How AI-Based Digital Rehabilitation Improves End-User Adherence: Rapid Review
Notice bibliographique
Résumé
Background: The integration of artificial intelligence (AI) in rehabilitation technology is transforming traditional methods, focusing on personalization and improved outcomes. The growing area of AI in digital rehabilitation (DR) emphasizes the critical role of end-user compliance with rehabilitation programs. Analyzing how AI-driven DR tools can boost this compliance is vital for creating sustainable practices and tackling future challenges. Objective: This study seeks to assess how AI-based DR can improve the end-user compliance or adherence to rehabilitation. Methods: Following the updated recommendations for the Cochrane rapid review methods guidance and PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines, a systematic literature search strategy was led in PubMed, which yielded 922 records, resulting in 6 papers included in this study. Results: The reviewed studies identified 6 key ways in which AI enhances end-user compliance in rehabilitation. The most prevalent method (in 4 studies) involves motivating and engaging users through features like exercise tracking and motivational content. The second method, also noted in 4 studies, focuses on improving communication and information exchange between health care providers and users. Personalized solutions tailored to individual cognitive styles and attitudes were highlighted in 3 studies. Ease of use and system usability, affecting user acceptability, emerged in 2 studies. Additionally, daily notifications, alerts, and reminders were identified as strategies to promote compliance, also noted in 2 studies. While 5 studies looked at AI's role in improving adherence, 1 study specifically assessed AI's capability for objective compliance measurement, contrasting it with traditional subjective self-reports. Conclusions: Our results could be especially relevant and beneficial for rethinking rehabilitation practices and devising effective strategies for the integration of AI in the rehabilitation field, aimed at enhancing end-user adherence to the rehabilitation regimen.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».