以技术为基础的干预措施在儿科康复中越来越重要，在向符合服务条件的儿童、青年和家庭提供以家庭为中心和以功能为重点的干预措施时，可以为康复医生提供帮助[ 1］．此外，基于技术的康复工具可用于拥有电子数据捕获系统的组织，以监测康复服务使用的趋势和提高质量的结果[ 2， 3.］．对个人和组织而言，COVID-19大流行加大了对远程提供和监测康复服务的技术解决方案的需求[ 4］．

提供基于技术的儿童康复的一种方法是应用人工智能(AI)，这是国家卫生研究院的优先事项，反映在他们的康复研究计划[ 5， 6］．根据罗素和诺维格[ 7，人工智能关注的是设计和构建像人类一样思考、像人类一样行动、理性思考、理性行动的系统。它包含了不同的子领域，如自然语言处理(NLP)、机器人或人类增强学[ 7］．人工智能在儿童康复中的应用有可能简化治疗过程中的步骤，并可能减少提供者和患者的负担，并使提供者能够定制他们的康复服务。

康复包括广泛的高度变化的干预措施，由于其复杂性难以定义[ 8- 10］．对康复干预进行分类的一个重要方法是根据其目标结果[ 9］．在过去十年中，关于使用人工智能改善关键儿科康复结果的研究迅速增加，包括身体功能、活动表现以及残疾儿童和青年充分参与有价值的活动[ 11- 13］．对于儿童和青年来说，参与家庭、学校和社区活动被世界卫生组织定义为“参与生活情境” ”［ 14]并由Imms等人进一步概念化[ 15]即参加和参与活动，这与他们的活动能力、环境或背景以及他们的喜好或自我意识有关，但又不同于它们[ 15］．鉴于残疾儿童或患有其他已诊断健康问题的儿童或青年的参与需求未得到满足，从幼儿期开始并在各种环境中开始[ 16- 19]，以参与为重点的干预研究越来越多[ 20.]，包括整合人工智能的干预措施，以接受儿科康复的青少年的参与为目标。

最近一项关于以参与为中心的儿童康复效果的系统文献综述通过数据库搜索发现了2257条记录，表明参与作为儿童康复干预的结果具有高度相关性[ 20.］．然而，这篇综述并不关注人工智能的使用。关注人工智能的文献综述表明，以信息和通信技术或机器人的形式使用人工智能可以提高儿童在游戏中的参与度，刺激学校表现[ 13]，并促进社会互动[ 11， 12］．然而，这些综述对参与性的关注程度有所不同[ 11- 13]，范围狭窄(例如，只关注参与游戏)[ 13]，并仅限于选定的诊断(例如，身体残疾)[ 13］．这些限制阻碍了我们对人工智能在儿童康复中的现有应用范围的理解，这些应用的目标是参与日常生活活动。

为了更好地了解目前人工智能在儿童康复中的应用范围，并确定未来研究的空白，迫切需要总结针对儿童和青少年参与活动的干预措施中使用人工智能的现有证据。本次范围审查的目的是审查如何将人工智能纳入儿童康复干预措施，以残疾儿童和青少年或有其他诊断健康问题的儿童和青少年参与有价值的活动。

本文的贡献如下:

范围审查通常用于概述某一领域的现有证据，并确定未来研究的差距[ 21， 22］．越来越多关于人工智能在以参与为重点的儿童康复中的使用的出版物表明，康复研究的发展是一个新兴领域，因此有必要进行这一范围审查[ 21］．此范围检讨的方案已在开放科学架构内注册[ 23］．

本综述的第一作者(VCK)在应用健康科学和计算机科学领域的成熟数据库(PubMed、psyinfo、ERIC、CINAHL、IEEE Xplore和ACM数字图书馆)中对2021年2月之前发表的文献进行了系统的文献搜索。该搜索没有应用其他发布数据限制或搜索限制。我们向一位健康科学图书管理员寻求支持，为每个数据库开发具有可用的词库(即PubMed、psyinfo、ERIC和CINAHL)和关键词的主题标题 人工智能， 参与， 卫生保健， 残疾, 年轻人（ 文本框1) ［ 24， 25］．这些是使用截断和布尔术语应用的，结果是2496个文档( 图1)．完整的搜索策略在 多媒体附录1．在咨询了AI专家(NP)后，使用数据库搜索中的相同关键词在ACL Anthology和AAAI数字图书馆中进行了额外的搜索。这导致了额外的533个文件。

在删除副本后，2个独立的编码器(VCK和MV)对剩余文档的标题和摘要应用了包含和排除标准。根据其摘要或标题表明潜在适合的文件进行全文阅读，并基于相同的纳入和排除标准进行编码。首先，2名具有参与为主的儿童康复专业知识的独立作者(VCK和ZS)对相同的文件进行编码，直到达成至少80%的一致意见[ 26］．通过讨论解决了差异和编码不确定性。其余的文件分别筛选(VCK和ZS)，而20%的随机选择的文件进行了双重筛选(即，10%:VCK和ZS;10%，包括一名在参与为主的儿童康复方面具有专长的外部评审员:VCK和Kyle A Truevillian) [ 26］．与第三位审稿人(VCK、ZS和Kyle a Truevillian)讨论了关于文档包含的疑问。其次，由一名特别关注人工智能的附加作者(MV)进一步筛选表明适合的文件。分歧通过讨论(VCK, ZS, MV和Kyle A Truevillian)解决，并在其他关键线人(MAK和NP)的帮助下解决。

如果(1)参与是明确的研究目标或结果，或人工智能应用的目标重点，则包括以下文件;(2)人工智能作为提供和测试的干预措施的一部分;(3)残疾或其他已诊断健康状况的儿童或青少年是研究、人工智能应用或两者的重点;(4)该研究以英文发表。为确保纳入范围广泛的研究，在适用甄选标准时没有使用参与的操作定义。关注参与的研究或人工智能干预措施;夹杂物;参与;嬉闹;进入或参与生活状况、环境或活动; social interaction; or social engagement were considered participation and were therefore included in this review. Documents were excluded if (1) participation in daily activities was not the focus of the study (eg, focus was on skill development); (2) there was no use of AI for the described intervention (eg, the term 算法被用于非计算机科学的方式);(3)使用人工智能的干预措施没有在儿童、青少年或两者中进行测试;(4)没有关注残疾或其他诊断出的健康状况;(5)以成人为研究对象(平均年龄>24岁[ 27]);(6)该研究以英文以外的语言发表;或者(7)文件是教科书或教科书综述、文献综述、研究方案、会议或研讨会计划，或者只有摘要，没有附加信息。为防止丢失相关研究，对被排除文献综述的每个参考文献列表进行筛选。

第一作者对使用Microsoft Excel的数据提取模板进行了5项研究的试验，并与作者团队进行了讨论，以确保数据提取所包含的类别的清晰度和相关性[ 28］．然后，根据以下类别提取所有纳入研究的数据:作者、年份、标题、样本量、儿童和青年年龄、儿童和青年种族和民族、家庭社会经济地位、父母教育、干预中应用的人工智能类型、干预的个性化类型、干预提供的主要方法是亲自还是远程，以及目标设置是否作为干预的一部分。

纳入的研究与一种或多种AI类型的映射由csranking指导[ 29和AAAI关键词分类[ 30.)，两个常用的人工智能排名系统和分类法。本研究的AI类型包括机器人、NLP、人类计算与众包、计算机视觉、知识表示与推理、机器学习(ML)、人机交互(HMI)、认知建模、约束满足与优化、博弈论、规划与路由与调度、可视化与虚拟现实(VR) [ 7］．随着机器人设备越来越多地用于康复治疗[ 31]，使用机器人技术的研究根据它们是专注于机器人力学还是专注于使用系统被进一步分类。

Fan等人开发的框架[ 32]引导干预的个性化类型映射根据2个维度(即，类别个性化vs个性化;内隐与外显个性化)。分类个性化针对一类人，如诊断组或独生子女家庭[ 32］．例如，在这篇综述中，这些设备被设计为包含满足自闭症谱系障碍(ASD)儿童的共同需求的功能。个性化个性化针对特定的个人[ 32]，就本次审查而言，个人感知并报告了参与需求。隐式个性化是系统启动的，这意味着它是由系统自动完成的，而显式个性化是用户启动的，这意味着用户手动引导系统进行首选的适配[ 32］．

当干预与研究人员或康复专业人员面对面进行时，干预被映射为面对面的干预。如果干预是在儿童的自然环境中进行的，且没有研究者或康复专业人员，则被认为是远程提供的。

纳入的关于目标设定是否作为所述康复服务的一部分加以处理的研究，以康复环境的目标设定和行动规划实践框架为指导[ 33］．如果所描述的康复服务包括目标协商(例如，病人在哪里，病人想要到达哪里)或目标设定(例如，病人想要达到什么)，研究就会映射到目标设定的问题[ 33］．

图表数据采用描述性统计(即频率计数和百分比)进行了汇总，概述了如何利用人工智能支持有残疾或其他诊断出健康问题的儿童和青年参与的现有证据。

文献检索发现3029份文献中有873份重复(即出现多次的文献)，结果有2156份文献进入了基于纳入和排除标准的2倍筛选过程，以评估其资格( 图1)．第一个筛选阶段包括标题和摘要，得到213篇纳入文献和1943篇排除文献，以及在筛选排除文献综述参考文献列表时发现的11篇额外研究。评分者之间一致性的科恩κ为0.67，表明存在实质性的一致性[ 34］．该估计不包括通过AAAI数字图书馆和ACL选集找到的众多会议项目(n=450)，对这些项目的排除判定是微不足道的，因此科恩κ值更保守。

第二筛选阶段包括对第一筛选阶段纳入的224份文件的全文审查，结果有94份纳入研究供范围审查之用。在130篇被排除的文献中，61篇(46.9%)缺乏参与重点，38篇(29.2%)因其格式(即教科书或教科书综述、研究方案、文献综述或仅为摘要)而被排除，10篇(7.7%)没有测试干预，7篇(5.4%)针对成人人群;5人(3.8%)没有在干预中使用人工智能，5人(3.8%)没有关注残疾人或其他诊断出的健康问题，4人(3.1%)没有使用英语( 图1)．

纳入的94项研究发表于2000年至2021年之间，2010年之后发表的比例更高(76/94,81%; 多媒体附录2［ 35- 128])。所有研究都将人工智能作为干预措施的一部分，并针对儿童或青少年参与，如研究目标、结果或测试人工智能应用的重点所述。

关于样本特征，所述干预措施的样本量从1到120名儿童和青少年(平均14名儿童或青少年)进行了评估。在报告性别认同的研究中，76%(51/67)的样本中男孩的比例更高。92%(86/94)纳入的研究没有报告家庭的社会经济背景、父母的教育、或儿童或青少年的种族或民族。在评估干预措施时，15%(14/94)的研究取样了照料者、教师、同龄人、其他学校工作人员或他们的组合，以及儿童或青少年。针对诊断范围广泛的儿童或青少年制定或测试了纳入干预措施，其中ASD是最普遍的(43/ 94,46%)，其次是脑瘫(CP;18/94, 19%)。

94项研究中的大多数采用机器人作为人工智能干预类型，以残疾儿童和青少年或有其他诊断健康问题的儿童和青少年参与为目标(72/ 94,77%)[ 35- 106]，其次是HMI (51/ 94,54%) [ 35， 37- 44， 47， 50- 55， 58， 65， 66， 69， 71， 72， 75， 78， 80， 82， 85- 89， 91- 98， One hundred.， 101， 103- 111，可视化和虚拟现实(19/ 94,20%)[ 53， 54， 72， 79， 107， 108， 112- 124]， NLP (18/94, 19%) [ 36， 47， 52， 64， 71， 78， 79， 82， 91， 101， 103- 105， 120， 125- 128]， ML(11/94, 12%)，计算机视觉(10/94,11%)[ 40， 41， 64， 67， 69， 107， 110， 120， 125， 126， 128]、约束满意度与优化(1/ 94,1%; 表1) ［ 110］．在72项机器人研究中，63项(88%)研究关注使用系统[ 35- 39， 41- 53， 55， 57， 58， 60- 63， 65， 66， 68- 74， 76- 78， 80- 101， 103- 1069名(13%)专注于机器人力学[ 40， 54， 56， 59， 64， 67， 75， 79， 102］．

纳入的大多数研究描述了使用人工智能多种应用的干预措施(60/ 94,64%)，如带有人机交互的机器人[ 35- 44， 47， 50- 55， 57， 58， 63- 67， 69， 71， 72， 75， 78- 80， 82， 85- 89， 91- 98， One hundred.， 101， 103- 108， 112， 120， 125- 128]，或带有NLP和约束满足与优化的ML [ 110］．在这些研究中，机器人技术最常被整合到采用多种人工智能应用的干预措施中。包括机器人在内的多种人工智能干预的例子是类人或非类人设备，通过将机器人的头部指向目标或从左到右晃动其身体来表达兴奋等情绪，以促进残疾儿童的互动或玩耍[ 39］．

在纳入的94项研究中，22项(23%)研究使用了机器人以外的人工智能形式[ 107- 128］．其中15项包括可视化和虚拟现实应用，如沉浸式虚拟学习项目[ 107， 108， 112- 124];8%(7/94)的干预措施既不包括机器人，也不包括可视化和虚拟现实[ 109- 111， 125- 128］．此类干预的例子包括为听力障碍儿童提供语音到手语翻译的框架[ 127]，以及为住院儿童设计一个与同龄人见面的虚拟空间[ 108］．

至于交付方式，大部分纳入的研究描述了亲自交付的干预措施(84/ 94,89%)[ 35- 50， 52- 84， 86- 91， 93， 94， 96- 99， 101- 107， 109， 111- 124， 127，主要采用一对一的方法。共11%(10/94)纳入的研究评估了远程交付的人工智能干预措施[ 51， 85， 92， 95， One hundred.， 108， 110， 125， 126， 128］．

大多数人工智能干预都是针对某一类人(即分类个性化)进行定制的，如针对诊断组(93/ 94,99%)[ 35- 109， 111- 128]，使用隐式(即自动个性化:45/ 94,48%)[ 35， 36， 38， 43- 46， 48- 50， 52， 55- 57， 60， 64- 66， 70， 74- 77， 79， 81- 84， 87， 89- 91， 97， 101， 104- 107， 114， 117， 120， 125- 128或显式(即手动个性化:48/ 94,51%)方法[ 37， 39- 42， 47， 51， 53， 54， 58， 59， 61- 63， 67- 69， 71- 73， 78， 80， 85， 86， 88， 92- 96， 98- One hundred.， 102， 103， 108， 109， 111- 113， 115， 116， 118， 119， 121- 124］．例如，Yee等[ 35为自闭症谱系障碍儿童设计了一个机器人平台，根据该诊断群体的典型需求进行定制。相比之下，在纳入的研究中，只有1%(1/94)描述了针对残疾或其他诊断出健康状况的儿童或青年的个别报告和独特需求(即个性化个性化)的干预措施[ 110］．它包括使用推荐算法，集成关于不同物理和虚拟学习资源的位置、它们的用途、方式，以及个人的课程表、大学教室和导航系统的信息，为访问和导航到适当的位置提供合适的、独特的定制选项[ 110］．此外，1%(1/94)纳入的干预措施将个人目标设定描述为其治疗过程或干预计划的一部分[ 112］．在本次干预中，采用加拿大职业绩效量表(Canadian Occupational Performance Measure)进行个人目标设定，并根据确定的患者目标进行基于电子游戏的任务导向活动训练[ 112］．

本研究总结了20年来关于人工智能在针对残疾儿童和青少年或其他被诊断出健康状况的儿童参与的干预措施中的使用的证据，扩展了在儿科康复中使用人工智能的广度知识。人们对人工智能应用越来越感兴趣，以便根据儿童和家庭报告的需求定制儿科康复服务，并减轻提供者负担。该综述的结果表明，为不同年龄和不同诊断的儿童设计的AI应用程序往往强调机器人(单独或与其他形式的AI结合)、亲自交付，以及使用内隐和外显个性化方法的目标儿童群体。每个发现将进一步讨论，以确定未来研究的知识缺口。

大多数被研究的机器人设备都没有上市，只是在现场治疗过程中使用 火车儿童或青少年参与一项特定活动，并期望将所得转移或转移到儿童或青少年的家庭、学校或社区的自然环境中。这种期望在以前的参与文献中受到了挑战，强调环境对于塑造年轻人参与日常活动的重要性[ 129- 132］．环境和背景对儿童和青少年参与的中介作用，也在研究以参与为重点的干预措施效果的研究中得到了支持[ 133， 134］．

有趣的是，尽管有可能利用技术远程提供康复干预，但大多数发现的干预措施都是亲自提供的。这一结果与此前进行的一项调查一致，该调查显示，2019年只有8%的美国人使用远程医疗[ 135］．或者，我们的结果也可能是由于使用机器人的干预措施非常普遍，通常需要训练有素的操作人员和专业设备出现在治疗现场[ 48， 52， 84］．利用机器人技术远程提供干预措施，在教室中部署机器人，使居家儿童能够虚拟融入[ 51， 85， 92， 95， One hundred.］．其余的远程交付干预通常应用ML和NLP，这可能表明ML和NLP适用于使用人工智能的远程儿童康复干预。ML和NLP已用于一系列健康干预措施，以促进行为改变，如体育活动和健康饮食，包括目标设定[ 136， 137］．鉴于在其他卫生保健领域使用人工智能制定目标的现有证据[ 136， 137]以及在制定儿童康复中目标设定的复杂过程中获得效率的重要性[ 138， 139]，在这篇综述中缺乏对目标设置的关注表明了一个明确的知识缺口，值得未来的研究。以参与为重点的新兴电子干预措施，如参与和环境措施- plus [ 140- 143将个人目标设定作为干预的一个组成部分，可能会从探索使用人工智能填补这一知识缺口中受益。

大多数已确定的人工智能应用是根据个人群体的需求定制的，只有1%(1/94)是根据残疾或其他被诊断出健康问题的儿童和青年的单独报告的参与需求定制的。当将这一结果与人工智能在医疗保健以外领域的应用进行比较时，令人惊讶。例如，在市场营销中，人工智能通过根据客户报告的需求和偏好定制广告，彻底改变了常见的广告做法。各字段之间的差异可能是由于对健康信息的保护更加严格;然而，使用在正式(如电子健康记录)或非正式(如患者对话)设置中收集的患者数据，如诊断和决策，在类似进展方面有所增加[ 144- 148］．类似的方法在儿童康复中也可能是可行的，并且是有益的，使用现有的患者数据来预测量身定制的以参与为重点的干预措施。最近一项关于以参与为重点的干预措施效果的系统性文献综述建议，重点关注针对个人的干预措施，以支持残疾儿童和青年的参与[ 20.］．根据患者报告的需求调整康复干预措施的一种方法涉及到患者的目标。在康复方面，目标设定已成为跨专业治疗过程的一个组成部分，包括以儿科参与为重点的干预措施[ 133， 134］．之前的研究表明，护理人员可以被引导在网络上创建以参与为重点的目标[ 149］．在人工智能支持的儿童康复干预措施中纳入目标设定可能是使干预措施符合残疾儿童和青年或有其他诊断健康问题儿童和青年的参与需要的重要的第一步。

尽管为患有自闭症谱系障碍或脑瘫的儿童和青少年测试或设计干预措施的纳入研究的流行率很高，但在本次范围审查中，诊断样本的代表是多样化的，表明在各种诊断中使用人工智能应用的相关性。相比之下，只有9%(8/94)的研究报告了儿童或青少年的种族或民族、家庭社会经济地位、父母教育或家庭收入，尽管有证据表明这些因素对儿童和青少年参与的影响[ 150- 152］．未来的研究应捕捉儿童和青少年的种族和民族以及社会经济家庭地位的指标，以描述其研究样本的多样性[ 153］．

为全面审查有关利用人工智能以儿童和青年参与为目标的文献作出了努力。然而，这个范围审查的结果应该根据一些限制来解释。尽管纳入的研究数量相对较高，但我们可能遗漏了一些相关文献。三个主要的例子包括:(1)如果使用人工智能的干预在标题和摘要筛选过程中没有被识别出来，那么该文档很可能被排除在搜索或选择过程之外;(2)对照所有纳入的研究，对综述文章进行参考文献列表筛选;(3)以英文以外的语言出版的文件不包括在内。此外，纳入的研究没有根据参与的定义进行筛选，这可能导致概念上的不一致，这在一项针对残疾儿童的以参与为重点的干预措施的系统综述中已经表明[ 20.］．参与概念化的可变性会限制跨研究结果的解释和比较[ 20.， 154]以确定专门针对以参与为重点的康复干预措施的知识差距。未来的研究应将使用人工智能的研究与参与概念的当代框架相结合，以确保研究结果的可解释性。

关于使用人工智能的干预措施的研究越来越多，其目标是残疾或有其他诊断健康问题的儿童和青年的参与，支持在儿科康复中使用人工智能的潜力。总体而言，大多数干预措施使用了多种人工智能应用，包括机器人和HMI。其他类型的人工智能，如ML或NLP，不太流行，但在以参与为中心的干预中显示出潜在的好处。在我们的研究结果的基础上，我们发现了3个主要差距，证明了未来研究和开发的必要性:(1)缺乏使用人工智能远程提供的以参与为重点的干预;(2)缺乏在使用人工智能的干预措施中整合的个人目标设定;(3)缺乏使用人工智能的干预措施，以满足儿童、青年或家庭单独报告的参与需求。

此外，未来的研究应该持续报告家庭的社会经济背景，父母的教育，或种族和民族，以描述他们的研究样本的多样性。