近年来，在患者自然环境中提供护理和评估结果取得了长足进步。2019冠状病毒病(COVID-19)大流行进一步产生了对远程卫生保健方法的需求，并加快了采用这种方法的速度。可穿戴传感器，用于描述可穿戴在身上的小型轻量测量设备[ 1]，已成为远程护理和评估模型的组成部分。这些设备可以直接戴在身上，也可以放在配件(如手表)内，而不会改变用户的自然行为。

骨关节炎是一种机械驱动的疾病，也是中老年人残疾的主要原因[ 2］．骨性关节炎的负担主要是由于膝关节和髋关节骨性关节炎的患病率较高[ 3.]，包括因髋关节或膝关节骨性关节炎而接受关节置换术的人士[ 4］．在髋部或膝关节骨性关节炎患者中，日常活动中关节负荷异常与发病有关[ 5]，激发了评估日常运动中重复负荷与疾病结果之间关系的兴趣，以及改变这些负荷的干预措施[ 6］．尽管有大量关于了解膝关节或髋关节骨性关节炎患者日常活动中的运动模式的文献，但大多数先前的工作使用的是实验室或临床评估，其生态有效性有限[ 7］．此外，测量人体运动的金标准光学动作捕捉需要昂贵的设备、熟练的技术人员和大的校准测量空间，限制了其大规模部署。相比之下，可穿戴技术可以相对轻松地从现实环境中提供大量数据。这些数据可以通过远程监测为治疗计划提供信息，从而提高医疗保健质量[ 8]，以提供远程护理服务，以解决提供者和患者的时间限制[ 9]，以及通过可操作的见解促进患者积极参与[ 9］．因此，可穿戴传感器为促进髋关节或膝关节骨性关节炎患者的研究和护理提供了巨大的机会，包括那些接受关节置换手术的患者，最常见的是关节炎关节的全髋关节置换术(THA)或全膝关节置换术(TKA)。

用于OA应用的最常见的可穿戴运动传感器是加速度计、陀螺仪和磁力计。加速度计测量沿敏感轴施加的加速度(即线速度变化率)[ 10］．陀螺仪测量旋转参考系内的角速度(即角运动的变化率)[ 11］．磁力计通过感应地球重力场来捕捉数据，提供航向信息，包括身体方向[ 12］．所有这3种传感器都有局限性:加速度计受到信号漂移的影响[ 13]，测量非动态事件可靠性差[ 14]，以及重力对加速度信号的影响[ 12];陀螺仪会遇到漂移问题，特别是在转弯运动时[ 11];而磁力计也会受到其他磁场的影响(例如，附近的铁磁性物体)[ 15］．因此，这些技术经常组合使用，特别是作为惯性测量单元(imu;也被称为 惯性传感器)，由加速度计、陀螺仪组成，有时还包括磁力计。惯性传感器相对便宜，体积小，重量轻，不显眼，允许在大型队列中实施;这些传感器可以与其他技术或类型的传感器一起使用，为用户提供反馈(例如，移动应用程序)。

本综述的目的是分析目前使用惯性传感器评估髋关节或膝关节骨性关节炎患者(包括接受关节置换手术的患者)日常活动中的运动的用途和局限性，并确定如何将其转化为改善这一人群的远程医疗保健。最后，我们重点讨论了潜在的未来应用和需要进一步开发的剩余领域。这一综述可用于指导当前的实践和进一步研究这些有前途的技术。

在这篇叙述性综述中，我们于2018年11月在PubMed和Embase数据库中进行了初步的文献搜索，并于2019年7月和2021年3月重复了搜索。用于搜索的关键词是(“IMU”或“惯性传感器”或加速度计或陀螺仪或磁力计或可穿戴式*或传感器)和(骨关节炎或关节炎或“TKR”或“TKA”或“膝关节置换术”或“膝关节成形术”)。

我们纳入了符合以下标准的研究:(1)用英语发表的原创研究，(2)在过去5年内发表的，(3)使用惯性传感器研究人体运动，(4)包括OA患者或膝关节置换术患者的数据。我们排除了使用惯性传感器研究其他相关结构(如睡眠质量和身体活动)但没有直接研究运动模式的研究。我们排除了那些专注于膝关节损伤但未诊断为膝关节骨性关节炎(如前交叉韧带撕裂和半月板损伤)的研究。重复研究、系统综述、会议摘要和研究方案也被排除在外。一名研究人员(SE或MJR)筛选了搜索结果标题，删除了与本综述不相关的研究。对于其余研究，由2名研究人员(SE和DK或MJR和KEC)阅读每项研究摘要，以确定是否应纳入该研究。最终的决定是由MJR、KEC和DK协商一致做出的。共有2位作者(SE和MJR)回顾了纳入的研究，并注释了关键信息，包括研究目标、研究人群、惯性传感器的细节、传感器使用的具体应用以及研究结果。在回顾这些信息后，我们根据研究目标对纳入的研究进行分类，以便为读者组织这篇综述。具体而言，我们将这些研究分为与惯性传感器测量的有效性和可重复性相关的研究(n=8)， OA存在和严重程度的评估(n=11)，与OA进展和步态再训练相关的运动模式评估(n=7)， OA干预结果评估(n=14)，以及传感器放置和数据分析(n=3)。 For each of these sections, we synthesized the findings from the included studies with a focus on applications, limitations, challenges, and possible future directions. Tables are presented for each section, summarizing the key information from the included studies. Detailed descriptions of the study and sensor applications can be found in tables in 多媒体附件1［ 16- 56］．

随着可穿戴技术用于运动质量评估的增加，有必要评估这些技术的可重复性和有效性( 表1；表S1 多媒体附件1)．据报道，在髋部OA患者中，从单个骨盆IMU记录的波形具有与光学运动捕捉记录的波形相似的形状和大小[ 57］．Fennema等人使用机械臂和拟人腿幻影来模拟3种不同速度下的膝关节屈曲[ 16]确定了在不同膝关节屈曲速度或imu重新定位时，基于imu的关节角度测量(<+5°或−5°)的可接受的测试-再测试重复性。在健康的年轻人中，足进角(FPA)，即足部相对于行进方向的角度，也已测量，具有良好到极好的效度(组内相关系数=0.89-0.91)和信度(组内相关系数=0.95)[ 17]，与光学运动捕捉相比误差小于2°[ 58使用鞋内IMU。许多IMU系统已经成功验证了光学运动捕捉，包括用于估计膝关节内收力矩(KAM)和胫股关节接触力的17-IMU系统[ 18];4-IMU系统用于测量时空步态变量和膝关节活动度[ 19];7-IMU系统用于测量髋关节、膝关节和髋关节角度[ 20.]和膝关节OA [ 21］．此外，Bravi等[ 22]发现一个单一的下躯干IMU可以有效地测量健康参与者和近期TKA或THA患者拄拐行走的时空步态参数;然而，该设备在患者组的步态周期相位识别方面遇到了困难。尤等[ 59]发现与初始加载行为相关的变量(即膝关节屈曲力矩、KAM、前地面反力和垂直地面反力)可以预测( R²≥0.60)从TKA后患者的2个踝关节磨损加速度计中提取的10个时间和动力学参数。这些研究表明，可穿戴传感器可用于估计关节动力学。在健康老年人中，与光学运动捕捉相比，基于imu的系统也被发现在更高要求的任务(如楼梯上升、楼梯下降和坐-站)中提供有效的指标[ 18]以及在THA后个体水平行走期间[ 60］．此外，当imu由不同的操作员放置或传感器沿前后轴和中外侧轴移位+20至- 20 mm时，报告的方差系数值较低(<10%)[ 23］．随着硬件的不断增强和更大数据集的可用性，预计这些设备的性能将继续提高，特别是使用先进的机器学习方法进行数据分析。

本综述中确定的惯性传感器最常见的应用之一是使用imu衍生的运动参数来确定髋关节或膝关节骨性关节炎的存在或严重程度( 表2；表S2 多媒体附件1)．在这些研究中，提取各种运动参数的方法存在很大差异。更简单的方法依赖于使用原始传感器数据并关注行走步态。例如，Tanimoto等人[ 24]比较了由陀螺仪直接测量的膝关节OA患者和对照组患者摇摆时的峰值小腿角速度。作者利用加速度信号确定步态周期。虽然他们没有发现两组之间在峰值角速度的平均值和变异性测量上有任何显著差异，但他们观察到较大的角速度和较低的峰值角速度变异性与较低的疼痛和更好的参与者报告功能相关。另一种相对简单的方法包括使用来自足部imu的加速度和角速度信号的平均值和均方根，而不进行任何步态周期检测[ 23］．利用这种方法，Barrois等[ 23]确定了61个参数中的4个，以区分中度损伤的膝关节或髋关节骨性关节炎患者，重度损伤患者和健康对照组。但是，鉴于比较量大，样本比较少，没有调整的办法 P值，他们的发现可能容易受到第一类错误的影响。最后，Na等[ 25]报告了膝关节骨性关节炎患者在行走中期的胫骨加速度和胫骨跳动(即加速度的时间导数)幅度比对照组更大，而更大的加速度与更大的自我报告的膝关节不稳定有关。这些研究的结果表明，从原始加速度或角速度信号中提取的信息，甚至从单个传感器中提取的信息，可能有助于区分膝关节骨性关节炎患者和对照组，并可能与临床有意义的参与者报告的结果相关。

其他研究使用更复杂的计算方法提取时空参数和关节运动学在行走过程中使用IMU数据。Ismailidis等人[ 26， 61]发表了两项研究，分别针对终末期髋关节骨性关节炎患者和终末期膝关节骨性关节炎患者，他们比较了骨性关节炎和对照组人群imu的时空和矢状面运动学。通过统计参数映射，他们观察到每个OA人群和对照组之间的多个参数(如节奏、膝盖和臀部运动学)的差异。膝关节骨性关节炎患者与对照组的时空参数差异[ 27]以及不同骨性关节炎严重程度的膝关节间的关节运动学[ 28也被其他研究报道过。这些方法更接近传统上使用3D运动捕捉系统获得的信息，并允许与现有文献进行比较。然而，这些研究大多依赖于商业系统，这引起了人们对数据准确性和有效性的担忧，因为算法往往是专有的。

除了行走，imu还用于比较OA患者和对照组患者在其他日常活动中的运动模式。在同一队列的终末期膝关节骨性关节炎患者和对照组的2项研究中，van der Straaten等人[ 29， 30.]比较了各种活动中的运动模式，包括走路、弓步、爬楼梯、下蹲、坐-站和单腿平衡。他们报告了多项测量的差异，包括那些代表躯干和骨盆运动的测量，这是以前没有报道过的。这些作者也使用了一个商业系统，但进行了针对光学动作捕捉的验证研究。他们的结论是，IMU系统还没有准备好评估膝关节骨性关节炎患者的运动模式，特别是额面运动。

本节的最后2项研究在IMU数据的后处理过程中使用了机器学习方法[ 31， 32］．超越时空参数和关节运动学，De Brabandere等[ 31]通过机器学习，从智能手机内的单个IMU估算各种日常活动中的髋关节和膝关节接触力。他们观察了不同关节(髋关节和膝关节)和活动的模型表现的差异。他们得出的结论是，他们的方法易于使用，在模型性能方面很有前途，但没有得出足够准确的接触力估计，以供临床使用。然而，这项研究代表了imu在估计关节接触力方面的重要进展，未来使用多个传感器和更先进的机器学习方法的工作可能会产生更好的结果。最后，Dindorf等人[ 32]使用可解释的人工智能，根据行走过程中7个imu的数据，将人群分为全髋关节置换术后组和对照组。他们使用原始数据和关节运动学数据作为不同模型的输入，并观察到出色的模型性能。他们报告说，髋关节、膝关节和骨盆的矢状运动以及脚踝的横向运动对分类尤其重要[ 32］．机器学习和深度学习方法的使用预计只会增加，特别是imu促进了比传统动作捕捉可能的更大的队列数据的收集。这些方法最终可以从使用简单而廉价的IMU传感器收集的数据中得出OA的数字生物标志物。

尽管区分患有和不患有骨性关节炎的人很重要，但能够在疾病过程的早期识别出有疾病恶化风险的个体将更有价值。为此，惯性传感器的另一个关键应用是使用这些相对低成本的传感器来量化之前与膝关节骨性关节炎进展相关的重要步态参数( 表3；表S3 多媒体附件1)，例如内翻推力、KAM [ 62， 63]，及FPA [ 64］．捕捉这些参数传统上需要昂贵的3D动作捕捉技术，但惯性传感器可以相对轻松地在大样本中以低成本捕捉这些风险因素。

在行走过程中使用不同的传感器配置来量化步态中的内翻推力;一项在大腿、小腿中部和小腿远端使用传感器的研究表明，大腿中部传感器指标与光学运动捕获推力测量相关，但其变异性小于小腿中部传感器[ 33］．另一项在胫骨结节和足背表面使用传感器的研究发现，与早期OA组相比，重度OA组的内翻推力峰值更大[ 34］．岩间等人[ 35]利用胸骨、骨盆、大腿和小腿上的传感器评估了KAM峰值与内外侧轴加速度峰值差之间的相关性，发现小腿传感器的相关性最高( R= 0.57)。王等[ 36]使用双侧外踝传感器的原始IMU数据训练了2个机器学习算法，以提供行走过程中KAM的准确实时估计。模型——xgboost和人工神经网络——经过训练，从健康个体和膝关节骨性关节炎患者的数据集中估计KAM，这两个模型都有一个 R²值约为0.95 [ 36］．最后，使用鞋子顶部的单个传感器来估计FPA，最大平均误差约为2.6°[ 37］．这些方法显示出使用可穿戴设备准确估计膝关节骨性关节炎患者这些重要步态参数的前景，并有可能直接针对这些参数进行步态再训练干预。然而，在未来的干预措施中实施这些方法之前，还需要在自由生活条件下进一步验证这些方法。

步态再训练以改变与OA进展相关的参数是上述工作的自然后续。在膝关节骨性关节炎中，步态再训练通常旨在降低KAM [ 36， 65， 66]，该参数与膝关节骨性关节炎的严重程度和进展有关[ 67， 68］．Karatsidis等[ 38]使用微软HoloLens(一种增强现实耳机)从7个imu(骨盆、大腿、小腿和脚)提供FPA反馈，并发现基于步数在+2°至-2°目标范围内的方法与实验室方法(即参与者面前的投影屏幕)具有相似的有效性。此外，基于imu的FPA估计值与光学运动捕捉获得的估计值非常接近(总体均方根差为2.38°)[ 38］．夏等[ 39]开发了一款带有imu嵌入鞋垫和振动电机的鞋子，可以在走路时直接提供触觉反馈来纠正FPA，参与者在训练后成功采用了5种不同的FPA走路模式。尽管所有这些先前的研究都试图通过改变其他参数(如FPA)来间接降低KAM，但前面讨论的一些试图直接估计KAM的方法，可以通过添加关于该参数的反馈，在未来用于步态再训练干预[ 35， 36］．

人们对使用可穿戴技术远程监控OA干预后的数据也有相当大的兴趣( 表4；表S4 多媒体附件1)．勒布鲁等人[ 40]使用惯性传感器跟踪膝关节骨性关节炎患者实施膝神经阻滞前后下肢关节角度的改善，发现步态时矢状面ROM增加9.3°，上楼时骨盆横向ROM减少3.3°。在一个新颖的应用中，gowiellizynska等[ 41]使用imu测量膝关节骨性关节炎患者物理治疗期间的本体感觉，以协助患者评估。可穿戴传感器更多地用于监测关节置换手术患者的预后。谢等[ 42]在计时和运行测试中使用6传感器系统，使用机器学习对TKA患者识别该任务的亚阶段;利用术前和术后数据，他们在定时up和go测试中实现了92%的亚阶段分割分类准确率。惯性传感器也被用于识别THA患者在4周康复计划后剩余的步态不对称[ 69］．这些研究证明了可穿戴技术在监测膝关节或髋关节骨性关节炎患者关节置换手术后的功能恢复方面的潜力，并有可能确定哪些人可能需要额外的康复或其他医疗护理。结合患者因素(BMI、麻醉状态和止血使用)，可穿戴设备的数据被用于确定这些因素与TKA后膝关节ROM之间的相关性[ 43］．因此，惯性传感器不仅可以用于了解干预措施如何影响生物力学或运动质量，而且还可以用于了解患者因素如何与这些结果相关。

可穿戴传感器数据可以提供关于恢复的信息，超出主观变化测量所捕获的信息。Bolink等[ 44]确定了客观的步态参数捕获的身体功能维度不同于西安大略和麦克马斯特大学髋关节置入术后个体的关节炎指数评分。尽管在全髋关节置换术后3个月，术前功能低和高的患者的关节炎指数评分都有所改善，但步态参数仅在术前功能低的患者中得到改善[ 44］．这一发现表明，功能较低的个体从全髋关节置换术中获得了更多的功能改善，这突出了惯性传感器在获取单独主观数据无法明确的额外见解方面的潜力[ 44］．此外，Shah等人[ 45研究发现，增加传感器的采样频率可以提高机器学习算法预测患者报告结果的准确性。

可穿戴传感器也被用于比较各种OA治疗的结果。迪·贝内代托等[ 46]使用4-IMU系统(Bioval)比较了使用不同植入物进行TKA的患者的运动学结果，发现其中一组膝关节屈曲明显增加。此外，利用骨盆、大腿和小腿上的传感器，Grip等[ 47]发现在深蹲、步态、楼梯升降过程中，接受股骨头较大的THA植入的患者比接受传统植入的患者ROM更大。imu同样被用于比较预制足矫形器和摇椅底鞋对第一跖趾关节骨性关节炎患者时空参数、髋关节和膝关节运动学以及足底压力的影响[ 48］．在小腿、大腿和下背部使用imu，以及足底压力鞋垫，Menz等[ 48]表明，这两种干预措施都降低了第一个跖趾关节和脚跟下的峰值压力，但大底鞋还降低了第二个到第五个跖趾关节的压力，而矫形器则增加了小脚趾和中脚掌下的峰值压力。虽然这项研究的样本量相对比较数量较小，但它突出了可穿戴技术在研究干预措施如何影响肌肉力量方面的新应用[ 70］．总的来说，上面讨论的研究强调了惯性传感器在临床试验中相对容易地提供客观结果的潜力。

由于异质OA人群可能对干预措施产生不同的反应，预测对治疗的反应是一个令人兴奋的发展领域。例如，使用2个磨损的imu评估术前高步态功能可预测TKA后功能下降，这表明术前功能较低的患者获益更多[ 49］．此外，阳性和阴性反应者的预测准确率可达89% [ 49］．布鲁姆菲尔德等人[ 50]在术前计时和go测试期间，使用参与者膝盖上方和下方传感器的IMU数据，根据功能改善的可能性对患者进行分组，并预测TKA后预期的功能恢复[ 51］．类似地，Kobsar等人[ 52]使用来自下背部、大腿、小腿和足部IMU的干预前数据，对膝关节OA进行了为期6周的髋关节和核心强化计划，将无反应者、低反应者和高反应者进行了分类，准确率为81.7%，使用简化的2传感器系统(仅大腿和背部IMU数据)也获得了类似的结果。此外，利用参与者的子样本，Kobsar等[ 53使用一种新颖的、特定于学科的机器学习方法，确定了与自我报告的疼痛和功能结果相关的步态模式变化，这表明机器学习分析可以以临床有意义的方式与可穿戴传感器数据一起使用。

本节讨论的大多数研究样本量小，有些是初步的。然而，这些研究证明了使用可穿戴传感器监测干预结果和预测干预反应的广泛可能性。

考虑到在髋关节和膝关节骨性关节炎或关节置换术人群中使用惯性传感器的研究中使用的各种不同参数和传感器配置，也有兴趣研究传感器配置和数据分析对结果的影响( 表5；表S5 多媒体附件1)．例如，Sharifi等人[ 54]使用机器学习分析了来自OA和TKA患者的最大7-IMU系统(脚、骨盆、小腿和大腿传感器)的15个数据组合，以确定用于捕获时空步态参数的最佳传感器组合，与其他传感器组合相比，基于归一化绝对百分比误差，脚-大腿组合具有最佳的总体排名。本文中提到的一些研究也将不同传感器位置的比较纳入了他们的工作[ 16， 33， 35， 52]，目标是在方便、患者负担(即传感器数量少)和有效数据之间优化平衡。

除了各种传感器放置组合之外，还探索了分析惯性传感器数据的各种方法。Teufl等[ 55]训练了2个不同的支持向量机——一个使用时空步态参数，一个使用关节角度，都来自7-IMU系统——使用健康对照和TKA后个体来区分受损和非受损步态。两台机器都成功了(准确率分别为87.2%和97.0%)，臀部ROM对称性是最重要的单一预测特征，大约比下一个特征——骨盆矢状ROM——重要3倍[ 55］．在一项对膝关节骨性关节炎、髋关节骨性关节炎和健康对照的研究中，Boekesteijn等人[ 56]创建了4个独立的步态域，作为降低数据集维数的一种方式，并发现包含步幅、节奏和腰椎矢状ROM的域对检测膝关节或髋关节OA的存在最敏感。本综述先前提及的其他研究( 表1-4)检查了各种提取的指标，其中一些使用机器学习进行特征提取或结果预测[ 31， 32， 36， 51， 53］．这些研究提供了关于传感器放置和数据分析如何影响结果的初步信息;然而，鉴于目前文献中使用的各种因素，该领域还需要更多的工作来确定理想的传感器放置和提取数据类型，以用于下肢OA中的惯性传感器的特定应用。

本综述旨在研究在患者自然环境中使用惯性传感器来评估髋关节和膝关节OA临床护理中的运动。我们确定了过去5年发表的惯性传感器在髋关节和膝关节骨性关节炎中的各种应用，包括评估骨性关节炎的存在和严重程度，评估和干预骨性关节炎进展的危险因素，跟踪干预结果，并确定最有可能对干预有反应的个体。虽然还需要进一步的工作来验证现实环境中的发现，并确定最佳的传感器放置和数据分析方法，但在髋关节和膝关节OA中的这些应用中使用惯性传感器可以改善远程研究和临床护理的机会，特别是考虑到COVID-19大流行导致的医疗保健格局的变化[ 71］．

以前有两篇关于可穿戴传感器在骨关节炎或成形术后人群中的综述;然而，这些研究集中于非常具体的应用(步态分析或术后结果)，而这篇综述试图评估惯性传感器在这些人群中的所有当前和潜在应用。Kobsar等人的范围综述[ 72]关于用于OA患者步态分析的惯性传感器的研究确定了多项使用惯性传感器进行这一应用的研究，所包括的研究中使用了一系列传感器布置和结果。虽然我们同样确定了在本综述中所包括的研究中使用的一系列传感器布置和结果测量，但我们的结果是基于Kobsar等人的评估[ 72关于传感器协议和结果测量，通过检查可穿戴传感器可以和已经应用的挑战和问题的范围，包括那些超出步态分析的挑战和问题。重要的是，两篇综述都指出需要验证惯性传感器评估自由生活环境中的步态。另一篇综述仅关注可穿戴式传感器在评估下肢关节置换术后的功能结果指标方面，发现可穿戴式传感器比传统的功能结果指标更敏感[ 73］．这篇综述和当前的综述都表明，需要做更多的工作来了解传感器测量的临床相关性。

最后，我们要承认这篇综述在当前研究和全球事件的更广泛范围内的及时性。撰写本文时，全球COVID-19大流行仍在继续[ 74］．这一事件加速了远程医疗保健的采用[ 75]以及使用数字卫生技术对临床试验参与者进行远程评估[ 76］．通过在2021年3月重新运行我们的文献检索，我们能够捕获并纳入在大流行第一年发表的许多使用惯性传感器的研究。在本次综述中纳入的43项研究中，有24项发表于2020年或2021年前3个月。随着惯性传感器和可穿戴技术在一般数据收集和临床试验管理方面的发展，我们相信这篇综述为现有的文献正文增加了对新的和当前传感器应用的重要总结。

在解释这篇综述的结果时，应该考虑到一些局限性。首先，尽管在本研究中，我们旨在提供可穿戴惯性传感器用于评估OA人群运动质量的各种应用的叙述概述，但叙述格式和搜索范围的变化可能导致所包括研究的选择偏差。为了降低选择偏倚的风险，2名研究人员(MJR和KEC)审查了最终搜索策略中所有确定的摘要，以寻找潜在的纳入，并额外审查了选择纳入早期搜索的研究，以确定它们是否符合更新的范围。其次，考虑到本综述的叙述形式，未对纳入研究的质量进行评估。第三，将检索限制在过去5年内发表的研究可能会导致排除在这一范围之外发表的相关研究。之所以做出这种务实的选择，是因为近年来关于可穿戴传感器的出版物数量显著增加，以介绍这一快速发展领域的当前结果。第四，在所纳入的研究中，传感器放置的显著可变性限制了我们就特定应用的最佳实践得出结论的能力。最后，这篇综述没有涉及患者和临床医生对可穿戴技术的看法。建议读者在实施惯性传感器评估OA人群的运动时考虑利益相关者的观点。

本综述的结果强调了可穿戴传感器在远程监测OA患者和识别可能需要干预的高危人群方面的潜力。然而，这项工作主要是在步行步态方面进行的，对其他类型的运动(弓步、楼梯升降、下蹲、坐立和单腿站立)进行的研究相对较少。[ 29， 31， 47日常生活中经常经历的。此外，正如Kobsar等人所描述的[ 72]在一项用于OA患者步态分析的惯性传感器的范围综述中，在自由生活环境中需要更多的工作。鉴于本综述所包括的研究中非人工智能研究的数量较少，基于实验室的数据收集的比例很高，需要进一步的工作来验证从各种真实世界活动中捕获的惯性传感器数据是否对疾病起始和进展风险敏感，从而是否可用于远程监测和风险筛查。

此外，我们发现只有少数研究关注OA患者的运动模式训练，在我们确定的研究中，所有研究都关注步态再训练干预的可行性和有效性。围绕惯性传感器驱动的步态再训练或类似项目的大规模部署仍然存在问题。关于干预措施的有效性和可接受性的结论是有趣的。最后，尽管本综述中包括的一些研究报告了从惯性传感器数据中提取的指标具有良好的可靠性和有效性，但在本文综述的各种应用中使用了广泛的惯性传感器系统和提取的参数。继续研究最佳传感器的放置，以最好地捕获相关结果，同时对个体患者或参与者的负担最小，这可能会鼓励在现实环境中广泛使用这些系统来捕获生物力学数据。

使用惯性传感器来增强髋关节和膝关节OA的远程医疗保健存在多种机会。在过去的5年里，在这些人群中使用惯性传感器的研究主要集中在测量的有效性和可重复性、OA存在和严重程度的评估、与OA进展和步态再训练相关的运动模式的评估、OA干预结果的评估，以及传感器的放置和数据分析。虽然这些应用显示出巨大的前景，但还需要进一步的工作来研究惯性传感器在现实环境中的使用，在各种日常生活活动中，以及在髋部和膝关节骨性关节炎患者的更大样本中。