Wearable Devices in Scoliosis Treatment: A Scoping Review of Innovations and Challenges
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.
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 | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».