康复大数据应用专家共识2024

康复大数据应用专家共识2024（全文）

《“健康中国2030“规划纲要》［1］中指出，建设健康中国的战略

主题为“共建共享、全民健康”，要惠及全人群，不断完善制度、扩展服

务、提高质量，使全体人民享有所需要的、有质量的、可负担的预防、治

疗、康复、健康促进等健康服务，突出解决好包括老年人和残疾人在内的

重点人群的健康问题。康复服务是全民健康覆盖的重要内容［2］,

关注康复医学事业、发展康复服务是全面发展健康保健服务，实现全民健

康覆盖的根本。

随着全球信息化的发展，数字化技术的应用时代已经到来，康复医学领域

也产生了海量、多元化大数据，合理利用这些大数据赋能康复医学事业发

展至关重要。当前，康复大数据应用在我国受到广泛关注，各地企业及医

疗机构对其进行了模式上的探索与构建［3,4］，展现了大数据技术

在社区康复医疗事业上的广泛前景以及变革性的意义，但应用范围仍较为

局限。针对既往工作中遇到的问题，为解决相关专业人员对于本领域概念

认识的一致性，并加快国内康复大数据的发展，中国康复医学会康复大数

据工作委员会在借鉴国内外相关文献和指南的基础上，特制订木共识，为

康复大数据相关医疗卫生工作者及科研工作者提供参考，以期提高康复大

数据领域研究质量并促进未来多学科相互合作。

一、本共识制订方法

本共识由中国康复医学会康复大数据工作委员会发起，启动时间为2023

年12月，撰写时间6个月，审稿时间为2024年5月，定稿时间为2024

年6月。

1.共识使用者：康复大数据相关医疗卫生工作者及科研工作者。

2.共识制订工作组：共识专家组成员共44位，入选标准为具有丰富康复

大数据应用经验的专家。专家具有地域、学科的代表性，专业涵盖康复医

学、大数据、信息科学、流行病与卫生统计学、指南方法学等方面，其主

要职责是对共识进行整体审阅、讨论、修改与完善。由具有一定康复大数

据研究、循证医学及指南方法学的专家执笔，同时全面负责共识的初步撰

写、协调、管理和统稿审校工作。上述成员均由中国康复医学会康复大数

据工作委员会遴选选出。

3.文献检索：本共识以“rehabilitation”“bigdata”“康复”“大数据”

等为关键词，检索PubMed、WebofScience.知网等中英文数据库，

以及与康复大数据相关的学会/协会网站文件，纳入来自指南、共识、系

统评价、荟萃分析、随机对照试验(randomizedcontrolledtrial,RCT)

等证据，检索时间为建库至2023年12月31日，检索不限定发表语言。

共识专家组成员基于指南、共识、系统评价、荟萃分析、RCT的证据，分

成不同的领域，根据预先确定的范围，初拟了共识意见和证据与解释。执

笔组整合共识专家组文件，撰写共识全文初稿。召开6轮全体会议，由共

识专家组对共识文件进行反复讨论、审稿与修改，经由顾问专家外审审阅,

最终形成共识终稿。

4.证据质量和推荐强度:针对每一条推荐意见,专家采用李克特量表评分,

满分5分，5分表示非常同意，4分表示同意，3分表示中立，2分表示

不同意，1分表示非常不同意。本共识设定：针对单条推荐意见，评分为

5分的专家超过80%,则对该条推荐意见达成共识。本共识共凝练出22

条拟推荐意见，均达成共识。专家推荐程度以“共识度”标注，共识度=

评分为5分的专家/总参评专家人数X100%。总参评专家人数为44位。

5.利益冲突的声明：本共识制订过程中，所有参与本共识专家研讨会的专

家和共识工作组成员均已签署书面利益声明，与医药企业不存在共识相关

的利益冲突。

6.共识的发布、传播与更新：为了促进共识的传播和临床应用，共识将在

专业期刊上发表，发表后将以学术会议、学习班等形式在全国范围进行传

播。共识制订工作组将定期进行文献检索、证据更新和评价，计划每3〜5

年对共识进行更新。

二、康复大数据的概念、意义与必要性

推荐意见1：康复大数据是指在康复医疗服务过程中产生的无法在可承受

析患者康复数据以及评价不同康复干预措施的效果等，以便为患者提供规

范化、个体化的康复方案，并及时动态调整,提高康复效果。(共识度97.8%)

解读与证据：对于巨量的康复大数据，常规的数据库工具难以满足管理和

处理的需求，需要新的处理模式才能将其处理为可供决策和流程优化的海

量、高增长率和多样化的信息资产［5］。构建康复大数据库，能在

康复医疗过程中服务于多方，有助于实现精准康复，提高患者预后［11,

12］o通过大数据的集成，能为一线临床医师提供可管理、可解释、可

操作、可用于制定诊疗方案的数据，给予康复临床诊疗一定的参考；通过

大数据管理构建风险预测模型和预后预测模型，为功能障碍患者提供更优

质的个体化和精准化康复医疗保障；通过机器学习算法，为临床科研工作

者提供简便、可靠的模型，为康复药物和辅助技术的开发及探索提供更多

支撑，最后共同推进康复医学领域的发展。基于“互联网+残疾人社区康

复”新模式构建的脑卒中国际功能，残疾和健康分类(international

classificationoffunctioning,disabilityandhealth,ICF)大数据平

台，可以采用数据挖掘技术和智能匹配功能，进行辅助诊疗，帮助三级康

复机构对脑卒中患者的医学评定，实现精准康复［11］。人工智能可

以应用于物理和康复医学，利用机器学习对康复医疗服务过程中产生的大

量数据信息进行转化和处理，以辅助临床改进决策［13］。利用数字

化技术构建智慧医养康服务一体化云平台，运用数据治理技术和智能化服

务，实现医疗、养老和康复服务资源的有效整合及优化，有效应对我国人

口老龄化加速和慢性病人口急剧增加的问题［4］。通过机器学习等

人工智能技术建模，对不同的康复临床问题及时作出预测或适时作出追踪

和汇总，以实现总结过去经验、优化当前决策、预测未来进展的目标。

三、康复大数据来源

推荐意见4：康复大数据具有多源性，其来源包括医院诊疗大数据、卫生

服务平台大数据、医学研究大数据、疾病监测大数据、自我量化大数据、

互联网医学大数据和生物大数据。（共识度97.8%）

解读与证据：康复大数据的来源多样化，具体表现为七大类：医院诊疗大

数据、卫生服务平台大数据、医学研究大数据、疾病监测大数据、自我量

化大数据、互联网医学大数据和生物大数据[5]。不同来源的数据

量会因地区、国家卫生政策、医疗资源分配、技术发展水平以及人口结构

等多种因素而有所不同，各来源数据的比例并不固定。医院诊疗大数据主

要包括康复诊疗和管理过程所产生的海量数据，包括各种门急诊记录、住

院记录、影像记录、实验室检测记录和随访记录等。卫生服务平台通常汇

集整合了区域内多家医疗机构的数据。一般而言，卫生服务平台的大数据

收集前通常经过了充分的论证和规划，比原始的医院数据格式更规范

[7,14]o除了医院和卫生服务平台的原生态大数据之外，专门设

计的基于功能障碍患者的医学科学研究实施过程中，也可产生医学研究大

数据。例如在真实世界中开展的目标仿真实验，可以收集康复医疗真实世

界大数据[15],这类经严格设计与实施所收集的数据，其数据质量

通常较高。疾病监测大数据是指在因各类疾病（各类慢性病、神经系统疾

病和老年退行性疾病等）导致功能障碍或残疾的患者的康复监测过程中所

产生的大数据，这类数据通常由基于大数据的可穿戴医疗设备收集，一般

为结构化数据［16］。自我量化大数据是指基于移动物联网的患者康

复过程中身体体征和活动自我量化的数据，包括血压、心跳、呼吸、睡眠、

血糖、体重和体力活动等信息。互联网医学大数据指互联网上与康复医学

相关的各类数据。这类数据产生于社交互联网关于疾病与健康的话题、互

联网就医咨询行为、康复科普网站的访问行为等，包含着大量的视频、音

频图片、文本等异构数据。与自我量化大数据相比，互联网医学大数据的

随机性较大。此外，生物大数据主要是指关于生物标本和基因测序的数据,

其为功能障碍患者的个体化诊疗及精准康复医疗提供了数据基础。在多源

的康复大数据中，数据质量与一致性是值得重视的问题。确保康复大数据

的质量与一致性，需要综合考虑数据审核、采集、清洗、转换等环节。数

据审核指审核原始数据的完整性、准确性和一致性。对审核过程发现的错

误要尽可能纠正，对不同渠道获得的二手资料，还要审核数据的适用性和

时效性。在数据采集中，需使用可靠的数据采集工具和技术，确保数据的

准确性和完整性。由于康复大数据容量大、生成速度快，可以采用自动化

的数据采集方法，减少人工干预，提高数据采集的效率和准确性°在数据

清理过程中，需要将数据格式进行标准化处理、对数据记录的缺失属性进

行补充、对数据的噪音进行光滑操作、识别并处理数据中的异常值、解决

重复数据的不一致性等。在数据转换中，对数据的各个属性通过平滑聚集、

数据概化、数据规范化等方式，将数据转换成适用于数据分析的形式，从

而保证各来源的康复大数据的一致性［5］。专家组认为，利用好康

复大数据的多源性，从多个源头收集、汇总得到趋于全面的信息，能服务

于康复医疗中的临床决策和监测评估，有助于实现精准康复，提高康复效

果。

四、康复大数据临床应用研究优先关注领域

推荐意见5:基于机器学习算法，分析患者的多维数据，以建立个性化的

疾病风险预测模型，对患者发生可引起功能障碍或残疾的疾病的风险进行

预测并分级，为临床早期干预提供帮助。（共识度95.6%）

解读与证据：机器学习与预测模型在医疗领域中广泛应用于疾病风险预测

［17］o在康复医学中，对于收集到的患者的多维数据，包括医疗历

史、家族病史、生活方式因素和基因信息等，能借助机器学习算法构建预

测模型，对患者发生可引起功能障碍或残疾的疾病进行风险预测，得出其

患病的可能性，并根据概率高低进行分级，分级结果可辅助临床决策，以

降低患者发生功能障碍或残疾的风险。当风险评估显示患某种疾病的可能

性较高时，医师可以采取预防性措施，例如定期监测、及时干预或生活方

式建议，这有助于提前诊断和治疗潜在的健康问题，避免了疾病的发展，

减小了后续康复治疗成本，优化康复过程。心血管疾病风险模型可以根据

患者的血压、胆固醇水平、吸烟史等信息，预测其患心脏疾患的可能性,

避免疾病发展恶化［18］。研究发现，机器学习技术已在预测新发糖

尿病以及糖尿病肾病方面发挥了一定作用，能有效降低因糖尿病及其并发

症导致功能障碍的风险［19,20］。有学者基于机器学习构建老年糖

尿病患者轻度认知障碍风险评估模型，经计算得到随机森林模型和极限梯

度提升模型(extr6megradientboosting,XGBoost)的受试者工作特

征(receiveroperatingcharacteristic,ROC)曲线下面积(areaunder

ROCcurve,AUROC)分别为0.76(95%CI:0.71~0.80)和0.76

(95%CI:0.71-0.80),表明模型性能较好［21］。与BP神经网

络模型相比，随机森林模型和XGBoost模型具有更高的灵敏度，更加符

合通过模型早期识别和筛查糖尿病患者轻度认知障碍高危人群的需求，提

示其在康复医疗风险评估领域具有一定的应用前景，能为老年糖尿病患者

认知障碍的早期识别和预防提供参考，有助于老年人群改善生存质量。Hu

等［22］开发了一种预测模型，使用机器学习算法预测社区老年人3

年认知障碍风险，结果显示模型一致性指数(concordanceindex,C指

数)为0.81(95%CI:0.78-0.85),表明其具有较好的性能,提示机器

学习与风险预测模型有助于社区早期识别痴呆，通过模型能识别出未来3

年内发生认知缺陷的高风险老年人，从而进行认知训练和健康生活方式干

预等临床早期干预［23］,有助于减小康复诊疗成本。基于机器学习

的风险预测模型在脑卒中的首发预测中也被证实有效。杨爽［24］基

于5109例脑卒中患者的数据集，分别基于改进弗明汉卒中表等传统风险

预测模型和机器学习脑卒中首发风险预测模型，对脑卒中发生进行预测，

经比较证实机器学习算法模型的预测能力高于传统风险预测模型的预测

能力，提示利用不同的机器学习算法预测模型可较为准确地预测脑卒中疾

病风险发生，为早期识别高首发危险群体提供可参考的指导价值。

推荐意见6:推荐使用可穿戴设备实时监测并连续提取康复患者的健康信

息，通过人体物联网进行传输与大数据生成，形成数字化健康画像（digital

healthportrait,DHP）,用于进行临床分析与反馈，辅助诊疗与康复。

（共识度97.8%）

解读与证据：可穿戴技术与设备正逐渐成为康复医学领域的热点［16,

25,26］o可穿戴设备具有微型化、智能化和便捷化的特点，在神经康

复、骨科康复、脊髓损伤康复以及老年退行性疾病康复等领域有越来越广

泛的应用［27］。基于可穿戴传感器技术的上肢家庭康复系统能辅助

慢性脑卒中患者的家庭康复，帮助其改善肩关节屈曲和内旋的活动度，提

高Wolf运动功能评分［28］。可穿戴医疗健康设备能够提供实时健

康监测数据［29］,具有即时性和连续性，同时能够通过人体物联网

实现实时传输，生成DHP,其内涵包括生命体征（体温/心率/呼吸/血压）、

躯体功能（运动/活动/姿势/体态）、神经功能（脑电/肌电/认知/言语/

精神心理）、行为功能（日常生活/工作/社会等）和生物标志物（血糖、

血脂等）等［16,3。］。DHP经过人工智能分析，能得到具有临

床价值的信息并反馈到用户（患者或其他应用人群、医务人员及利益相关

方），有机会实现患者全生命周期的健康管理，协助临床诊疗方案和康复

方案的制定与调整，对康复医学具有重大意义。

推荐意见7：建议开展并推广脑机接口技术的研究，基于该技术实现对患

者的功能评估，优化康复治疗过程中的人机交互，改善康复体验，提高诊

疗效果，服务于包括抑郁症和神经功能障碍在内患者的诊断与康复治疗。

（共识度97.8%）

解读与证据：脑机接口技术是人机交互技术的一项新发展［31］，通

过机器学习或模式识别算法将神经活动信号转换为机器能够识别的控制

信号，实现大脑和机器的连接，从而控制外部设备，起到替代、修复、增

强、补充或改善机体功能的作用［32］。脑机接口技术在康复领域的

应用是现代康复医学发展的趋势［33］。在患者的康复诊疗过程中，

脑机接口技术能从视觉、听觉和错觉等方面实现人机交互的优化，最大限

度改善康复体验，提高诊疗效果［34,35］o在诊断方面，Mowla

等［36］的研究表明，情感脑机接口技术可用于脑电、眼动、行为信

息和生理特征等多模态数据的采集和实时监测，从而提高对抑郁症患者诊

断的准确性。治疗方面，脑机接口技术已被证明能够在包括脑卒中和脊髓

损伤在内的神经功能疾病的治疗中发挥一定作用［37-39］,基于该

技术的康复训练能帮助患者恢复功能，提高康复效果［40］。Wu等

［41］选取25例亚急性卒中伴中重度上肢功能障碍患者，分别给予

常规治疗和基于脑机接口技术的治疗，通过4周的干预，发现基于脑机接

口技术的综合康复疗法较常规疗法能更好地增强患者上肢的运动功能。同

时研究指出，在实现脑机接口技术在临床实际应用之前，未来仍需要进行

长期、纵向、对照的神经影像学研究，以确定脑机接口训练的有效性，以

及在脑卒中亚急性期促进大脑可塑性的方法。Mattia等［42］在研

究中纳入48例首发单侧亚急性脑卒中患者，将患者分为两组，分别给予

脑机接口技术辅助手部运动想象训练和无脑机接口技术支持的手部运动

想象训练，进行为期6周的干预后，脑机接口技术组包括运动功能评分在

内多个量表的得分明显高于单纯训练组，提示基于脑机接口技术的手部运

动训练能够进一步改善脑卒中患者的手部功能。同时该研究指出，研究旨

在为脑机接口辅助运动意象训练在脑卒中后短期和长期的疗效提供证据。

进一步的目标是寻求基于脑机接口技术的干预结果的神经生理学、神经解

剖学和临床决定因素，有效地促进上肢运动在短期/长期的恢复。除了临

床疗效外，这些干预相关方面的知识对于实现脑机接口技术在脑卒中运动

康复管理中的未来有效应用至关重要。目前:关于脑机接口技术在康复诊

疗中的研究已相继取得突破性的进展，展现出巨大的应用潜力，有望用于

康复医疗过程中的患者诊断与康复治疗。

推荐意见8:加强人工智能的研究，推广康复机器人辅助技术，为患者提

供有目标的重复性练习，以帮助功能障碍患者进行康复强化训练，促进患

者功能恢复，提高康复效率。（共识度97.8%）

解读与证据：相较于常规康复治疗，基于人工智能的康复机器人铺助技术

能帮助包括卒中后患者在内的功能障碍患者进行集中、重复和强化训练,

有效改善患者功能，提高康复效率［43］。杨锦琳等［44］通

过meta网状分析方法，对康复机器人辅助技术（试验组）与常规康复治

疗（对照组）在卒中后患者手部功能康复的效果进行比较与系统评价，发

现在以Fugl-Meyer上肢运动功能评定量表(Fugl-Meyerassessment

upperextremityscale,FMA-UE)评分(MD=2.81,95%CI:

1.33-4.28,Pv0.05)、运动力指数(motricityindex,MI)评分

(MD=7.59,95%CI:1.69-13.49,P<0.05)和日常生活活动能力

量表(Barthelindex,BI)评分(MD=7.59,95%CI:1.69~13.49,

Pv。.05)作为结局评价指标的多项研究中，试验组的得分均显著高于对照

组，提示康复机器人能有效改善卒中后手部功能障碍。Singh等［45］

通过一项随机对照试验，发现对慢性卒中患者经过持续四周的治疗后，机

器人辅助组相比于常规治疗对照组，在改良Ashworth量表(Modified

AshworthScale,MAS)、主动运动范围(activerangeofmotion,

AROM)>Fugl-Meyer上肢量表(Fugl-Meyerupperlimb,FMU/L)>

Fugl-Meyer腕手量表(Fugl-Meyerwristhand,FMW/H)等4项临

床运动指标上均有显著改善(均P<0.05)o但该研究也有一些局限性，如

样本量小，缺乏像Wolf运动功能测试和动作研究臂测试这样的活动水平

测量，没有中期临床评估，也没有对患者进行长期随访，未来需要进行大

队列的多中心试验，以系统地研究康复机器人装置在临床实践中的应用潜

力。李宝等［46］分析28例手术后膝关节僵硬患者资料，比较结合

下肢康复机器人训练的术后康复方案与常规康复方案对患者康复的临床

疗效，经过平均9.8个月的随访发现，采用结合下肢康复机器人训练康复

方案患者的国际膝关节评分委员会评分与膝关节活动度等指标均优于对

照组(P<0.05)o包括外骨骼机器人在内的基于人工智能的康复机器人正

逐渐成为提高康复疗效、降低医疗成本的新手段，其在临床中的应用尚处

于初步发展阶段，还需更多高质量随机对照研究证实其有效性，以获得更

有力的临床证据［47］。

推荐意见9:建议推广大语言模型的研究与应用,进行个性化的健康咨询、

科普教育与康复随访，辅助指导功能障碍患者远程康复与居家康复。（共

识度97.8%）

解读与证据：大语言模型是在预训练语言模型不断地扩大训练参数后得到

的高性能语言模型，展现出前所未有的语境内学习能力、思维链能力、逻

辑推理能力和优秀的人机对话能力［48-50］o在康复医学领域，大

语言模型可以应用于多方面。在患者的健康咨询和科普教育方面，通过医

疗健康专业数据的训练及调整，大语言模型具有很大的可能性实现对患者

的专业知识教育，帮助患者厘清疾病的发病机制等细节［51］。在康

复随访与指导过程中，大语言模型技术能帮助提高功能障碍患者康复的质

量及效率。利用大语言模型能针对不同患者（提前学习患者病例等数据）

制定个性化的康复随访方案，收集医护人员需要的必要信息，生成随访报

告，同时向患者提供康复指导，缓解患者焦虑情绪等，其更高的智能化和

自动化程度得以更好适应现代医疗服务的需求［52］。大语言模型铺

助患者远程康复和居家康复，将成为慢病、智力障碍和认知障碍、抑郁症

等患者的交流、学习和康复的有效工具［30］。大语言模型展现了其

在康复医学领域巨大的可能性，建议推广针对智能大语言模型的研究与应

用，同时需对该技术的使用进行规范化，以规避道德伦理及法律风险，从

而更好利用这一先进技术提升我国康复医疗水平，更好地服务于患者的康

复过程。

推荐意见1。：建议基于康复医疗真实世界大数据开展目标仿真实验

（emulatedtargettrial,ETT）,评价不同干预措施对于功能障碍患者

的康复效果。（共识度97.8%）

解读与证据：在包括脑卒中在内各类功能障碍患者的康复干预效果的评价

中，患者临床表现、功能结局和预后多样化的特点决定了康复结局评价时

异质性高、分散性强、所需样本量大[53],因此难以通过严格的

RCT进行效果评价[15]o随着信息化的发展，大型真实世界观察

性研究数据逐渐积累，基于这些数据模拟开展RCT的ETT,得到较为广

泛的关注和应用[54]oETT能在康复医疗真实世界大数据中采用

特定的方法筛选研究对象组成假设的RCT,并遵照RCT研究的设计和分

析原则，通过对该假设试验数据的分析得到类似RCT的研究结论，从而

能服务于脑卒中后等功能障碍患者的干预措施的康复效果评价[54,

55]o

推荐意见11：基于患者的多源数据，通过机器学习算法建立预测模型，

对功能障碍患者的康复预后做出预测。（共识度97.8%）

解读与证据：在康复医学中，由于功能障碍患者预后的功能状态对中位生

存期的影响巨大［56］,同时患者的功能恢复易受到不同治疗策略或

干预措施的影响，因此，若能对患者预后情况进行预测，及时实行切实有

效的干预，或进行有效的二级预防，可有效改善功能障碍患者预后，提高

康复效果，降低死亡率［57］。近年来，用于构建预后预测模型的数

据来源日益丰富，越来越多的研究采用多中心、不同地区或国家、不同研

究的多源数据集［58,59］o基于患者的多源数据，通过机器学习算

法建立预测模型，对比传统评分准确度更高，对患者的康复预后进行预测

的效果更好［60］。Fanaroff等［61］开展缺血性脑卒中的随

访研究，通过确立复发预警的核心要素及参数，建立缺血性脑卒中复发预

警模型，为脑卒中人群复发率和病死率提供科学理论依据。Monteiro等

［62］比较了在不同场景下应用机器学习预测脑卒中患者预后的可行

性。通过5种不同机器学习方法对541例患者的3个月预后功能结局进

行了预测，进一步纳入入院后2h、24h、7d和出院等时间点的变量后，

与传统量表进行比较，基于机器学习建立的预测模型的预测效果均较好,

其中随机森林的预测效果最好(AUROC=0.94±0.03)°Heo等［63］

使用了3种机器学习模型(深度神经网络、随机森林和logistic回归模型)

对26。4例脑卒中患者的3个月预后进行了预测，纳入的变量为患者入院

时可使用的变量，包括人口统计学特征、美国国立卫生研究院卒中量表

(NationalInstitutesofHealthStrokeScale,NIHSS)评分、发病

至入院时间、卒中亚型、既往疾病史及药物史，最终发现深度神经网络的

AUROC(0.89,95%CI:0.87-0.90)高于洛桑急性卒中登记与分析

(AcuteStrokeRegistryandAnalysisofLausanne,ASTRAL)评分

的AUROC(0.84,95%CI:0.82~0.86)(P<0.001),进一步证实,

机器学习尤其是深度神经网络，可用于功能障碍患者的预后预测。陈智等

[64]指出，数据挖掘技术能够发现潜在的康复预后影响因素，继而

为制定合理康复诊疗方案并规避风险提供支持。综上，专家组认为，基于

患者的多源数据，通过机器学习算法建立预测模型，对功能障碍患者的康

复预后做出预测，对于提高患者的生存质量有重大意义。

五、康复大数据基本研究方法

(一)数据类型及处理原则

推荐意见12:推荐使用深度学习方法处理图像类数据，使用自然语言处

理(naturallanguageprocessing,NLP)技术处理非结构化文本数据。

(共识度97.8%)

解读与证据：康复数据可分为数值型时序数据、数值型非时序数据、文本

数据、图像数据四类(表1)。生理时间序列也称为生理信号，主要包括

心电图(electrocardiogram,ECG)、脑电图(electroencephalogram,

EEG)、眼电图(electro-oculogram,EOG)和肌电图(electromyogram,

EMG)等采集频率较高的时序数据；非时序数据主要包括实验室检查、功

能测评、人口学特征等采集频率相对较低的数据。对于图像数据，需要保

证图像的清晰度、亮度、对比度等；对于文本数据，需要保证文本的完整

性、真实性和多样性。大数据分析通常需耍专门的分析工具(例如，数据

可视化、人工智能、机器学习），这些工具可以检测使用传统方法不明显

的数据中的模式、趋势和相关性。这些模式和趋势可用于识别重要的关系,

而这些关系又可用于进行预测。在这方面，大数据可以被认为是任何可以

挖掘出有用、可操作信息的大量信息［65］。生物电信号具有多通道

和频带节律个体变异的特点，其特征提取方法涉及时域、频域、变换域、

空间域等多种信号处理理论［66］。针对图像数据，例如CT、超声

图像等，大多采用深度学习的方式挖掘图像信息，完成图像标注、分割等

任务［67］。例如谷歌人工智能算法使用眼底照片以高精度识别糖尿

病失明，该算法识别视网膜病变的灵敏度为96.1%,特异度为93.9%

［6］o对于文本数据，例如病历、病理学报告等，通过NLP等技术

进行文本挖掘与处理，能够提升相关预测模型的准确性［68］，使用

机器学习算法创建的慢性病护理临床路径可以将患者划分为基于不同风

险的亚组［6］。

（二）数据预处理

推荐意见13:建议通过独热编码、顺序编码等方式将原始的类别变量和

数值变量转化为机器学习算法能够直接处理的变量。（共识度97.8%）

解读与证据：在进行深度学习之前，通常需耍对图像数据进行预处理，如

归一化、去噪、增强等，以提高数据的质量和模型的学习效果。变量类别

转化通过编码等操作使得原始数据更加整洁一致。建议使用独热编码和顺

序编码。独热编码即One-Hot编码，又称一位有效编码，用来解决类别

型数据的离散值问题，其方法是使用N位状态寄存器来对N个状态进行

编码，每个状态都有独立的寄存器位，并且在任意时候，其中只有1位有

效，用“1”表示属于该类别，用“。”表示不属于该类别，独热编码会在

原始变量中增加新的变量，新增变量数即为类别的数量。使用One-Hot

编码，将离散特征的取值扩展到了欧式空间，让特征之间的距离计算更加

合理，从而对每一特征进行归一化，起到扩充特征的作用，提高模型的精

度和泛化能力［69］。顺序编码是将分类特征编码为整数数组，特征

按顺序转换为有序整数，自动将类别解释为有顺序。

(三)模型构建

推荐意见14:建议根据不同场景和不同类型选择监督学习、非监督学习、

半监督学习和强化学习模型进行康复效果的预测与评价。(共识度97.8%)

解读与证据：机器学习有4种主要学习方式。其中，监督学习(supervised

learning)通过提供已标记的输入和输出样本数据，使模型对标记的数据

集进行分类、回归和预测。无监督学习(imsupervisedlearning)用于

处理未标记的数据，对数据进行聚类、降维、检测等操作，学习数据中的

模式和结构，以便在未知数据上进行分类和预测［70］o半监督学习

(semi-supervisedlearning)介于监督学习和无监督学习之间，利用一

小部分已标记数据和大量未标记数据进行训练，以提高模型的预测能力。

强化学习(reinforcementlearning)用于培养智能体(agent),以一系

列奖励为导向，通过试错学习来改进其性能，从而学会在特定环境下做出

最佳决策。先进技术的发展带来了海量数据，是医疗保健领域的巨大变革。

此外还有大量工作将决策树、隐马尔可夫模型、逻辑回归、支持向量机和

随机生存森林等机器学习模型应用于提高患者对治疗的依从性［6］。

(四)模型验证

推荐意见15:推荐使用准确率(accuracy)、精确率(precision)、召回

率(recall)>Fl分数(Flscore)>AUROC等指标评价分类模型性能，

使用均方误差(meansquarederror,MSE)>均方根误差(rootmean

squarederror,RMSE)、平均绝对误差(meanabsoluteerror,MAE)、

决定系数(coefficientofdetermination,R2)等指标评价回归模型

性能。(共识度95.56%)

解读与证据：针对分类模型和回归模型，需要采用不同指标来评价模型的

预测性能(表2)。对于分类模型，需采用准确率、精确率、召回率(也

称为灵敏度)等指标来评价其性能。其中，F1分数是灵敏度与阳性召回

率的调和值，取值越大模型性能越好。AUROC是由“1-特异度”与“灵

敏度”绘制的AUROC,其取值越大模型性能越好。对于回归模型，一般

使用MSE、RMSE、MAE、R2等指标评价性能。MSE、RMSE

及MAE越接近0,模型性能越好。决定系数R2越接近1,模型性能

越好。

（五）模型的可解释性

推荐意见16:推荐对模型的可解释性进行探索，以利于复朵机器学习模

型的临床转化，推荐的模型解释方法包括局部可解释模型无关的解释

（localinterpretablemodel-agnosticexplanations,LIME）和

Shapley值力『性解释（Shapleyadditiveexplanations,SHAP）o（共

识度95.6%）

解读与证据：模型的可解释性是指人类能够理解和解释机器学习模型的行

为、预测结果及其背后的原因的能力。模型的可解释性对康复大数据模型

的应用非常重要，它影响了是否基于模型结果采取临床决策。机器学习往

往存在黑箱问题，虽然预测准确，但难以解释，限制了临床的应用。可解

释机器学习的核心思想在于选择模型时需要同时考虑模型的预测精度和

可解释性，并尽量找到二者之间的最佳平衡c为了提高模型的可解释性,

目前已开发了多种解释方法，例如LIME和SHAP等，可以帮助用户更好

地理解复杂机器学习模型的行为。LIME算法着眼于输入数据的局部区域,

通过在输入数据附近生成扰动数据，并观察模型在这些扰动数据上的预测

结果来解释模型。它可以解释任何机器学习模型的结果，而不依赖于模型

的内部结构（即模型无关）[71]。SHAP是一种基于博弈论和

Shapley值的解释方法，用于解释机器学习模型的输出结果。某一变量特

征的Shapley值是该特征在所有特征序列中的平均边际贡献。SHAP能够

解决多重共线性问题，不仅考虑单个变量的影响，而且考虑了变量组的影

响及变量之间可能存在的协同效应［72］。

六、康复大数据库的建立标准与原则

推荐意见17:建议构建康复医学应用大数据库与数据分析平台。（共识度

95.6%）

解读与证据：通过康复大数据共享系统，医护人员利用病例信息给康复计

划提供更有价值的参考，并对这些信息进行合理的利用，从而提升康复治

疗水平，有效的信息将在医疗数据中充分挖掘，医护人员可以加强与信息

技术人员的沟通与合作，从而创造更便捷、适用的康复平台［73］。

推荐意见18:推荐形成标准规范的康复数据集，建立康复大数据标准体

系，规范多中心来源数据，规范约束标准代码、度量单位、字段标准、命

名词典，以保障康复大数据库的数据使用的同质性、规范性。（共识度

95.6%）

解读与证据：在卫生领域及康复医学信息化快速发展的过程中，积累了大

量来自于不同系统、不同机构的异构数据资源，对这些数据资源进行整合

与交流的需求不断增长，形成标准规范的康复数据集至关重要。大数据体

系建模前要规划制定数据标准，通过规范约束标准代码、度量单位、字段

标准、命名词典，来保障后续建模与应用过程中数据处理的一致性，从源

头上保障数据的标准化生产，节约后续数据应用和处理的成本。标准代码

是字段标准的取值范围，在标准代码中可设置某一字段标准可选择的数据

的内容以及范围，例如性别字段标准的标准代码内容应该为男或女；度量

单位指字段参数的数量单位（如个、厘米等）；字段标准是对含义相同但

字段名称不同的数据进行统一规范管理的数据准则，字段标准可定义字段

的取值范围、度量单位等内容；命名词典是指数据定义过程中，从业务名

词到物理表、字段的标准化翻译的词根和词素。在医疗领域，医疗体验非

常重要，在康复治疗领域也是如此。在大数据时代，医疗经验可以被传播

和共享，这对于康复治疗技术的提升是非常有帮助的。通过康复治疗大数

据共享系统，医护人员可以通过病例信息获得对康复治疗方案更有价值的

参考。如何合理利用这些信息，提高康复治疗水平是人们关注的问题

[73]。Xu等[73]提出了基于区块链的康复大数据流程管理

模型，不仅很好地满足了康复治疗管理系统的监督和审计需求，而且实现

了卫生行政部门、医院和患者之间的真正联盟，通过去中心化保证医疗数

据的保密性和抗篡改性，借助大数据挖掘技术，医疗数据中的有效信息将

得到充分利用，医疗人员可以加强与信息技术人员的沟通与合作，从而打

造一个更加便捷适用的康复治疗平台。当前国内外多个大数据库重点关注

康复措施、康复设备及康复结果，如芝加哥康复研究所建立的

RehabilitationMeasuresDatabase（康复措施数据库，https:

//www./rehabilitation-measures）囊括了针对不同疾病的

超过560种康复措施；英国国家康复结果数据库（UKRehabilitation

OutcomesCollaborative,UKROC,https:

//rehabilitationm/rehabilitation-in-uk/ukroc-databas

e/）能提供有关康复活动和患者水平成本的唯一准确信息。国内目前建有

针对医疗系统的平台方案，其康复大数据平台面向临床科研、辅助诊疗、

知识分享、案例复盘等数据智能应用需求，整合院内外数据，一站式管理、

分析和挖掘。

推荐意见19：建议建立全国性以患者为中心的康复大数据应用研究网络

［74］,加强跨学科合作。（共识度97.8%）

解读与证据：大数据发展的驱动力是全国范围内从基于数量的医疗保健系

统向基于价值的医疗保健系统的转变［75］。康复信息是跟踪和更新

患者病情的重要参考。在大数据时代，数据挖掘技术的不断进步，可以有

效挖掘康复患者的诊断信息，并与其他类似的康复患者进行数据对比，有

助于医师制定更准确的康复计划。基于对患者档案的数据分析，并利用数

据挖掘技术提升药物研发的整体效率，从而建立康复治疗服务的新模式

［74］。通过以有康复服务需求的个体为中心，详细记录个体的全生

命周期多维健康状况，然后利用数据仓库共享医疗数据，实现以人为本的

服务目标，提高康复服务的可及性和效率［73］。康复大数据的应用

是一个多学科交叉的领域，跨学科合作尤为重要，通过促进康复医学、大

数据、人工智能、工程学等不同学科间的跨领域合作，可为康复大数据领

域开发新的技术解决方案，推动康复大数据处理、分析、应用工作的突破

性发展［76］。

七、康复大数据的临床应用场景

（一）康复医学可穿戴设备

推荐意见20:建议加强可穿戴智能技术与康复辅具的结合，推进数智化

赋能康复医疗设备，运用无线体域网监测患者全身多项生理信号［77］。

（共识度95.6%）

解读与证据：随着先进传感器技术和人工智能技术的发展，集可穿戴设备、

物联网、无线互联网于一体的智能辅助诊疗系统，推动了智慧医疗的开创

性变革。基于生物电信号的辅助诊疗技术从发现生物电信号和经历的数字

化和网络化开始，到物联网和无线网络的融合［78］。相应的采集设

备从数字化发展到便携式和可穿戴化，以及生物电信号的识别方法。它还

包括从简单的阈值判断、统计分析等高级人工智能算法。随着医疗数据越

来越数字化和标准化，数据的存储成木也大大降低.当数据在商用硬件上

运行后，逐渐被广泛应用于医疗行业，能够更好地服务于医疗健康行业

［79,80］o信息与通信技术（informationandcommunications

technology,ICT）提供了更广阔的空间，能够收集到有关患者居家康复

锻炼的依从性、康复表现和进展的数字数据，可以与患者的其他临床信息

相结合，帮助指导患者在门诊间隙进行疗程修正［6］。随着基于应

用程序的治疗管理和基于传感器的运动系统的出现，此类数据的可用性也

越来越高［81］。一项系统综述结果表明，可穿戴系统主要用于卒中

康复中对姿势和上肢运动的监测和反馈［82］。未来要结合患者需要，

加强可穿戴智能技术与康复辅具的结合，拓展可穿戴设备应用范围，推进

数智化赋能康复医疗设备，构建无线体域网，实现对患者全身多项生理信

号的全面监测［77］。智能医疗器械和远程监测技术在肿瘤患者的康

复管理中也发挥重要作用［83］。2024年《国务院办公厅关于发展

银发经济增进老年人福祉的意见》［84］明确指出要打造智慧健康养

老新业态，完善智慧健康养老产品及服务推广目录，推进新一代信息技术

以及移动终端、可穿戴设备、服务机器人等智能设备在居家、社区、机