ARTIFICIAL INTELLIGENCE IN POSTOPERATIVE REHABILITATION PLANNING: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is increasingly being adopted in postoperative rehabilitation to enhance personalization, efficiency, and patient outcomes. Despite its growing use, evidence regarding the clinical effectiveness of AI-assisted rehabilitation protocols remains fragmented, with limited synthesis of outcome-based data across surgical populations. This systematic review was conducted to address this gap and evaluate the potential of AI in improving rehabilitation outcomes following surgery. Objective: This systematic review aims to assess the effectiveness and clinical outcomes of AI-assisted rehabilitation protocols compared to conventional rehabilitation methods in postoperative physical therapy. Methods: A systematic review was conducted following PRISMA guidelines. Four databases—PubMed, Scopus, Web of Science, and the Cochrane Library—were searched for studies published between January 2019 and March 2024. Eligible studies included randomized controlled trials and observational studies evaluating AI interventions in adult postoperative patients. Data extraction was performed using a standardized form, and study quality was assessed using the Cochrane Risk of Bias Tool and Newcastle-Ottawa Scale. Results: Eight studies met the inclusion criteria, encompassing a total of 1,021 patients undergoing various surgeries such as joint replacement, spinal, and abdominal procedures. AI interventions included predictive models, motion sensors, wearable devices, and virtual coaching platforms. Most studies reported significant improvements in functional recovery, pain reduction, and patient adherence in the AI-assisted groups (p < 0.05). However, heterogeneity in study designs and short follow-up durations limited data synthesis. Conclusion: AI-assisted rehabilitation shows promising benefits in enhancing postoperative outcomes compared to standard care. Although current findings support its clinical relevance, further large-scale, high-quality trials with long-term follow-up are necessary to establish reliability, cost-effectiveness, and implementation strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».