NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Plantar basınç ve yer reaksiyon kuvveti (GRF) sinyalleri kullanılarak yapay zeka (AI) güdümlü yürüyüş analizi rehabilitasyon için objektif dijital biyobelirteçler sağlayabilir, ancak klinik çeviri belirsiz kalır. Klinik uygulamaları özetlemeyi, kanıt olgunluğunu karşılaştırmayı ve metodolojik ve çevirisel boşlukları tanımlamayı amaçlayan bu inceleme ve kanıt haritası. Yöntemler: PubMed, Web of Science, Embasse ve Scopus, Mayıs 2026'ya kadar her veritabanında mevcut en eski indekslenmiş kayıtlardan arandı. Plantar basıncı kullanan orijinal klinik çalışmalar, hastalık tanıma, ciddiyet değerlendirmesi, risk tahmini, rehabilitasyon izleme veya karar desteği için AI yöntemleri ile GRF kaynaklı sinyaller dahil edildi. Bulgular: On beş çalışma uygunluk kriterlerini karşıladı. Kanıtlar Parkinson hastalığında (PD), özellikle PD tanıma ve yürüyüş tahmininin dondurulmasında yoğunlaştı, nispeten daha olgun kanıtlar çoklu çalışmalar ve katılımcı düzeyinde veya çapraz veri seti doğrulaması ile desteklendi. PD ciddiyet değerlendirmesi, diz osteoartriti izleme, kronik ayak bileği istikrarsızlığı rehabilitasyonu, düşme-risk tabakalaşması, sarkopeni taraması, periferik arter hastalığı tanıma ve fonksiyonel yürüyüş bozukluğu sınıflandırması için kanıtlar daha az olgun kaldı. Çeviri, küçük veya tek merkezli örnekler, belirsiz katılımcı düzeyinde veri bölme, sınırlı dış doğrulama, kalibrasyon eksikliği, seyrek açıklanabilir AI raporlama ve yetersiz gerçek dünya iş akışı testi ile sınırlıydı. Sonuç: Gelecekteki çalışmalar, rutin rehabilitasyon uygulamasından önce prospektif, dıştan doğrulanmış, yorumlanabilir, kalibre edilmiş ve klinik olarak gömülü modellere öncelik vermelidir.
Özgün kaynak özetini okuyun
Background: Artificial intelligence (AI)-driven gait analysis using plantar pressure and ground reaction force (GRF) signals may provide objective digital biomarkers for rehabilitation, but clinical translation remains uncertain. This scoping review and evidence map aimed to summarize clinical applications, compare evidence maturity, and identify methodological and translational gaps. Methods: PubMed, Web of Science, Embase, and Scopus were searched from the earliest available indexed records in each database to May 2026. Original clinical studies using plantar pressure- or GRF-derived signals with AI methods for disease recognition, severity assessment, risk prediction, rehabilitation monitoring, or decision support were included. Results: Fifteen studies met the eligibility criteria. Evidence was concentrated in Parkinson's disease (PD), particularly PD recognition and freezing of gait prediction, where relatively more mature evidence was supported by multiple studies and participant-level or cross-dataset validation. Evidence for PD severity assessment, knee osteoarthritis monitoring, chronic ankle instability rehabilitation, fall-risk stratification, sarcopenia screening, peripheral artery disease recognition, and functional gait disorder classification remained less mature. Translation was limited by small or single-center samples, unclear participant-level data splitting, limited external validation, absent calibration, sparse explainable AI reporting, and insufficient real-world workflow testing. Conclusions: Future studies should prioritize prospective, externally validated, interpretable, calibrated, and clinically embedded models before routine rehabilitation implementation.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.