可穿戴技术在医疗保健领域的格局在过去几年中发生了显著变化。其中大部分变化源于人工智能的最新进展，特别是人工智能与边缘计算的结合。
哈佛医学院的医学博士候选人Arjun Mahajan表示："从历史上看，有很多生理数据从未被整合到护理中。现在，人工智能可以过滤噪音，识别具有临床意义的模式和趋势，并创建更明确、可操作的见解。"
Mahajan表示，人工智能实时分析可穿戴设备数据的能力为远程患者监测带来了创新，"创造了更连续的护理模式"。它还有望识别大脑健康的早期信号，实现主动的自身免疫干预，并深入了解睡眠对健康的影响。
Mahajan与苏格兰斯特灵大学的物理治疗师兼助理教授Dylan Powell共同撰写了一篇2025年发表在《npj Digital Medicine》上的论文，探讨了人工智能在患者安全和临床决策中的作用。论文指出，通过"基于多维度、更全面的患者数据实时分析，不断调整干预措施和治疗指导"，可以实现更个性化的护理。
Powell表示，如果将一次面对面的个体诊疗比作电影预告片，"可穿戴设备则通过捕捉所有活动提供了更大的画面。"
他补充说，人工智能通过其速度和效率增强了可穿戴设备的价值。研究步态和其他身体功能的物理治疗师过去需要大量时间来分析数据并开发预测算法。人工智能不仅能更快地完成这项工作，其模型还能整合传统上分散在临床、学术和消费类可穿戴设备中的多模态数据。
亚利桑那大学首席AI和数据科学官David Ebert也使用"大画面视图"一词来描述人工智能和可穿戴设备对远程患者监测的作用。他表示，真正的力量来自于当今可穿戴设备和植入式设备中嵌入的处理能力。
几年前，带有起搏器的患者需要专用的家庭监测器。如今，起搏器配备了连接到智能手机的蓝牙传感器，可以聚合数据并向患者的护理团队发送通知。
Ebert表示："我们正在利用人们随身携带在芯片上的能力。我们可以在设备上进行机器学习和预测分析。"
实现这一目标有两个关键点。一是继续关注AI模型的效率。数据压缩将节省带宽，而"提取信号"的能力将使设备的输出对没有时间查看原始数据的临床医生更有价值。
Ebert说："我们不希望AI模型耗尽电池或占用大量处理时间。我们不希望带宽挑战加剧数字鸿沟。"
另一个重要步骤是将设备的数据流和见解集成到电子健康记录和临床警报系统中。否则，诊所将需要额外的设备和设置所需的资源。
Mahajan表示，集成的便捷性很重要。"那些往往有效并能被无缝采用的解决方案不会给临床医生创造不必要的工作。"
他指出，要实现这一点，可能需要升级数据摄取管道，以适应高频数据流，以及规范聚合数据的工具。"组织必须从为诊疗周期构建的系统转变为为连续数据构建的系统，"他说。
Ebert表示，另一个考虑因素是使用已经从应用程序编程接口进化到代理AI接口的设备。这样，设备可以使用软件进行部署、监控和更新，而不是专用硬件，后者需要前期成本和专业技能，这成为采用的障碍。"这对农村医院来说是一个改变游戏规则的因素，"他说。
Mahajan表示，另一个常见障碍是单一用途的预测模型或临床决策支持工具："医疗系统不愿意承担100种不同的工具。他们正在寻找平台或系统。"
当然，还有人担心AI模型会取代临床医生。亚利桑那大学睡眠和昼夜节律科学中心主任Sairam Parthasarathy博士并不认为这是一个问题。
他表示，持证提供者数量有限，"有太多人需要我们的帮助。人们不应该在生病后才获得健康建议"，而可穿戴设备的数据和AI模型的见解可以确保这种情况不会发生。
Parthasarathy表示，医疗保健正处于利用可穿戴设备数据的"转折点"。他一直在研究睡眠，睡眠可能是心脏和神经系统问题的信号，以及影响激素、免疫系统和器官功能的昼夜节律。这项工作大部分在农村地区进行，那里睡眠治疗专家稀缺。但由可穿戴设备数据增强的数字认知行为疗法可以填补护理缺口。
Powell有兴趣确定空气质量、噪音污染等可测量因素是否会对大脑健康产生不利影响，这在患者老龄化时会带来"重大疾病负担"。同时，Mahajan的兴趣是使用可穿戴设备监测自身免疫疾病患者的发作和其他细微变化，并推荐潜在的主动干预措施。
对Ebert而言，由AI、可穿戴设备、环境传感器和远程监测实现的主动治疗具有"巨大"潜力。他展望了一个未来，患者及其环境的连续数据流每天被处理，摘要被发送给护理团队，护理团队可以主动联系、更改治疗计划或调查异常情况。
更重要的是，这个未来不仅限于生活在全国学术医疗中心阴影下的患者。
Ebert说："不仅仅是找出问题所在。还要找出如何治疗患者，给予他们想要的生活质量，而不必为了获得治疗而搬到另一个地方。"
【全文结束】