Wearable Devices in Scoliosis Treatment: A Scoping Review of Innovations and Challenges
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Scoliosis is one of the most common spinal deformities, which affects millions of people worldwide. Bracing and physiotherapy exercises represent the first-line, non-invasive approaches for managing scoliosis. In recent years, the use of wearable devices has spread as a novel approach to the treatment of scoliosis. However, their effectiveness in treatment planning and outcomes has not been thoroughly evaluated. This manuscript provides a scoping review of the classification and application of wearable devices and the role of artificial intelligence (AI) in interpreting the data collected by wearable devices and guiding the treatment. A systematic search was carried out on Scopus, Web of Science, PubMed, and EMBASE for studies published between January 2020 and February 2025. A total of 269 studies were screened, and 88 articles were reviewed in depth. Inclusion criteria encompassed articles focusing on wearable devices integrated into smart braces, rehabilitation systems for scoliosis management, AI and machine-learning (ML) applications in scoliosis treatment, virtual reality (VR), and telemedicine for scoliosis care. The literature shows that the use of wearable devices can enhance scoliosis treatment by improving the efficiency of braces and enabling remote monitoring in rehabilitation programs. However, more research is needed to evaluate user compliance, long-term effectiveness, and the need for personalized interventions. Future advancements in artificial intelligence, microsensor technology, and data analytics may enhance the efficacy of these devices, which can lead to more personalized and accessible scoliosis treatment.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 découle