人工智能在增龄相关衰弱患者康复中的应用专家共识

1 引言

随着人口老龄化加速，以多系统功能储备下降为特征的老年衰弱严重损害老年人的功能，影响生活质量。中国60岁及以上人群衰弱、衰弱前期的发生率分别达7.0%、43.0%，与跌倒、失能等不良事件显著相关，研究表明衰弱是可防可逆转的，由于其具有隐匿性和进展性，因此需要早期识别与精准干预具有极其重要的意义[1]。由于传统干预手段可在可及性、效率、个体化上尚有局限，因此需智能化干预支持[2]。

人工智能(AI)及智能康复技术在医学领域潜力显著，可通过多模态数据集成与特征提取，实现衰弱早期识别、动态监测及个体化干预推荐，结合可穿戴设备、语言识别等技术，辅助判断体能衰弱、评估认知情绪，还能管理远程康复依从性，推动“集中治疗”向“居家主动康复”转变[3]。目前AI应用存在评估标准不统一等问题，故制定本共识，旨在明确老年衰弱定义及四维分类、梳理AI关键应用场景、提出AI辅助康复策略，为临床医生、技术开发者等提供跨学科指导，适用于老年衰弱筛查、远程干预等场景[4]。

2 衰弱的定义

2.1衰弱的主要定义模型

国际上衰弱定义基于两种经典模型:一是Fried等提出的衰弱表型模型，以体能减退为核心，通过

非故意体重下降、疲劳感、肌力减弱、步速减慢、身体活动减少五项特征诊断，三项及以上为“衰弱”，一至两项为“前期衰弱”，操作简便，适用于人群筛查;二是Rockwood等提出的累积缺陷模型(FI),认为衰弱是多系统健康缺陷累积的结果，以“健康缺陷项数/总评估项数”量化评分，涵盖多领域，适用于多维评估与动态随访[5-7]。

2.2 多维衰弱

随着老龄化程度加深及对衰弱机制认识的深入，衰弱已逐渐被视为一个多维度的功能脆弱状态，不仅包括身体层面的体能下降，也涉及认知功能障碍、心理调节能力减退及社会支持系统缺失等方面。研究发现，这些非体能因素在衰弱的发生、发展和逆转中同样起着关键作用${}^{[8]}$。

衰弱作为一种以体能、认知、心理及社会功能多维下降为基础的老年综合征，其识别不应局限于传统体能视角[9]。多维衰弱能够更全面反映老年人整体功能状态，并为人工智能辅助识别与个体化康复干预提供清晰路径。本共识建议，在衰弱患者康复管理中，进行多维度评估，并结合数字化工具开展动态监测与精准干预。

在此背景下，多维衰弱逐渐成为共识性评估框架。多维衰弱在老年衰弱识别中展现出更高的敏感性和针对性，有助于开展全方位、多策略的康复干预。多维衰弱将衰弱划分为四个核心维度。见表1。

表1增龄相关衰弱的四个维度

Table 1 Four dimensions of aging-related frailty

|维度|描述内容|常用评估工具| |---|---|---| |躯体衰弱|肌肉减少、耐力下降、活动能力减退|握力、步态速度、SPPB| |认知衰弱|注意力、记忆力及执行功能等认知能力下降|MoCA、MMSE、Trail-Making Test| |心理衰弱|情绪低落、焦虑、心理韧性降低|GDS、PHQ-9、心理弹性量表| |社会衰弱|社交活动减少、孤独感增强、社会网络缩小|Lubben社会网络量表、主观孤独评分|

3 共识制定方法

本共识的制定严格遵循循证医学和专家共识制定的基本原则，通过组建多学科专家团队、系统检索循证证据、结合临床经验与实践反馈，最终形成兼具科学性、实用性与可操作性的专家建议。

3.1专家组组成

本共识由来自全国多家三级综合医院、康复医学中心、人工智能研发机构、老年医学与健康管理领域的专家组成。专家组成员包括康复医学、老年

医学、神经科学、运动医学、人工智能、临床流行病学等多学科背景，具备丰富的临床、科研与工程开发经验，确保共识内容的专业性与交叉融合性。

专家组成员职责包括:参与共识框架制定、核心内容撰写与审阅、推荐意见的形成与等级划分，并对共识稿进行多轮审议与修改，确保最终形成统一意见。

3.2循证流程与文献检索

共识制定依循循证医学工作流程，参考英国牛津大学循证医学中心(CEBM)等国际规范，确保推

黄丽萍等:人工智能在增龄相关衰弱患者康复中的应用专家共识

荐意见具有循证依据与方法学透明性。

文献检索由专家组制定检索策略，涵盖中文数据库(如中国知网、万方、维普)与英文数据库(如Pub Med、Web of Science、EMBASE、Cochrane Li-brary)等，时间范围为2000年1月至2025年4月。关键词包括但不限于:“frailty”、“aging”、“rehabilita-tion”、“artificial intelligence”、“智能康复”、“老年衰弱”、“AI辅助评估”、“认知干预”、“步态识别”等。

纳入文献类型包括系统评价、Meta分析、随机对照试验、前瞻性队列研究、专家共识、实践指南及高水平应用研究等。对各主题的循证证据进行质量评价，并综合专家临床经验和现实可行性提出推荐意见。

3.3推荐等级与证据分级标准

本共识采用CEBM提出的证据等级与推荐强度标准。见表2-3。该分级系统广泛用于临床指南与专家共识制定，具有科学性与可操作性。

所有共识条目均在专家组充分讨论、投票基础上形成推荐意见，采用Delphi法达成一致意见。推荐等级与证据等级在每条核心建议后单独标注,便于读者理解与参考。

表2 CEBM证据等级

Table2 CEBM Evidence level

|等级|描述| |---|---| |1a 级|同质性系统综述（随机对照试验 RCTs）| |1b 级|高质量单个 RCT 或 N-of-1 trial| |2a 级|同质性队列研究系统综述| |2b 级|单个队列研究（含低质量 RCT）| |3a 级|同质性病例对照研究系统综述| |3b 级|单个病例对照研究| |4级|病例系列、低质量队列/病例对照研究| |5级|专家意见、基础研究、未批判性评估的证据|

表3 CEBM 推荐强度

Table3 CEBM Evidence level

|推荐|含义| |---|---| |等级|| |A级强推荐,依据高质量证据,适用于大多数情境|| |中等强度推荐,有中等质量证据支持,需结合个体情况判断|| |中等强度推荐,有中等质量证据支持,需结合个体情况判断|| |C级弱推荐,依据较低质量证据,建议权衡利弊后使用D级极弱推荐,不推荐,证据支持不足或不一致||

4 人工智能在多维衰弱中的关键技术与系统构成

随着老年衰弱研究从单一体能表型向多维功

能状态扩展,人工智能技术在衰弱评估与干预中的应用也从静态筛查向多维感知、动态建模与智能决策不断推进。本部分将围绕多维衰弱的结构特征，探讨人工智能在其评估与管理中所涉及的核心技术路径与系统架构逻辑。

4.1 多维衰弱与人工智能技术适配逻辑

多维衰弱模型将老年衰弱划分为躯体、认知、心理与社会四个功能维度，不同维度对感知方式和评估方法的依赖不同。传统量表虽可提供初步判断，但难以实现动态监测与深层识别。人工智能技术可分别对应各维度构建感知通道:通过可穿戴设备和视频分析监测步态与体力变化，辅助评估躯体衰弱;通过语言识别、任务执行数据分析认知功能;通过语音语调、交互节律感知心理状态;通过社交活动频率、孤独感问卷等数据推测社会支持水平，形成更具精度和可扩展性的多维评估机制。

人工智能在衰弱识别与康复管理中的核心优势在于多模态数据融合、高频动态监测与个体模型的持续优化。与传统静态评估不同,AI系统可连续追踪个体在真实生活场景中的功能状态,挖掘潜在的衰弱信号并形成预测模型,从而实现早筛预警、风险分层和个性化康复推荐。同时,人工智能可结合时间序列分析与深度学习技术,实时更新个体状态变化轨迹,为临床干预时机判断与路径优化提供辅助支持,提升整体康复效率与响应精度。

基于上述能力，人工智能可在“量表+”的框架下实现衰弱评估的结构化、连续化与对象化转型。即在传统评估体系的基础上，借助AI构建面向“人”的多维状态画像，推动衰弱管理从“阶段式判断”转向“过程性监测”。这种模式为下一步智能化康复干预、远程随访管理、风险预测模型构建等提供基础支撑，也为老年健康管理向精准化与主动化发展奠定技术基础。

4.2 AI技术类型及其在衰弱管理中的作用

AI技术在衰弱管理中的应用覆盖了从多模态数据采集到智能分析,再到个性化干预的全流程。不同技术类型针对衰弱的躯体、认知、心理、社会四个维度管理提供精准支持,推动老年健康管理向智能化、个体化方向发展 ${}^{[10]}$ 。

智能可穿戴技术通过高精度传感器采集衰弱人群日常活动过程中的数据,然后解析出肢体的关节运动幅度、肢体的力量强弱、行走过程中的步速/步长、躯体重心的运动摇摆幅度等,并利用卷积神

经网络和时间序列分析等模型与人工智能算法，识别老年人步态中的微幅异常，从而实时监测身体跌倒状态和躯体衰弱程度 ${}^{[10]}$ 。借助自然语言处理与认知判别技术在识别认知衰弱和心理衰弱方面具有独特优势 ${}^{[12]}$ 。基于Transformer架构，根据语音交互任务中的数据分析衰弱人群的语言特征，例如语速、语调、词汇丰富度、重复提问、代词混淆等表现实认知障碍早期筛查，也可利用语音基频波动感知情绪波动 ${}^{[13]}$ ;利用计算机视觉可捕捉和分析衰弱对象的面部微表情，量化对象的抑郁/焦虑等状态，提前发现心理状态的变化，并为认知训练和心理咨询介入提供触发信号;基于智能手机或智能家居设备的数据构建衰弱个体社交网络动态模型，识别“社会隔离”高风险人群 ${}^{[14]}$ 。

单一的模态在不同的维度具有各自的特色，可同时基于多模态融合获取更丰富的特征信息，提升对衰弱患者状态判断准确率。利用知识图谱和基于大模型的因果推理技术，可以整合采集得到多模态数据，从而建立衰弱人群的多维评估指标与干预措施的关联网络，从而提供融合运动、认知和心理等多维度支持的综合个性化干预 ${}^{[15]}$ 。

4.3多模态AI评估系统的典型构成架构

多模态AI评估系统的感知层通过集成智能手环、sEMG肌电监测仪、RGB-D摄像头、红外热成像仪、智能音箱、智能家居等传感器采集步态、肌力、语音、情绪及日常活动等多维度数据，同时利用深度学习数据增强、多模态数据时间戳对齐等方法处理原始数据 ${}^{[16-17]}$ 。为了提高AI算法识别的精度，针对运动类传感信号，利用去噪滤波、动作分割、时空归一化保证数据具有更高信噪比和统一结构;对于语音数据可通过端点检测、语音增强和文本转录提取基频、语速等韵律特征和词汇密度、句法复杂度语言特征;同时采用OpenPose模块等提取视频中的被检测对象的关节角度时序列序，确保异构的多模态数据对齐和融合的可行性。

在AI的引擎层，采用Transformer的多头注意力机制可有效整合视觉、听觉、生理电信号和物理传感的跨模态特征，通过交叉注意力权重分配捕捉各维度衰弱信号的协同与补偿关系。利用时序卷积网络(TCN)模块可分析生理参数的长期变化趋势，利用图神经网络(GNN)建模不同评估指标间的拓扑关联;此外引擎层引入知识图谱技术进一步强化了可解释性，比如可将“步速下降+社交减少→跌倒

风险上升”等临床经验编码为规则约束，确保AI推理符合医学逻辑 ${}^{[18]}$ 。

评估层将AI引擎输出的数字特征映射为Fried衰弱表型评分、MMSE认知分数，实现机器数据与传统评估工具的桥梁连接。为了综合考虑衰弱对象各维度偏离程度与发展状态，在评估层采用模糊逻辑算法划分风险等级，并输出多级预警及对应的置信区间。基于评估指标和患者历史评估结果，利用自然语言生成技术自动生成包含趋势图表、风险雷达图和干预建议的图文报告，并针对管理者和衰弱对象给出更符合使用需求的版本 ${}^{[19-20]}$ 。

系统引入干预引导层后形成了“评估-干预-再评估”的闭环管理，该层的智能推荐引擎依据评估结果动态调整康复方案。对于躯体衰弱主导型患者，系统自动匹配个性化训练计划，例如通过AR眼镜实时纠正动作偏差;存在认知-心理障碍的衰弱患者则会收到认知训练和情绪调节任务。推荐算法通过历史干预效果、设备可用性及个人偏好数据，采用强化学习框架持续优化策略。任务分配机制引入“能力-挑战”平衡模型，确保康复任务难度与患者康复状态处于适配区间。将所有干预过程形成的反馈数据再次流入评估层，构成持续优化的智能增强环路[21]。

4.4 AI评估系统与智能设备的集成方式

人工智能(AI)评估系统与智能康复设备的深度融合，正引领康复医学进入精准化、个性化和动态化的新时代，尤其在多维衰弱老年人群的康复需求中体现更为突出。上述章节围绕AI在多维衰弱评估中的技术可行性进行了介绍，本部分内容主要明确AI评估系统与智能康复设备的集成框架与应用原则。

在核心集成框架上，以康复机器人为代表的智能康复设备可作为多模感知输入和任务执行终端，而AI评估系统则作为智能分析与决策中枢，实现了“感知-决策-执行”的个体化闭环康复路径。在感知输入上，康复机器人通过嵌入式力/力矩传感器、惯性测量单元(IMU)、表面肌电图(sEMG)、脑电图(EEG)、视觉传感器等多种感知手段，实时获取患者运动学(关节角度、速度、轨迹)、动力学(力量、扭矩、压力分布)、生理信号(脑电活动、肌电活动、心率变异性)及行为数据(依从性、互动模式)。在分析决策上，AI评估系统作为集成设备的决策中枢，首先运用机器学习算法实现多源异构数据的融合

黄丽萍等:人工智能在增龄相关衰弱患者康复中的应用专家共识

与深度解析，然后基于提取的模式与特征生成个体化康复画像，构建涵盖运动功能、神经可塑性潜力、认知-情绪状态、适应性行为的动态个体化康复模型[22],最后基于康复画像与预设目标智能生成并动态调整机器人训练参数(如辅助等级、任务难度、训练模式)及非物理干预建议(如认知任务、反馈内容)。在任务执行上，康复机器人依据AI系统指令，动态调整辅助力、运动范围、轨迹引导、阻力/助力模式等治疗参数[23],提供安全、可控的康复治疗。

在临床应用上，目前结合AI评估的智能康复设备已有初步应用，例如结合运动想象脑机接口[24]、康复机器人[25]和虚拟现实[26]的运动认知联合康复系统，可通过实时监测患者认知状态来动态调整训练难度。在应用推广的原则上，亟需建立康复机器人数据采集规范、通信协议及AI模型验证评估标准，促进不同系统间数据共享与模型迁移，实现人机协同决策系统并保证临床医生的最终决策权与监督权，确保治疗安全、有效且符合伦理。

5 多维衰弱的人工智能辅助评估路径与操作标准

5.1.躯体衰弱的AI评估与监测

躯体衰弱是老年衰弱的核心维度之一。传统评估方法虽具有临床价值，但存在主观性强、动态监测能力不足等局限。人工智能技术通过多模态数据整合与机器学习算法，可实现对躯体衰弱的客观化、连续化评估，显著提升早期识别与干预效率。人工智能在躯体衰弱评估中主要依赖三类技术路径:(1)基于Kinect、RGB-D摄像头等设备的步态分析系统能够精准估计步速、步长、步幅周期及步态对称性等多维度运动参数，并通过构建深度学习模型对步态异常模式进行识别，临床结果表明，该技术能够有效识别老年人的衰弱表型[27-28]。(2)使用加速度计、惯性传感器等可穿戴式设备采集日常活动数据，通过建立机器学习模型对躯体运动表现进行评估，临床研究表明，该技术能够实现对老年人躯体衰弱程度的精准估计与衰弱趋势的有效预测[29-30]。(3)利用智能握力器、压力板等力量检测平台采集老年人的力数据，结合力动态变化特征提取和回归模型对躯体肌肉功能进行量化分析，临床实验表明，该技术能够准确预测躯体衰弱变化，力特征与衰弱进展显著相关[31-32]。此外，AI系统可通过多源数据融合建立躯体功能基线模型，实时检测阈

值偏离事件，并通过结合远程康复反馈机制和监测结果自动调整康复计划，实现躯体衰弱的动态干预[33]。从临床可行性角度看，AI辅助的躯体衰弱评估具备较好的实施条件。基于计算机视觉的步态分析系统可适配现有体检环境，无需复杂改造;可穿戴设备轻便易用，适合社区和居家场景;智能力量检测操作简便，便于门诊快速筛查。躯体衰弱的AI评估与监测具有良好的临床应用前景。

5.2 认知衰弱的AI评估与筛查

认知衰弱作为多维衰弱的核心维度之一,表现为注意力、执行功能、记忆与语言流畅性等认知域的渐进性下降。传统筛查工具(如MoCA、MMSE)虽广泛应用，但存在天花板效应、文化偏倚及静态评估局限,难以捕捉早期认知波动与微观行为变化[34]。人工智能的引入,为认知衰弱的动态识别与精准分层提供了新路径。AI评估路径以多模态行为数据采集为基础，首先通过数字认知测评系统(如CogniFit、BrainHQ)在居家或社区环境中部署标准化任务，记录用户反应时间、任务准确率、学习曲线等指标。系统基于强化学习算法动态调整任务难度，实现“千人千面”的个性化测评，避免传统量表的“一刀切”问题。其次，自然语言处理(NLP)技术被用于分析语音与文本数据中的认知特征。通过语音节奏、词汇多样性、语义连贯性等维度建模，AI可在日常对话或语音交互中实时识别认知衰退信号。例如，老年人的对话中若频繁出现词不达意、重复提问等现象，系统可自动标记为潜在认知风险，并触发进一步评估。此外，智能设备行为分析通过被动采集手机、平板或可穿戴设备的使用数据(如应用切换频率、短信长度、导航路径复杂度)，构建“数字行为画像”。研究表明，认知下降者的设备使用模式呈现明显的规律性下降与错误率上升，AI模型(如LSTM+Attention)可据此预测未来数月的认知衰退风险[35]。最后，多模态融合模型整合影像(如脑MRI海马体积)、行为(任务表现)、生化(血浆Aβ42/40比值)等数据，通过图神经网络(GNN)等建模方式跨模态关联，实现认知衰弱的早期预警与亚型分型。

5.3 心理衰弱的AI评估路径

心理衰弱以情绪调节能力下降、抑郁/焦虑倾向及心理韧性降低为特征,传统评估依赖GDS、PHQ-9等量表,易受社会期望偏倚及主观报告影响。AI技术通过非侵入式情绪识别与被动行为监测,实现

了对心理状态的客观、连续评估。语音分析为情绪识别核心技术之一。系统通过分析声学特征(基频、语速、停顿频率)及语义情感(如负面情绪词汇占比),在老年人与AI语音助手(如智能音箱、电话机器人)的日常交互中实时检测抑郁或焦虑倾向，但需注意方言适配与听力障碍人群的语音预处理。同时，面部微表情分析通过摄像头捕捉面部动作单元(如AU12嘴角上扬、AU15嘴角下垂)，结合深度卷积网络识别瞬时情绪状态 ${}^{[36]}$ 。居家场景中，电视内置摄像头或陪伴机器人可定期采集5秒短视频，分析“微笑持续时间”、“中性表情占比”等指标，动态追踪情绪变化。隐私保护需通过边缘计算实现本地处理，避免原始图像上传。此外，可穿戴设备生理监测补充客观指标。例如通过光电容积图(PPG)传感器采集心率变异性(HRV),结合睡眠监测数据(如夜间觉醒次数),AI模型(如XGBoost)可识别慢性压力或抑郁相关生理模式。研究发现，HRV低频/高频比值(LF/HF)持续>2.5且伴随睡眠碎片化者，其GDS评分显著升高 ${}^{[37]}$ 。社交行为数据挖掘进一步拓展评估维度。通过分析智能手机的通话频率、短信情感极性或社交媒体互动量，AI可量化“社交退缩”程度 ${}^{[38]}$ 。例如，连续两周通话次数低于个人基线50%且短信情感得分负向偏移>30%，系统可标记为“社会孤立高风险”，提示心理衰

弱可能性。

5.4 社会衰弱的AI辅助识别策略

传统的社会衰弱评估方法主要依赖问卷调查和临床观察，其面临的主要挑战包括三个方面:主观评估偏差、数据碎片化和实时监测困难 ${}^{[39]}$ 。AI技术的引入通过多模态数据融合、动态适应性测试和情感计算等方法，量化个体在社会关系网络中的位置和连接特征，客观反映其社会嵌入程度，从而捕捉更真实全面的关系动态，减少自我报告偏差，显著提升社会衰弱评估的准确性和预测价值。

AI辅助识别的优势主要体现在以下几个方面:1)客观性增强:利用智能设备采集的行为数据(如外出频率、电子病历等)能够有效减少主观报告偏差[40];2)个性化干预支持:情感AI,通过多模态数据(如语音、表情、生理信号等)分析人的情绪状态,并对话机器人识别孤独感 ${}^{[41]}$ ;3)动态监测与早期预警:智能穿戴设备和移动终端已成为监测个体社会参与行为的无感化工具，通过持续数据采集，整合社交网络分析、活动监测，实现社会参与变化的实时追踪和趋势预测，生成社会隔离风险预警 ${}^{[42]}$ 。总之，AI辅助识别正在重塑社会衰弱的管理模式，其核心价值不仅是技术替代，更是通过数据洞察揭示人类难以察觉的社会功能退化规律，为“早发现-早干预-早康复”提供科学路径。见表4。

表4增龄相关衰弱的四维AI辅助识别策略

Table4 A four-dimensional AI assisted identification strategy for aging-related frailty

|维度|核心指标|数据来源|技术路径|挑战| |---|---|---|---|---| |躯体衰弱|肌力、步速、耐力|传感器、可穿戴设备|动作捕捉+机器学习|硬件成本高| |认知衰弱|记忆力、注意力、执行功能|语音、眼动、神经影像|NLP+图像分析|解释性差| |心理衰弱|情绪状态、抑郁/焦虑水平习|语音、文本、行为日志|情感计算+行为建模|主观偏差大| |社会衰弱|社交频率、支持网络强度|社交数据、GPS、电子病历|社交网络分析+文本挖掘|隐私问题突出|

5.5 AI辅助评估操作流程与参数标准

AI辅助评估的操作流程主要包含以下几个步骤(图1):

首先进行数据收集，通过电子病例系统、可穿戴设备、调查问卷、日常行为活动视频等多源信息，完成躯体、认知、心理、社会等衰弱数据整合。

其次进行数据处理与特征提取，完成对整合数据的缺失值处理与异常值修正，进而从原始数据中提取情感与社会功能指标，形成结构化特征向量。对于电子病历中可能存在的缺失数据，若缺失比例较小，可采用均值填充、多重填补等方法进行处理，例如，对于可穿戴设备数据，若某段时间的步数数

据缺失,可利用前后时间点的数据进行线性插值估算。

然后，完成风险建模，计算多维度衰弱的概率与风险等级，如慢性疾病数量越多、患病年限越长，衰弱风险越高;药物使用种类繁杂可能提示老年人健康状况不佳，存在衰弱可能。

最后，进行衰弱评估与结果反馈。将新收集的老年人数据，按照上述流程进行处理后，输入到训练好的AI模型中，输出该老年人的衰弱评估结果，包括衰弱的风险等级(如低风险、中风险、高风险)或衰弱指数评分。并定期进行重复评估，对比不同时间点的评估结果，监测老年人衰弱状态的变化趋

黄丽萍等:人工智能在增龄相关衰弱患者康复中的应用专家共识

势。若发现老年人的衰弱风险等级上升或衰弱指数评分增加,及时发出预警信号,提示医护人员或照护人员关注老年人的健康状况变化,调整相应的干预措施。

此外,在利用AI辅助进行多维度衰弱评估的同

<EndOfPara>时,也需重点关注风险防范,如隐私与数据安全风险、算法偏见与误判风险、伦理与社会风险等,并通过技术优化、伦理规范和制度保障来完成协同应对。

 图1 AI辅助评估操作流程

Figure 1 AI-assisted evaluation operation process

6 多维衰弱的人工智能干预推荐

6.1 适应证与禁忌证

人工智能技术作为辅助康复工具,在多维衰弱人群中的干预应用需明确适应范围与安全边界。其适应证主要涵盖:明确诊断为衰弱或前期衰弱状态的老年人(依据Fried标准、FrailtyIndex、四维评估

<EndOfPara>等);存在体能下降、认知轻度障碍、情绪低落或社交参与不足等单一或多维度功能减退表现者;具备基本沟通与设备操作能力,可完成简单指令响应者;处于术后恢复期、跌倒高风险状态或慢病多病共存的高龄老年人,需远程评估与康复管理支持;居住在社区、机构或居家环境中,需个性化干预方案与持续监测支持,且具备数字设备使用能力(或

有家属/照护者辅助操作)的人群。尤其在传统康复资源有限、需提升康复依从性与远程管理能力的场景中，AI辅助干预的应用价值更为突出。

而禁忌证则包括:急性或进行性疾病不稳定期(如急性心脑血管事件、严重感染);严重认知障碍或意识障碍，无法配合交互、理解干预内容者;存在精神疾病急性发作期或严重行为问题(如攻击行为、幻觉妄想);重度视力、听力或言语障碍，无法进行基本人机交互的个体;拒绝接受AI辅助干预或伦理意愿不明者;评估结果显示干预设备存在高度依赖风险或操作困难者。上述适应与禁忌标准需结合专业评估与个体差异动态判断，对边界状态个体，应由临床康复医师或多学科团队综合评估后决定AI干预是否介入，并做好风险告知与替代方案预案。

6.2 躯体衰弱干预中的AI推荐

躯体衰弱是老年人群常见衰弱类型，核心特征为肌肉力量下降、步速减慢、平衡减弱、体力活动减少及运动耐力降低。它会增加老年人应激易感性，提升跌倒、失能、死亡风险及照护费用，但及时干预可逆转部分功能退化，康复目标聚焦于提升下肢肌力、步行能力等，强调安全监护下重建功能。

6.2.1推荐干预技术 AI可通过多种计算机技术提升老年人独立性、监测健康 ${}^{[43-44]}$ ，其智能康复设备在躯体干预中优势显著。外骨健康复机器人结合表面肌电图(sEMG)和脑电图(EEG)，能实时调辅助方案，实现个体化训练 ${}^{[45]}$ ;步态识别系统可自动评估步态指标与跌倒风险;智能减重平台依状态调负重比例。

脑机接口(BCI)借助AI解码运动意图，让机器人“随动”，还能建模预测康复参与度[46]。可穿戴设备便携且传感器丰富，能监测生理数据、预测跌倒风险，还可标准化衰弱量表，结合物联网等评估躯体衰弱[47]，并通过远程医疗实现远程评估[48]。此外，移动健康(mHealth)平台的PF-Life干预可动态调节运动强度，VR和游戏化康复(如BasketballGe-nius游戏)能改善衰弱前期老年人健康 ${}^{[49]}$ 。

外骨骼机器人等适用于三级康复机构;可穿戴设备等适用于远程医疗与居家/社区。亚急性卒中患者和重度衰弱者可按需选AI干预方式，VR等还可用于衰弱前期老年人居家锻炼。

6.2.2临床循证研究一项多中心随机对照试验表明，在缺血性脑卒中患者在传统康复基础上，分

脑机接口组与对照组，以随机化后1个月Fugl-Mey-er上肢评估(FMA-UE)改善差异为主要指标，结果脑机接口组上肢运动功能改善更优 ${}^{[50]}$ 。

镜像神经元VR康复(MNVR-Rehab)系统，对纳入的33例亚性脑卒中患者(试验组18例、对照组15例)进行研究表明，试验组FMA-UE评分及双侧M1区功能连接改善更显著，提示VR可激活镜像神经元系统[51]。

6.2.3共识推荐意见共识建议1:在具备康复评估与安全监管能力的机构中推广使用人工智能辅助的步态训练设备，特别是在存在明显步态减慢与跌倒风险的老年人中。建议在具备专业康复评估与设备条件的机构中推广使用，推荐等级B，证据等级2b级。

共识建议2:建议在存在明确肢体功能障碍的患者中使用外骨骼康复机器人，建议在具备专业康复评估与设备条件的机构中推广使用，推荐等级A，证据等级1b级。

共识建议3:虚拟现实技术(VR)、脑机接口和人工智能游戏建议根据患者具体情况在具备专业康复评估与设备条件的机构中使用，推荐等级B，证据等级2b级。

共识建议4:建议对处于任何阶段的老年衰弱患者使用可穿戴设备，建议居家及社区推广使用，推荐等级A，证据等级1a级。

6.3认知衰弱干预中的AI推荐

认知衰弱多源于额叶功能障碍，常表现为注意力、执行功能及处理速度下降，具体有注意力不集中、学习与记忆能力减退、语言组织能力减弱等[52]。其认知障碍特征随衰弱状态变化:衰弱前期以言语和执行功能障碍为主，衰弱期则呈整体性认知功能障碍[53]。认知衰弱与轻度认知障碍、老年期痴呆关联密切。未干预的认知衰弱人群痴呆风险更高，因具可逆性，成为预防老年人失能与痴呆的关键窗口，早期干预对延缓认知恶化意义重大。康复目标方面，首要通过运动、认知训练、营养支持等维持现有认知水平，延缓衰退，增强认知域神经连接;其次鼓励参与认知刺激活动，提升参与度;最终目标是提高患者日常生活独立性，减轻照护负担。

6.3.1推荐干预技术当前广泛应用的AI干预技术包括:AI认知训练平台，基于神经科学与心理学理论，借助算法与数据分析量化测评核心认知域，制定个性化方案[54];VR+AI认知训练系统，VR提供

黄丽萍等:人工智能在增龄相关衰弱患者康复中的应用专家共识

沉浸式环境,AI实时监测数据并调整场景,增强参与度与干预效力，实现个体化治疗。

可干预阶段的认知衰弱老年人，若保留一定感知与互动能力，适合AI认知干预。AI康复设备潜力显著，但需注重老年用户体验设计(界面适老化、流程简化、按病情适配)^{[5]}。目前AI以监测功能为主，未来需更多纵向研究与真实世界验证，评估长期疗效。

6.3.2 临床循证研究 16名中度认知障碍且处于衰弱前期的老年患者的随机对照试验表明，结合物联网智能训练系统(AIFASE)的干预措施可显著提升下肢肌力与平衡功能。该研究将受试者分为试验组与对照组，试验组在常规体能训练基础上接受了为期12周的AIFASE干预，结果显示该组在肌力与平衡方面取得显著改善。 ${}^{[56]}$ 。

为60岁及以上老年人提供由AI动态调节难度的VR游戏,可显著提升其游戏体验(满意度与参与度)并改善认知功能(反应时间与注意力)。该结论基于一项对89名受试者进行的前后测试比较。${}^{[57]}$。

60名轻度认知障碍老年人的分组研究表明,在接受为期12周的干预后,结合艺术治疗的AI组与VR组在整体认知功能改善上均优于使用传统工具的对照组,其中AI组在言语表达能力方面提升更为显著。${}^{[58]}$。

6.3.3共识推荐意见共识建议5:在具备康复评估能力的机构中，推广使用基于物联网的智能训练系统，以改善衰弱前期老年患者的下肢肌力和平衡功能。推荐等级B，证据等级2b级。

共识建议6:建议在社区及养老机构中应用自适应人工智能技术的交互式训练项目,以提升老年人的注意力、反应能力和参与度。推荐等级B,证据等级2b级。

共识7:建议在具备专业设备条件的机构中开展人工智能与虚拟现实结合的综合艺术治疗，用于改善轻度认知障碍老年人的认知与语言表达功能。推荐等级A，证据等级1b级。

6.4 心理衰弱干预中的AI推荐

<BeginOfPara>心理衰弱受多因素影响，涵盖心理、精神、社会及生理层面脆弱性要素，核心特征为抑郁、焦虑、心理韧性下降及睡眠障碍$^{[59]}$。研究显示，抑郁、焦虑、心理韧性下降与衰弱呈正相关，且心理韧性在男性和高龄人群的社会衰弱与认知结局起中介作用$^{[60-61]}$。其康复干预目标聚焦于缓解负性情绪、增

强心理韧性、改善睡眠结构，最终提升患者生活质量。

6.4.1推荐干预技术当前适用于心理衰弱的AI干预技术主要有三类:一是基于语音、面部表情、脑电信号的情绪识别与监测技术，抑郁、焦虑患者语音存在独特声学特征，通过机器学习与神经网络分析这些特征，可实现无创、便捷、远程的情绪状态识别 ${}^{[62-70]}$ ，相比传统主观量表更具客观性;二是AI驱动的CBT数字心理干预机器人 ${}^{[71-72]}$ ,这类机器人以易获取、可扩展的方式提供全天候心理支持，无需专业医师实时介入，能减少医师工作量，且匿名互动可降低求助污名 ${}^{[73]}$ ;三是AI睡眠-情绪评估反馈系统，借助可穿戴或移动设备，通过生态瞬时报告与被动感知(如睡眠质量、心率变异性)，实时量化心理健康数字表型，经AI算法分析实现情绪与睡眠监测预警 ${}^{[74-75]}$ ,还可推送反馈并融合瞬时干预,助力个性化干预 ${}^{[76]}$ 。

适用人群包括中老年心理衰弱者、独居老年人、认知合并情绪障碍者，可在机构、社区、居家场景开展不同深度的数字心理干预。应用中需重点保护用户隐私、规范伦理管理，结合传统人文心理支持满足不同文化背景需求，同时引入多学科视角、拓展应用场景。

6.4.2 临床循证研究 AI语音分析用于抑郁焦虑识别的研究目前多为横断面和病例对照研究。Riad等 ${}^{[65]}$ 纳入865名健康成年人,AI分析语音数据对抑郁(PHQ-9:AUC=0.76、F1=0.49;BDI:AUC=0.78、F1=0.65)、焦虑(GAD-7:AUC=0.77、F1=0.50)检测效果良好;Lin等 ${}^{[67]}$ 对老年患者的研究显示,每周收集语音样本筛查心理健康(AUC=0.82)具备可行性;Harlev等 ${}^{[69]}$ 针对40名老年抑郁患者，语音特征建模判别能力中等,最优特征与淡漠维度关联最强。

已有多项系统综述阐述了基于AI的聊天机器人对成年人焦虑和抑郁的治疗效果 ${}^{[77]}$ 。Zhong等 ${}^{[78]}$ 分析18项随机对照试验,参与者抑郁与焦虑症状显著改善,8周时效果最优,3个月随访无显著效果;Farzan等 ${}^{[79]}$ 发现Woebot、Wysa等机器人可缓解抑郁焦虑,且在特定人群中效果突出;部分RCT显示其能缓解抑郁和焦虑症状,但与对照组的统计学差异结论不-${}^{[71-72]}$。

Song等${}^{[80]}$ 利用融合了情绪-睡眠监测与反馈功能的健康管理平台对社会脆弱老年人的6周研究显示，睡眠碎片化升高、睡眠效率降低与抑郁风险增

加相关，干预后抑郁、睡眠质量改善;Burton等 ${}^{[81]}$ 的研究中，规律使用Help4Mood系统的抑郁症患者，BDI-2评分中位数降低8分，具有潜在临床意义。

6.4.3共识推荐意见共识建议8:推荐基于AI的认知行为疗法聊天机器人作为辅助手段、用于改善心理衰弱人群的抑郁焦虑症状，特别是在专业治疗师数量不足的地区或不愿在医疗机构接受面对面治疗的人群。但针对老年人群应该提供更直观、易获取的治疗方式以提高参与度和治疗效果，同时也需要解决使用者的流失率高的问题。推荐等级A级，证据等级1a级。

共识建议9:推荐AI睡眠监测系统联合数字心理干预措施用于心理衰弱人群心理健康的长期监测和改善，特别是同时存在焦虑抑郁等情绪障碍和睡眠障碍的老年人。该模式有望在现实生活场景中对目标人群的情绪与睡眠进行实时监测，进而实现个性化、及时性干预。推荐等级B级，证据等级2b级。

共识建议10:推荐AI语音分析用于老年心理衰弱人群的抑郁焦虑的识别并辅助抑郁症的诊断与分类，但未来需要来自多样化语言的更大规模、高质量的纵向数据集来进行模型的验证以提高识别的准确率。推荐等级B级，证据等级3b级。

6.5社会衰弱干预中的AI推荐

社会衰弱是老年衰弱综合征的关键维度，指老年个体社会参与能力持续下降、社会功能衰退的状态 ${}^{[81]}$ 。具体表现为两方面:一是社会资源、社交行为以及自我管理能力等方面的持续缺乏;二是社会交往减少、孤独感增强、数字排斥等核心症状的呈现 ${}^{[82]}$ 。研究证实，长期社会衰弱会增加认知退化、抑郁等风险，影响生活自理能力，是老年健康恶化的独立风险因素，及时干预可逆转不良社会连接 ${}^{[83]}$ 。康复核心目标为提升社会互动频率、增强主动交流意愿、改善社会角色参与、构建数字适应力。

6.5.1推荐干预技术 AI技术驱动的智能康复设备在改善社会衰弱中成效显著，通过精准分析、动态监测与风险预警，从而不断优化个性化康复策略，具体应用包括三类:一是社交陪伴机器人(如El-liQ、Care-O-bot4),集成自然语言处理、情绪识别功能，可模拟人际陪伴并完成简单家务[84];二是AI生活交互系统，基于用户年龄、健康状况生成分级社交任务，从“被动参与”到“主动组织”逐步提升社交主动性 ${}^{[85]}$ ;三是大数据社交参与预测系统，通过分

析智能穿戴、手机使用等行为数据构建模型，识别社会衰弱预警信号并输出风险等级，为精准干预提供依据 ${}^{[86]}$ 。这些技术整合运动、认知及情感干预，能提升衰弱个体依从性与自我效能，还可通过群体任务重建社交网络，缓解孤独与抑郁。

家庭结构小型化导致传统家庭支持弱化，对多病、行动不便的老年人，需强化社区医疗资源与居家健康监测的协同:通过远程技术将专业服务延伸至家庭，依托社区组织邻里互助，结合现有社交网络、信息通信技术游戏、电视/平板通信娱乐平台，形成支持网络。

6.5.2临床循证研究连续三周每周2次、每次15分钟使用Ryan机器人,能显著改善老年人孤独感、提升愉悦感 ${}^{[88]}$ ;AI视觉反馈下的太极-认知交互训练(每周3次、每次60分钟，持续6周)，可改善轻度认知障碍患者整体认知及执行功能 ${}^{[89]}$ 。此外，可穿戴传感器能提升社会衰弱预测准确性:纳入214例60-95岁受试者的研究显示，综合老年评估与步态参数(步速、步长等)结合的机器学习模型，预测社会衰弱效果优于单独使用任一指标 ${}^{[90]}$ ;纳入259名65岁以上受试者的队列研究表明，站立时间百分比、步行节奏等活动特征组合，对识别身体衰弱表型鉴别效度高，可作为筛选和检测的核心数字生物标志物 ${}^{[91]}$ 。

6.5.3共识推荐意见共识建议11:建议在独居或社交频率低的老年群体中，推广使用社交陪伴机器人结合AI任务推送与大数据预测的多模态干预模式，以改善孤独感、愉悦感及社交互动意愿。推荐等级B，证据等级2b级。

共识建议12:建议在具备AI视觉反馈条件的机构中，开展太极-认知交互训练，每周3次、每次60分钟，持续6周，用于改善轻度认知障碍老年人的整体认知水平、执行功能及双任务表现。推荐等级B,证据等级2b级。

共识建议13:建议在具备可穿戴传感器及步态监测设备条件的机构中，将综合老年评估与步态特征结合，构建多参数预测模型，用于早期识别社会衰弱和身体衰弱风险。推荐等级B，证据等级2b级。

以上多维衰弱的人工智能干预推荐意见见表5。

黄丽萍等:人工智能在增龄相关衰弱患者康复中的应用专家共识

表5多维衰弱的人工智能干预推荐

Table 5 Recommendations for Artificial Intelligence Intervention in Multi-dimensional frailty

|干预维度|作者|年份|研究类型|样本量|干预内容|主要结果| |---|---|---|---|---|---|---| |躯体衰弱|Wang A etal[50]|2024|多中心RCT|-|脑机接口训练+传统康复 BCI组Fugl-Meyer上肢评分改 vs仅传统康复|主要结果| |躯体衰弱|MEKBIB D B etal[51]|2020|RCT|33例|沉浸式VR镜像治疗vs常规康复|VR组FM-UE评分改善,fMRI显示M1区功能连接增强| |认知衰弱|LIN C C etal[56]|2022|RCT|16例|AIoTergometer训练vs常规体能训练AI动态难度调整的VR钓鱼游戏游戏AI+VR艺术治疗vs传统艺术治疗|AI组下肢肌力与平衡功能改善显著(p<0.05) 游戏参与度、反应时间、注意力改 善| |认知衰弱|CAO Y etal[58]|2025|RCT|60例|AI+VR艺术治疗vs传统艺术治疗|AI+VR组认知功能改善更显著,AI组言语表达更优| |认知衰弱|RIAD R etal[65]|2024|横断面研究|865例|AI语音分析检测抑郁/焦虑(PHQ-9,GAD-7)|AIUC=0.76-0.78,具有良好的筛查性能 AI聊天机器人干预抑郁/焦抑郁(g=-0.26)、焦虑(g=-0.19)症状显著改善| |认知衰弱|SHONG S etal[80]|2024|2024单组试点研究|25例|可穿戴设备+AI反馈系统,睡眠碎片化与抑郁症状相关,干预6周|预后抑郁与睡眠质量改善| |社会衰弱|ABDOKKAHI Hetal[87]|2023|试点研究|10例|Ryan社交机器人,3周|孤独感降低,积极情绪提升| |社会衰弱|FAN S etal[89]|2023|前瞻性研究|214例|可穿戴传感器+机器学习预测社会衰弱|步态参数+老年评估组合预测性能更优| |社会衰弱|PARK C etal[90]|2021|队列研究|259例|胸骨传感器监测活动特征 识别衰弱|站立/步行时间、节奏等可作为数 字生物标志物|

7 实施建议与未来展望

随着AI技术发展，其在多维衰弱康复中逐步从实验走向临床，为推动规范应用，专家组从多层面提出建议与展望。第一，将AI评估系统嵌入社区健康管理、基层老年筛查等流程，用于衰弱早筛与预警;鼓励康复机构联合AI企业、信息服务商，共建“多维衰弱康复干预示范中心”，探索可复制模式，提升智能康复可及性。第二，面向康复医生、治疗师等开展AI继续教育，内容含设备操作、数据解读等;制定AI设备标准操作流程(SOP),规范临床实践;鼓励高校设医工交叉专业，培养“AI+康复”复合型人才。第三，明确老年健康数据全流程隐私保护要求，加强数据脱敏与权限管理;强化AI算法可解释性与决策透明性;建议主管部门制定“AI+康复”伦理细则与行业规范。第四，依托国家老龄健康等工程，设“AI衰弱康复技术转化平台”，整合医、企、校等资源;鼓励学会制定AI辅助诊疗指南;科技部门优先支持“AI+衰弱康复”转化项目。

综上所述，人工智能与多维衰弱康复的深度融合，既面临技术创新与应用转化的机遇，也需加强跨学科协作、伦理规范建设和人才培养。未来AI康

复将实现质的飞跃:数字孪生系统助力精准康复;设备向轻量化、居家化发展，结合VR、BCI等提升体验;应用老年衰弱拓展至全人群功能障碍预防;最终形成人机协同生态，构建智慧健康闭环，开启功能障碍预防与康复管理的新篇章。

牵头专家:黄丽萍(中国人民解放军总医院第一医学中心)

执笔专家:张弼(中国科学院沈阳自动化研究所)、江山(中日友好医院)、张立新(中国医科大学附属盛京医院)、曹磊(首都医科大学宣武医院)、周明(中国人民解放军总医院第一医学中心康复科)、钱春生(中国人民解放军联勤保障部队第九六二医院)、张攻孜(中国人民解放军总医院第一医学中心康复科)、徐佳宁(中国人民解放军总医院第四医学中心骨科)、邹永向(中国科学院自动化研究所)、费燕琼(上海交通大学)、侯景明(中国人民解放军陆军军医大学第一附属医院)、黄瑞(电子科技大学)、李伟(山东大学)、刘晓旻(郑州大学)、庞日朝(西部战区总医院)、王志永(哈尔滨工业大学深圳)、于宁波(南开大学)。

审稿专家(按姓名首字母排序):曹丰(中国人

民解放军总医院第二医学中心)、程龙(中国科学院自动化研究所)、何成奇(四川大学华西医院)、李建军(首都医科大学康复医学院)、刘海洪(哈尔滨工业大学深圳)、刘小燮(北京大学第三医院)、彭楠(中国人民解放军总医院第二医学中心)、钱菁华(北京体育大学)、王宁华(北京大学第一医院)、魏全(四川大学华西医院)、谢欲晓(中日友好医院)、袁华(空军军医大学第一附属医院)赵新刚(中国科学院沈阳自动化研究所)。

编写秘书:刘杨晓雪(中国人民解放军总医院第一医学中心)、侯敬贤(中国人民解放军总医院第一医学中心)。

参考文献

[1]雷雯.老年衰弱综合症的免疫特征及其潜在机制研究[D].广州:暨南大学,2021.

LEI W. Study on immune characteristics and potential mechanism of senile Asthenia syndrome.[D]. Guangzhou:Jinan University,2021.

[2] DA SILVA CAPANEMA B, FANK F, MACHADO TRENTO M C, et al. Home-based exercise programs for the oldest-old to at-tenate physical frailty: a scoping review[J]. J Frailty Aging,2024,13(4):369-383.

[3]陈观洲.三维影像步态分析联合人工智能在社区老人增龄与活力评估中的应用研究[D].北京:卫生部北京老年医学研究所(北京医院),2025.

CHEN G Z. Research on the application of three-dimensional image gait analysis combined with artificial intelligence in aging and vitality assessment of the elderly in community[D]. Beijing:Beijing Institute of Geriatric Medicine, Ministry of Health(Bei-jing Hospital),2025.

[4]张自妍，张顺顺，马娟，等.基于人工智能机器学习决策算法的上海某社区中老年群体衰弱表型分析[J].老年医学与保健，2024,30(5):1230-1238.

ZHANG Z Y,ZHANG S S,MA J,et al. Analysis of frailty pheno-type of a middle-aged and elderly population in a community in Shanghai based on artificial intelligence machine learning deci-sion tree algorithm[J]. Geriatr Health Care,2024,30(5):1230-1238.

[5]王斗.社区衰弱老年人循证管理方案的构建[ D]北京:北京中医药大学,2020.

WANG D. Construction of evidence-based management scheme for the elderly with weak community[D]. Beijing: Beijing Uni-versity of Chinese Medicine,2020.

[6] YAN X Y, ZHOU J S, CAO X. Risk factors of frailty/sarcopenia in community older adults: Meta-analysis[J]. Open Med(Wars),2025,20(1):20251259.

[7] ROCKWOOD K, MITNITSKI A. Frailty in relation to the accu-mulation of deficits[J]. J Gerontol A Biol Sci Med Sci, 2007,62

(7):722-727.

[8]童螺.老年衰弱与SII、多病共存的相关性研究[D].承德:承德医学院，2025.

TONG L. The study on the correlation between frailty in the el-derly and the systemic immune-inflammatory index with multi-morbidity[D]. Chengde:Chengde Medical College,2025.

9]WAN X,SHEN J,HE G.Effects of traditional Chinese exercises on frailty, quality of life, and physical function on frail and pre-frail older people: a systematic review and meta-analysis[J]. J Frailty Aging,2022,11(4):407-415.

[10] GRANNELL A, HALLSON H, GUNLAUGSSON B, et al. Exer-cise therapy as a digital therapeutic for chronic disease manage-ment: consideration for clinical product development[J]. Front Digit Health,2023,5:1250979.

[11] ORCILOI-SILVA D, VIT RIO R, N BREGA-SOUSA P, et al. Cortical activity underlying gait improvements achieved with dopaminergic medication during usual walking and obstacle avoidance in parkinson disease[J]. Neurorehabil Neural Repair,2021,35(5):406-418.

[12] WU-CHUNG E L, BRANDT A K, BONOMO M E, et al. Feasi-bility and acceptability of a group music creativity intervention for adults with varying cognitive function[J]. Creat Res J, 2024,36(3):451-468.

[13] DESILVA G S, UPADHYAY P, MANXHARI M, et al. Vari-ability in vowel space in Parkinson's disease: associations with cognitive and motor impairment[J]. J Speech Lang Heart Res,2024,67(10):3566-3578.

[14] KANG J W, OREMUS M. Examining the combined effects of so-cial isolation and loneliness on memory: a systematic review[J].Arch Gerontol Geriatr,2023,104:104801.

[15] WANG Y T, GUAN X, QU S Y, et al. Physical and mental health management for the older adult using XGBoost algorithm supported by new media technology: developing personalized health intervention plans using healthcare data from the CLHLS database[J].Front Public Health,2025,13:1535056.

[16] ISLAM B, MCELWAIN N L, LI J L, et al. Preliminary technical validation of LittleBeats": a multimodal sensing platform to cap-ture cardiac physiology, motion, and vocalizations[J]. Sensors(Basel),2024,24(3):901.

[17] ZOU Y X, CHENG L, HAN L J, et al. Multi-modal fusion for robust hand gesture recognition based on heterogeneous networks[J].Sci China Technol Sci,2023,66(11):3219-3230.

[18] HE T, CHEN Y, WANG L, et al. An expert-knowledge-based graph convolutional network, for skeleton- based physical reha-bilitation exercises assessment[J]. IEEE Trans Neural Syst Re-habil Eng,2024,32:1916-1925.

[19] CADEDDDU A, CHESSA A, DE LEO V, et al. A comparative analysis of knowledge injection strategies for large language mod-els in the scholarly domain[J]. Eng Appl Artif Intell, 2024,133:108166.

[20] KOURBANE I, PAPADAKIS P, ANDRIES M. SSL-Rehab:

黄丽萍等:人工智能在增龄相关衰弱患者康复中的应用专家共识

Assessment of physical rehabilitation exercises through self-su-pervised learning of 3D skeleton representations[J]. Comput Vis Image Underst,2025,251:104275.

[21] FUJII K, TAKEUCHI K, KURIBAYASHI A, et al. Estimating counterfactual treatment outcomes over time in complex multia-tive gentarios[J].IEEE Trans Neural Netw Learn Syst,2025,36(2):2103-2117.

[22] MU F J, ZHANG J T, ZOU C B, et al. Gaze betray who: abnor-mal attention detection from human-robot interaction dynamics[CJ/2024 IEEE International Conference on Robotics and Biomi-metics (ROBIO). December 10-14, 2024, Bangkok, Thailand.IEEE,2024:893-898.

[23] WANG J X, WANG W Q, HOU Z G. Toward improving engage-ment in neural rehabilitation: attention enhancement based on brain- computer interface and audiovisual feedback[J]. IEEE Trans Cogn Dev Syst,2020,12(4):787-796.

[24] MA Z Z, WU J J, HUA X Y, et al. Evidence of neuroplasticity with brain-computer interface in a randomized trial for post-stroke rehabilitation: a graph-theoretic study of subnetwork analysis[J].Front Neurol,2023,14:1135466.

[25] XIA H S, ZHANG Y C, RAJABI N, et al. Shaping high-perfor-mance wearable robots for human motor and sensory reconstruc-tion and enhancement[J].Nat Commun,2024,15(1):1760.

[26] DE CRIGNIS A C, RUHNAU S T, H SL M, et al. Robotic arm training in neurorehabilitation enhanced by augmented reality- a usability and feasibility study[J].J Neuroeng Rabhul, 2023,20(1):105.

[27] DEGHAN ROUZI, LEE M, BEOM J, et al. Quantitative biomechanical analysis in validating a video-based model to re-motely assess physical frailty: a potential solution to telehealth and globalized remote-patient monitoring[J]. Biomed Eng Lett,2024,14(6):1365-1375.

[28] MIZUGUCHI Y, NAKAO M, NAGAI T, et al. Machine learning-based gait analysis to predict clinical frailty scale in elderly pa-tients with heart failure[J].Eur Heart J Digit Health,2024,5(2):152-162.

[29] ZHANG Y Y, WANG X Y, HAN P X, et al. Can wearable de-vices and machine learning techniques be used for recognizing and segmenting modified physical performance test items?[J.IEEE Trans Neural Syst Rehabil Eng,2022,30:1776-1785.

[30] BUTKUVIENE M, TAMULEVICIUTE-PRASCIENE E,BIGEINE A, et al. Wearable-based assessment of frailty tra-jectories during cardiac rehabilitation after open-heart surgery[J].IEEE J Biomed Health Inform,2022,26(9):4426-4435.

[31] SAJEEV S, CHAMPION S, MAEDER A, et al. Machine learning models for identifying pre-frailty in community dwelling older adults[J]. BMC Geriatr, 2022,22(1):794.

[32] YU L S, CAO S S, SONG B T, et al. Predicting grip strength-related frailty in middle-aged and older Chinese adults using in-terpretable machine learning models: a prospective cohort study[J].Front Public Health,2024,12:1489848.

[33] LIU L Z, HU H, YEH S C, et al. A compact home-based train-ing system for preventing frailty using a mapping model and cross-dataset transfer learning[J].IEEE J Sel Areas Sens,2024,2:1-8.

[34] CORNACCHIA E, BONVINO A, SCARAMUZZI G F, et al.Digital screening for early identification of cognitive impairment:a narrative review[J]. Wiley Interdiscip Rev Cogn Sci, 2025,16(4):e70009.

[35] GRAHAM S A, LEE E E, JESTE D V, et al. Artificial intelli-gence approaches to predicting and detecting cognitive decline in older adults: a conceptual review[J]. Psychiatry Res,2020,284:112732.

[36] DONG Z Z, WANG G., LIU S Y, et al. Spontaneous facial ex-pressions and micro-expressions coding: from brain to face[J].Front Psychol,2021,12,784834.

[37] LIU W N, WANG S T, GU H Y, et al. Heart rate variability, a potential assessment tool for identifying anxiety, depression, and sleep disorders in elderly individuals[J].Front Psychiatry,2025,16:1485183.

[38]HAJEK A, ZWARL, GYASI R M, et al. Association of using AI tools for personal conversation with social disconnectedness out-comes[J].J Public Health,2025.

[39]刘盼,马丽娜.人工智能在老年衰弱综合征领域的应用现状与挑战[J/OL].中国医学前沿杂志(电子版),2024,16(8):29-35,5.

LIU P,MA L N.The application status and challenges of artificial intelligence application in frailty syndrome[J]OL]. Chin J Front Med Sci Electron Version,2024,16(8):29-35,5.

[40] VAN OLMEN J. The promise of digital self-management: a re-flection about the effects of patient-targeted e-health tools on self-management and wellbeing[J]. Int J Environ Res Public Health,2022,19(3):1360.

[41] CAI Y J, LI X G, LI J S. Emotion recognition using different sensors,emotion models,methods and datasets: a comprehensive review[J].Sensors(Basel),2023,23(5):2455.

[42] SHIWANI T, RELTON S, EVANS R, et al. New Horizons in ar-tificial intelligence in the healthcare of older people[J]. Age Ageing,2023,52(12):afad219.

[43] ALBARRATI A M, NAZER R, ABDELWAHAB S I, et al. Ar-tificial intelligence applications and aging(1995-2024):Trends,challenges, and future directions in frailty research[J]. Arch Gerontol Geriatr,2025,134:105837.

[44] PADHAN S, MOHAPATRA A, RAMASAMY S K, et al. Artifi-cial intelligence(AI) and robotics in elderly healthcare: enabling independence and quality of life[J]. Cureus,2023,15(8):e42905.

[45] COSTANTINI S, FALIVENE A, CHIAPPINI M, et al. Artificial intelligence tools for engagement prediction in neuromotor disor der patients during rehabilitation[J].J Neuroeng Rehabil,2024,21(1):215.

[46] PARK C., MISHRA R, SHARAFKHANEH A, et al. Digital bio-marker representing frailty phenotypes: the use of machine

康复学报XXXX年第XX卷第XX期

learning and sensor-based sit-to-stand test[J].Sensors(Basel),2021,21(9):3258.

[47] PARK C, SHARAFKHANE H, BRYANT M S, et al. Toward remote assessment of physical frailty using sensor-based sit-to-stand test[J]. J Surg Res,2021,263:130-139.

[48] LI N, HUANG F, WANG N, et al. Effectiveness of a mHealth platform-based lifestyle integrated multicomponent exercise(PF-Life) program to reverse pre-fraility in community-dwelling older adults: a randomized controlled trial study protocol[J]. Front Public Health,2024,12:138927.

[49] ZHANG H, WANG D, WANG Y, et al. Development and vali-dation of a practical instrument for evaluating players' familiarity with ergames[J].Int J Hum Comput Stud,2021,145:102521.

[50] WANG A X,TIAN X, JANG D, et al. Rehabilitation with brain-computer interface and upper limb motor function in ischemic stroke: a randomized controlled trial[J].Med.2024,5(6):559-569.e4.

[56]MEKIB D B, ZHAO Z Y, WANG J B, et al. Proactive motor functional recovery following immersive virtual reality-based limb mirroring therapy in patients with subacute stroke[J]. Neurother-apeutics,2020,17(4):1919-1930.

[52] SUGIMOTO T, ARAH I, SAKRAUI T. An update on cognitive frailty: Its definition, impact, associated factors and underlying mechanisms, and interventions[J]. Geriatr Gerontol Int,2022,22(2):99-109.

[53] NADER M M, COSDERARELLOGU C, MIAE O, et al. Nari-gating and diagnosing cognitive frailty in research and clinical domains[J].Nat Aging,2023,3(11):1325-1333.

[54]BRUNO J L, SHAW J S, HADI HOSSEINI M S. Toward person-alized cognitive training in older adults: a pilot investigation of the effects of baseline performance and age on cognitive training out-comes[J].J Alzheimers Dis,2024,97(1):327-343.

[55] CHRISTIANSEN L, LINDBERG C, SANMARTIN BERGLUND J, et al. Using mobile health and the impact on health-related quality of life: perceptions of older adults with cognitive impair-ment[J].Int J Environ Res Public Health,2020,17(8):2650.

[56] LIN C C, KUO L C, LIN Y S, et al. AloT-based ergometer for physical training in frail elderly with cognitive decline: a pilot randomized control trial[J]. J Med Biol Eng, 2022,42(6):909-921.

[57] LI H H, LIAO Y H. Application and effectiveness of adaptive AI in elderly healthcare[J]. Psychogeriatrics, 2025,25(1):e13214.

[58] CAO Y,YIN H F,HUA X X,et al.Effects of artificial intelli-gence and virtual reality interventions in art therapy among older people with mild cognitive impairment[J]. Australas J Ageing,2025,44(1):e70006.

[59] LAMEIRINHAS J, GOROSTIAGA A, ETXEBERRIA I. Defini-tion and assessment of psychological frailly in older adults: a scoping review[J]. Ageing Res Rev,2024,100:102442.

[60] YE B, LI Y X, BAO Z J, et al. Psychological resilience and frailty progression in older adults[J]. JAMA Netw Open, 2024,7

(11):e2447605.

[61] ZHANG Y J, ZHANG C, LYU Q Y. The association between so-cial frailty, psychological resilience, and subsequent cognitive outcomes in older adults: a prospective cohort study[J]. J Nutr Health Aging,2025,29(7):100576.

[62] HANSEN L, ZHANG Y P, WOLF D, et al. A generalizable speech emotion recognition model reveals depression and remis-sion[J]. Acta Psychiatry Scand, 2022,145(2):186-199.

[63] ZHAO Q, FAN H Z, LI Y L, et al. Vocal acoustic features as potential biomarkers for identifying/diagnosing depression: a cross-sectional study[J]. Front Psychiatry, 2022,13:815678.

[64] HUANG X S, WANG F, GAO Y, et al. Depression recognition using voice-based pre-training model[J].Sci Rep,2024,14(1):12734.

[65]RIAD R, DENAIS M, DE GENNES M, et al. Automated speech analysis for risk detection of depression, anxiety, insomnia, and fatigue: algorithm development and validation study[J]. J Med Internet Res.,2024,26:e5872.

[66]LIANG L J, WANG Y, MA H, et al. Enhanced classification and severity prediction of major depressive disorder using acoustic features and machine learning[J]. Front Psychiatry, 2024,15:1422020.

[67] LIN D, NAZREEN, T RUTOWSKI T, et al. Feasibility of a ma-chine learning-based smartphone application in detecting de-pression and anxiety in a generally senior population[J]. Front Psychol.,2022,13:811517.

[68] MENNE F, D R RR, SCHR DER J, et al. The voice of de-pression: speech features as biomarkers for major depressive dis-order[J].BMC Psychiatry,2024,24(1):794.

[69] HARLEV D, SINGER S, GOLDSHALGER M, et al. Acoustic speech features are associated with late-life depression and apa-thy symptoms: Preliminary findings[J]. Alzheimers Dement(Amst),2025,17(1):e70055.

[70] TEFERRA B G, ROSE J. Predicting generalized anxiety disorder from impromptu speech transcripts using context-aware trans-former-based neural networks: model evaluation study[J]. JMIR Ment Health,2023,10:e44325.

[71] DANIELI M, CIULII T, MOUSAVI S M, et al. Assessing the impact of conversational artificial intelligence in the treatment of stress and anxiety in aging adults: randomized controlled trial[J].JMIR Ment Health,2022,9(9):e38067.

[72] KARKOSZ, SZYMA SKI R, SANNA K, et al. Effectiveness of a web-based and mobile therapy chatbot on anxiety and de-spressive symptoms in mathematical young adults: randomized con-trolled trial[J].JMRi Form Res,2024,8:e47960.

[73] RAJESHKUMAR L, MISHKIND M, COLEMAN J J, et al.Computer-assisted cognitive behavior therapy and mobile apps for depression and anxiety: evidence-based digital tools for clinical practice[J].J Psychiatry Pract,2024,30(6):389-399.

[74] HICKMAN R, D'OLIVEIRA T C, DAVIES A, et al. Monitoring daily sleep, mood, and affect using digital technologies and

黄丽萍等:人工智能在增龄相关衰弱患者康复中的应用专家共识

wearables: a systematic review[J]. Sensors(Basel), 2024, 24(14):4701.

[75] SHEN S Y, QI W H, ZENG J W, et al. Passive sensing for men-tal health monitoring using machine learning with wearables and smartphones: scoping review[J].J Med Internet Res,2025,27:e7066.

[76] BETTIS A H, BURKE T A, NESI J, et al. Digital technologies for emotion-regulation assessment and intervention: a conceptual review[J]. Clin Psychol Sci, 2022,10(1):3-26.

[77] LIM S SHIAU C W C, CHENG L J, et al. Chatbot-delivered psychotherapy for adults with depressive and anxiety symptoms: a systematic review and meta-regression[J]. Behav Ther, 2022,53(2):334-347.

[78] ZHONG W J, LUO J H, ZHANG H. The therapeutic effective-ness of artificial intelligence-based chatbots in alleviation of de-pressive and anxiety symptoms in short-course treatments: a systematic review and meta-analysis[J]. J Affect Disord, 2024,356:459-469.

[79] FARZAN M, EBRAHIMI H, POURALI M, et al. Artificial in-telligence-powered cognitive behavioral therapy chatbots, a sys-tematic review[J].Iran J Psychiatry,2025,20(1):102-110.

[80] SONG S M, SEO Y, HWANG S, et al. Digital phenotyping of geriatric depression using a community-based digital mental health monitoring platform for socially vulnerable older adults and their community caregivers: 6-week living lab single-arm pilot study[J].JMRir Mhealth Uhealth,2024,12:e55842.

[81] LIX, GAO L, QIU Y M, et al. Social frailty as a predictor of ad-verse outcomes among older adults: a systematic review and meta-analysis[J]. Aging Clin Exp Res,2023,35(7):1417-1428.

[82] HANLON P, WIGHTMAN H, POLITIS M, et al. The relation-ship between frailty and social vulnerability: a systematic review[J].Lancet Healthy Longev,2024,5(3):e214-e226.

[83] CHEHREHGOSHA M, SHARIFI A, MEFTAH A M, et al. De-mographic and biological factors in interrelationships between physical, cognitive,psychological, and social frailty in commu-

nity-dwelling older adults: Data from the Birjand Longitudinal Aging Study(BLAS)[J].Maturitas,2024,181:107905.

[84]宋巧玲.面向老年护理的家用服务机器人研究现状[J].医疗卫生装备,2023,44(11):100-106.

SONG Q L. Research progress of home service robots for aged care[J].Chin Med Equip J,2023,44(11):100-106.

[85]康玲,李佳钰,秦宇,等.生活行为驱动智能家电人机交互的趋势更新[J].家用电器,2025(5):50-54.

Gastwell, KLI J Y, QIN Y, et al. Trend update of human-computer interaction of smart home appliances driven by life behavior[J].Home Appl,2025(5):50-54.

[86]陈益强，杨晓东，孙嘉壕，.基于可穿戴人工智能的老年衰弱症早期预警与干预技术研究[J].老年医学与保健，2024,30(5):1212-1217.

CHEN Y Q,YANG X D,SUN J H,et al. Research on early warn-ing and intervention technology for elderly debilitating syndrome based on wearable artificial intelligence[J]. Geriatr Health Care,2024,30(5):1212-1217.

[87] ABDOLLAHI H, MAHOOR M H, ZANDIE R, et al. Artificial emotional intelligence in socially assistive robots for older adults:a pilot study[J]. IEEE Trans Affect Comput, 2023,14(3):2020-2032.

[88] LI F Z, HARMER P, FITZGERALD K, et al. A cognitively en-hanced online Tai Ji Quan training intervention for community-dwelling older adults with mild cognitive impairment: a feasibility trial[J].BMC Geriatr,2022,22(1):76.

[89] FAN S Y, YE J S, XU Q, et al. Digital health technology com-bining wearable gait sensors and machine learning improve the accuracy in prediction of frailty[J]. Front Public Health, 2023,11:1169083.

[90] PARK C, MISHRA R, GOLLEDGE J, et al. Digital biomarkers of physical frailty and frailty phenotypes using sensor-based physical activity and machine learning[J]. Sensors, 2021, 21(16):5289.

相关指南

• 老年心力衰竭慢病管理指南 · 心血管内科
• 专家共识丨老年癌痛中国诊疗专家共识(2026版) · 肿瘤科 2026
• （2025.V3）NCCN临床实践指南：生存指南 · 综合与多学科 2025
• 老年人内在能力筛查与综合评估中国专家共识 · 公共卫生与预防
• 老年失能失智非侵入性神经调控的效应和疗效评价的专家共识 · 综合与多学科
• 快速眼动睡眠期行为障碍诊断和治疗指南（2025版） · 五官科 2025
• 2023 老年慢性失眠慢病管理指南 · 康复与精神 2023