самомотивации и приверженности к выполнению предписанных упражнений и проведению оценок [72]. Управляемые ИИ платформы решают данную проблему посредством включения функций напоминания, мотивирующей обратной связи, игровых элементов и механик в неигровых контекстах для повышения мотивации, вовлечённости, продуктивности и достижения целей [73]. Для решения этих проблем платформы телереабилитации должны иметь удобный интерфейс, надёжную техническую поддержку и стратегии, направленные на устранение барьеров, препятствующих соблюдению режима лечения. Эффективное обучение и поддержка как пациентов, так и медицинских работников необходимы для максимального использования потенциала телереабилитации на основе ИИ и обеспечения желаемой эффективности для восстановления пациентов [73]. Телереабилитационные решения на базе ИИ позволяют проводить интерактивные сеансы терапии и удалённый мониторинг, что делает реабилитацию более доступной для пациентов, не имеющих возможности посещать стационары.

Этические и нормативные аспекты интеграции технологий искусственного интеллекта в реабилитацию пациентов после инсульта, а также связанные с ними ограничения

Интеграция ИИ в лечение пациентов после инсульта влечёт за собой ряд этических, правовых и нормативных вопросов, которые должны быть решены для обеспечения её эффективного применения [74–76]. С этической точки зрения использование ИИ в лечении пациентов вызывает обеспокоенность в отношении принципов равенства, прозрачности и отчётности. Обеспечение одинакового уровня доступа к инструментам, использующимся в лечении и реабилитации лиц с инсультом, основанных на технологиях ИИ, имеет решающее значение, особенно в малонаселённых и удалённых от города регионах, где ресурсы системы здравоохранения ограничены [66]. Алгоритмы ИИ должны проходить тщательную разработку и валидацию для предотвращения возникновения необъективных результатов, которые могут привести к снижению эффективности диагностики, лечения и реабилитации после инсульта [66, 75, 76]. Современные модели ИИ зачастую работают автономно и не требуют участия пользователя. Эти системы принимают решения, опираясь исключительно на алгоритмы и обучающие наборы данных. Такой подход осложняет процесс понимания оснований, лежащих в основе их выводов, что вызывает сомнения у специалистов и снижает вероятность внедрения этих технологий в клиническую практику [15, 66].

Конфиденциальность и безопасность данных имеют первостепенное значение при применении ИИ для лечения инсульта. Для эффективной работы ИИ опираются на огромные объёмы данных о пациенте, включая историю болезни, данные визуализации и информацию о мониторинге в режиме реального времени. Крайне важно сохранять высокий уровень защиты данных с целью снижения риска утечек и получения несанкционированного доступа [66]. Кроме того, системы ИИ должны быть разработаны таким образом, чтобы по возможности анонимизировать данные пациентов для дальнейшей защиты их конфиденциальности. Нормативное одобрение и стандарты для инструментов ИИ в лечении инсульта имеют важное значение для обеспечения безопасности и эффективности применения данных технологий [77]. Такие регулирующие органы, как Управление по контролю пищевых продуктов и медикаментов США (Food and Drug Administration, FDA) и Европейское агентство по лекарственным средствам (European Medicines Agency, EMA), играют ключевую роль в экспертизе медицинских устройств и программного обеспечения на основе ИИ, оценивая эффективность и безопасность интеграции данных технологий перед их широким применением в клинической практике [78]. Создание чёткой и всеобъемлющей нормативно-правовой базы, специфичной для ИИ в лечении инсульта, необходимо для установления стандартов валидации, тестирования и мониторинга систем ИИ с целью их более эффективного и широкого применения. Кроме того, необходим постоянный мониторинг инструментов ИИ, используемых в лечении инсульта. Ввиду способности ИИ к самообучению необходим контроль по выявлению и устранению возникающих неполадок, что требует сотрудничества между разработчиками, медицинскими работниками и регулирующими органами для создания протоколов отчётности [1, 79, 80].

ЗАКЛЮЧЕНИЕ

ИИ является инструментом, способным оказать положительное влияние на реабилитацию пациентов после инсульта, а его интеграция в процесс лечения имеет широкие перспективы, однако сталкивается с рядом трудностей, которые необходимо решить для полной реализации его потенциала. Несмотря на такие проблемы, как неоднородность данных и необходимость междисциплинарного сотрудничества, достижения в области технологий ИИ могут способствовать улучшению результатов реабилитации после инсульта.

Прогностическое моделирование восстановления после инсульта, реабилитация с использованием роботизированных технологий, телереабилитация и анализ изображений — технологии, основанные на ИИ, которые способствуют персонализированному лечению, основанному на прогрессе пациента. Инструменты, основанные на ИИ, могут персонализировать реабилитацию, способствовать нейропластичности и поддерживать регенеративную медицину, способствуя улучшению состояния пациентов. Интеграция ИИ в лечение последствий инсульта представляет собой преобразующий шаг к улучшению оказания медицинской помощи и результатов восстановления пациентов, перенёсших инсульт.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. Гриненко Т.Б. — определение концепции, разработка методологии, написание черновика рукописи, визуализация; Красовская Ж.Д. — определение концепции, написание черновика рукописи; Салимгариева А.А. — пересмотр и редактирование рукописи; Филиппов А.А. — определение концепции, написание черновика рукописи, пересмотр и редактирование рукописи; Хакимов Р.Р. — анализ данных, разработка методологии, определение концепции; Лутфарахманов И.И. — руководство исследованием, валидация, пересмотр и редактирование рукописи; Кагарманова А.И. — работа с данными, написание черновика рукописи, администрирование проекта; Файзуллина А.Р. — разработка методологии, работа с данными, анализ данных, написание черновика рукописи; Атласова А.Э. — определение концепции, работа с данными, пересмотр и редактирование рукописи; Мелокян Л.С. — разработка методологии, написание черновика рукописи, пересмотр и редактирование рукописи; Курносых Р.А. — определение концепции, анализ данных; Каримова К.О. — написание черновика рукописи, пересмотр и редактирование рукописи; Уряева Э.П. — написание черновика рукописи, пересмотр и редактирование рукописи. Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Не применима.

Источники финансирования. Отсутствуют.

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов (личных, профессиональных или финансовых), связанных с третьими лицами (коммерческими, некоммерческими, частными), интересы которых могут быть затронуты содержанием статьи, а также иных отношений, деятельности и интересов за последние три года, о которых необходимо сообщить.

Оригинальность. При создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, иллюстрации, данные).

Доступ к данным. Все данные, полученные в настоящей работе, доступны в статье.

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена по обычной процедуре. В рецензировании участвовали два внешних рецензента, член редакционной коллегии и научный редактор издания.

ADDITIONAL INFORMATION

Author contributions: T.B. Grinenko: conceptualization, methodology, writing — original draft, visualization; Zh.D. Krasovskaya: conceptualization, writing — original draft; A.A. Salimgarieva: writing — review & editing; A.A. Filippov: conceptualization, writing — original draft, writing — review & editing; R.R. Khakimov: formal analysis, methodology, conceptualization; I.I. Lutfarakhmanov: supervision, validation, writing — review & editing; A.I. Kagarmanova: data curation, writing — original draft, project administration; A.R. Faizullina: methodology, data curation, formal analysis, writing — original draft; A.E. Atlasova: conceptualization, data curation, writing — review & editing; L.S. Melokyan: methodology, writing — original draft, writing — review & editing; R.A. Kurnosykh: conceptualization, formal analysis; K.O. Karimova: writing — original draft, writing — review & editing; E.P. Uryaeva: writing — original draft, writing — review & editing. All the authors approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: Not applicable.

Funding source: None.

Disclosure of interests: The authors declare no relationships, activities, and interests in the last three years with third parties (commercial and non-commercial) whose interests may be affected by the content of the article.

Statement of originality: In creating this work, the authors did not use previously published information (text, illustrations, data).

Data availability statement: The editorial policy regarding data sharing does not apply to this work, and no new data was collected or created.

Generative AI: Generative AI technologies were not used for this article creation.

Provenance and peer-review: This paper was submitted to the journal on an unsolicited basis and reviewed according to the usual procedure. Two external reviewers, a member of the editorial board, and the scientific editor of the publication participated in the review.

About the authors

Tatyana B. Grinenko

Pavlov First Saint Petersburg State Medical University

Author for correspondence.
Email: gr1nencko.tat@yandex.ru
ORCID iD: 0009-0004-5213-3689
Russian Federation, Saint Petersburg

Zhanna D. Krasovskaya

Pavlov First Saint Petersburg State Medical University

Email: jankinkra@gmail.com
ORCID iD: 0009-0003-3851-6766
Russian Federation, Saint Petersburg

Anna A. Salimgarieva

Izhevsk State Medical Academy

Email: desenko@yandex.ru
ORCID iD: 0009-0000-5320-3168
Russian Federation, Izhevsk

Artem A. Filippov

Izhevsk State Medical Academy

Email: artem14090@yandex.ru
ORCID iD: 0009-0005-3830-8312
Russian Federation, Izhevsk

Riyaz R. Khakimov

Izhevsk State Medical Academy

Email: piranya200@gmail.com
ORCID iD: 0009-0006-9480-668X
Russian Federation, Izhevsk

Ildar I. Lutfarakhmanov

Bashkir State Medical University

Email: lutfarahmanov@yandex.ru
ORCID iD: 0000-0002-5829-5054
SPIN-code: 8047-1348

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Ufa

Alfiza I. Kagarmanova

Bashkir State Medical University

Email: a.sun06072@gmail.com
ORCID iD: 0009-0000-5876-9603
Russian Federation, Ufa

Aigul R. Faizullina

Bashkir State Medical University

Email: cwosl@mail.ru
ORCID iD: 0009-0008-5126-6024
Russian Federation, Ufa

Azaliya E. Atlasova

Izhevsk State Medical Academy

Email: atlazalia1@gmail.com
ORCID iD: 0009-0003-7807-8203
Russian Federation, Izhevsk

Liana S. Melokyan

Razumovsky Saratov State Medical University

Email: melokyanliana@mail.ru
Russian Federation, Saratov

Ruslan A. Kurnosykh

Burdenko Voronezh State Medical University

Email: bchemadicted@gmail.com
ORCID iD: 0009-0005-2377-9453
Russian Federation, Voronezh

Ksenia O. Karimova

Bashkir State Medical University

Email: kstepanov1@yandex.ru
ORCID iD: 0009-0006-7048-0937
Russian Federation, Ufa

Elvira P. Uryaeva

Kazan State Medical University

Email: uryeva@bk.ru
ORCID iD: 0009-0006-8960-7897
Russian Federation, Kazan

References

Supplementary files