新冠疫情加速了数字健康工具的普及，但下一波演变已悄然到来。人工智能不再局限于远程监测和数据分析，它正被嵌入能够移动、感知并直接干预患者护理的机器中。
这一转变在一篇发表于《Healthcare》期刊的系统综述《具身人工智能在医疗保健中的应用：关于机器人感知、决策和临床影响的系统综述》中得到了探讨。研究人员评估了具身人工智能系统在手术机器人、卒中康复、医院物流和远程医疗方面的进展。
研究人员按照PRISMA指南和已注册的PROSPERO方案进行了系统综述。在筛选的2847条记录中，仅有17条符合严格的纳入标准，这既突显了该领域的快速增长，也表明了其尚处于早期成熟阶段。选定的研究涵盖随机对照试验、技术验证、可行性研究和多国队列分析。
从感知到行动：具身AI系统的工作原理
医疗保健中的具身AI通过一个连接感知、决策过程和物理动作的分层模型运作。感知模块高度依赖多模态传感器融合。几乎所有纳入的研究都使用了RGB摄像头，许多还采用了深度传感技术，如结构光或立体视觉。在手术和康复环境中，力与扭矩传感器对于确保与组织或肢体的安全接触至关重要。一些远程临场和康复平台还整合了生理信号（如肌电图或生命体征）来引导自适应响应。
这种多模态设计反映了临床环境的复杂性。与在受控工厂中运行的工业机器人不同，医疗机器人必须应对不可预测的人体运动、变化的光照条件、动态障碍物和脆弱的生物组织。仅靠视觉输入是不够的。融合多种传感流使机器人能够更准确地理解周围环境并安全地做出反应。
决策架构主要依赖机器学习。在手术应用中，模仿学习占主导地位。机器人通过观察专家演示并复制手术操作来学习。视觉-语言-动作模型将视觉输入与语言指令和运动输出连接起来，代表了这一领域的新方向。强化学习通过在模拟环境中进行试错优化来训练机器人，已通过允许一致基准测试的标准化框架在腹腔镜手术中得到应用。
康复机器人常采用混合方法，将强化学习与自适应阻抗控制相结合，使设备能够根据患者进展调整阻力和辅助力度。在医院物流中，同步定位与地图构建算法指导自主导航，而基于人类感知的运动规划确保与医护人员和患者的安全交互。
不同领域的自主水平各异。手术系统通常在条件性或监督性自主下运行，为了安全保留人类监督。物流机器人可能在指定走廊中以较高自主水平运行。远程临场平台通常采用共享控制模型，由临床医生指导高级动作，机器人管理低级导航和稳定性。
临床收益与测量影响
该综述将结果分为技术性能、功能改善和操作可行性。在手术机器人方面，最显著的进展之一是STAR系统，它在动物模型中展示了自主肠道吻合术。在受控条件下，该机器人在缝合间距和咬合深度方面比专家外科医生实现了更高的一致性。虽然这些发现代表了手术自动化的里程碑，但作者强调，在临床部署之前，仍需在人类患者身上进行验证并获得监管批准。
手术研究还突出了自主摄像头定位和部分任务自动化的进展。视觉-语言模型使机器人能够解释高级指令并将其转化为手术动作，这表明系统正朝着更灵活、更通用的方向发展。
康复机器人呈现出最强的临床证据基础。一项涵盖396项随机对照试验的综合分析发现，与常规治疗相比，机器人辅助治疗后卒中上肢恢复的Fugl-Meyer评估得分汇总标准化均差为0.29。这个效应量虽然不大，但具有统计学意义，并得到多项荟萃分析的支持。一些多中心试验证明了运动功能指标的改善，表明机器人辅助治疗可以增强结构化、重复性的康复任务。
然而，作者提醒，统计显著性并不自动等同于有临床意义的变革。关于成本效益、患者选择标准以及整合到现有治疗流程中的问题仍然存在。康复机器人通常需要大量的设备投资和临床医生培训。
医院物流机器人表现出高操作成功率。导航系统在受控医院走廊中无需人工干预的成功率达到94%至98%。这些机器人运送药品、床单和实验室样本，在传染病爆发期间减少了工作人员暴露，并提高了工作效率。然而，这些研究通常是在具有预定义障碍物配置的结构化环境中进行的。在实际拥挤或复杂的医院布局中部署可能会产生不同的结果。
远程临场机器人在新冠疫情期间获得了发展势头。部署在隔离病房的系统对预定义临床活动的任务完成率约为87%。护士和医生在试点试验中报告了积极的可用性和接受度，患者在泌尿科和急诊科的远程互动中表示满意。不过，大多数远程临场研究侧重于可行性和用户感知，而非直接测量患者健康结果。
转化障碍与未来方向
尽管技术取得了进步，但该综述强调了广泛采用面临的重大障碍。许多研究涉及小样本量、单中心试验或技术验证，而非大规模临床部署。偏倚风险普遍存在，尤其是在非随机设计中。符合条件的有限研究数量反映了具身AI在医疗保健中的新兴性质。
经济评估明显缺失。先进机器人系统的购置、维护和整合成本巨大。如果没有严格的成本效益分析，医疗管理者在采纳决策时将面临不确定性。该综述呼吁将健康经济评估纳入未来的试验设计。
安全框架是另一个关键缺口。基于学习的系统可能表现出难以用传统验证方法预测的涌现行为。作者建议开发针对AI的安全案例方法论，包括危害识别、风险缓解策略和持续监测协议。
监管路径也需要调整。现有框架是为静态医疗设备设计的，而非持续学习的系统。当涉及自主决策时，不良后果的责任归属变得复杂。伦理考量，包括知情同意和患者信任，需要新的治理模式。
劳动力维度不可忽视。与具身AI系统一起工作的临床医生的培训要求仍不明确。需要认证路径和标准化课程来确保人机安全协作。组织准备度、工作流程整合和员工接受度可能最终比技术能力更能决定采用的成功与否。
未来研究重点包括开发手术框架之外的领域特定基准套件。比较配置研究应检查哪些传感器、算法和自主水平的组合能产生更好的患者结果。以患者为中心的多中心前瞻性试验对于从实验验证转向常规临床使用是必要的。混合有效性-实施设计可以加速实际转化。
【全文结束】