AI-ASSISTED GAIT ANALYSIS IN PHYSICAL THERAPY: A SYSTEMATIC REVIEW OF TOOLS AND REHABILITATION OUTCOMES
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is increasingly being integrated into rehabilitation medicine, particularly in gait analysis for individuals with mobility impairments. Conventional gait assessments often rely on subjective evaluation or limited sensor technologies, which may lack precision and adaptability. Although various AI-based tools have emerged, the clinical relevance and effectiveness of these technologies in improving rehabilitation outcomes remain inadequately consolidated in existing literature. Objective: This systematic review aims to evaluate the effectiveness of AI-assisted gait analysis tools in physical therapy, focusing on their impact on treatment planning, functional recovery, and overall rehabilitation outcomes. Methods: A systematic review was conducted according to PRISMA guidelines. Four electronic databases—PubMed, Scopus, Web of Science, and Cochrane Library—were searched for studies published between 2020 and 2024. Eligible studies included randomized controlled trials, cohort studies, and observational designs involving patients undergoing physical therapy for gait dysfunction, utilizing AI-based gait analysis tools. Data extraction and risk of bias assessment were performed independently by two reviewers using standardized forms and validated tools such as the Cochrane Risk of Bias Tool and Newcastle-Ottawa Scale. Results: Eight studies met inclusion criteria, encompassing 644 participants with conditions including stroke, Parkinson’s disease, and orthopedic impairments. AI technologies included wearable sensors, robotic trainers, and vision-based tracking systems. Most studies reported significant improvements in gait parameters such as cadence, stride length, and walking distance (p < 0.05), as well as better adherence and therapy personalization. Risk of bias was generally low to moderate, with some concerns related to performance blinding. Conclusion: AI-assisted gait analysis tools show promising clinical value in enhancing rehabilitation outcomes and supporting individualized therapy planning. While current evidence is encouraging, further large-scale and methodologically rigorous studies are needed to validate these findings and guide broader implementation.
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 | 0,017 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,012 |
| Bibliométrie | 0,013 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».