Выпуск 25-3, 2026

Обзорная статья

https://doi.org/10.38025/2078-1962-2026-25-3-83-92

Искусственный интеллект в физической реабилитации пациентов травматолого-ортопедического профиля: современные технологии и клиническая эффективность. Обзор

Посмотреть статью (PDF файл для скачивания)



XML файл для скачивания

ORCIDНурлыгаянов Р.З.1,*, ORCIDГильмутдинова Л.Т.1, ORCIDМарченкова Л.А.2, ORCIDБогданова Ю.А.1, ORCIDГильмутдинов Б.Р.1, ORCIDГильмутдинов А.Р.1, ORCIDФаизова Э.Р.1, ORCIDСеменова Е.В.3, ORCIDНурлыгаянова Д.Р.3

1 Башкирский государственный медицинский университет Минздрава России, Уфа, Россия
2 Национальный медицинский исследовательский центр реабилитации и курортологии Минздрава России, Москва, Россия
3 Казанский (Приволжский) федеральный университет, Казань, Россия


РЕЗЮМЕ

ВВЕДЕНИЕ. Искусственный интеллект (ИИ) и машинное обучение представляют перспективное направление в медицинской реабилитации пациентов травматолого-ортопедического профиля. Интеграция предиктивных моделей и адаптивных алгоритмов в реабилитационную практику позволяет персонализировать восстановительное лечение и улучшать функциональные исходы.

ЦЕЛЬ. Систематизировать и оценить доказательную базу применения технологий ИИ в реабилитации пациентов после травматолого-ортопедических вмешательств — эндопротезирования суставов, хирургической фиксации переломов и операций на позвоночнике.

МАТЕРИАЛЫ И МЕТОДЫ. Проведен нарративный обзор публикаций, посвященных использованию алгоритмов машинного обучения, глубокого обучения, сверточных и рекуррентных нейронных сетей в реабилитации травматолого-ортопедических пациентов. Поиск источников осуществлялся с июня 2025 по январь 2026 г. в международных базах данных PubMed/MEDLINE, Scopus и Web of Science Core Collection с января 2014 по февраль 2024 г. Анализировались исследования, включавшие предиктивные модели функциональных исходов, систем мониторинга движений, прогнозирования осложнений и длительности госпитализации. Первичный поиск выявил 1247 публикаций, после удаления дубликатов и последовательного отбора по критериям включения и исключения в окончательный анализ было отобрано 43 источника, которые легли в основу настоящего обзора.

ОСНОВНОЕ СОДЕРЖАНИЕ ОБЗОРА. Алгоритмы машинного обучения продемонстрировали высокую прогностическую точность в предсказании функциональных исходов после эндопротезирования тазобедренного и коленного суставов (AUC 0,852–0,98), оценке консолидации переломов (точность составила до 0,98), прогнозировании послеоперационных осложнений (AUC 0,810–0,835) и длительности госпитализации (AUC 0,82–0,98). Гибридные архитектуры CNN-RNN превзошли традиционные методы машинного обучения в прогнозировании успешности реабилитации: взвешенный F1-показатель вырос с 65 % до 74 %, средняя абсолютная ошибка снизилась на 12 %. Модели случайного леса обеспечили точность 90 % при предсказании выписки пациентов домой. Носимые сенсоры с ИИ-платформами обеспечивают персонализированный мониторинг двигательных паттернов в режиме реального времени.

ЗАКЛЮЧЕНИЕ. Технологии ИИ в реабилитации пациентов травматолого-ортопедического профиля вышли за рамки экспериментальных разработок и продемонстрировали реальную клиническую ценность. Наиболее значимыми предикторами функционального восстановления являются возраст, функциональный статус, объем движений и когнитивный статус пациента. Для широкого клинического внедрения необходимы масштабные проспективные исследования с высоким уровнем методологической строгости.


КЛЮЧЕВЫЕ СЛОВА: искусственный интеллект, машинное обучение, медицинская реабилитация, переломы костей, ней- ронные сети, функциональные исходы, прогностические модели

ДЛЯ ЦИТИРОВАНИЯ: Нурлыгаянов Р.З., Гильмутдинова Л.Т., Марченкова Л.А., Богданова Ю.А., Гильмутдинов Б.Р., Гильмутдинов А.Р., Фаизова Э.Р., Семенова Е.В., Нурлыгаянова Д.Р. Искусственный интеллект в физической реабилитации пациентов травматолого-ортопедического профиля: современные технологии и клиническая эффективность. Обзор. Вестник восстановительной медицины. 2026; 25(3):83–92. https://doi.org/10.38025/2078-1962-2026-25-3-83-92 [Nurlygayanov R.Z., Gilmutdinova L.T., Marchenkova L.A., Bogdanova J.A., Gilmutdinov B.R., Gilmutdinov A.R., Faizova E.R., Semenova E.V., Nurlygayanova D.R. AI in Physical Rehabilitation of Traumatological and Orthopedic Patients: Existing Technologies and Their Clinical Effectiveness. A Review. Bulletin of Rehabilitation Medicine. 2026; 25(3):83–92. https://doi.org/10.38025/2078-1962-2026-25-3-83-92 (In Russ.).]

ДЛЯ КОРРЕСПОНДЕНЦИИ:

Нурлыгаянов Радик Зуфарович, E-mail: radiknur@list.ru, kafedramrftsm@yandex.ru


Список литературы:

  1. Николаев Н.С., Преображенская Е.В., Петрова Р.В., Андреева В.Э. Полный цикл медицинской реабилитации пациентов после травматолого-ортопедических операций на примере профильного федерального центра. Национальное здравоохранение. 2023; 4(4): 23–36. https://doi.org/10.47093/2713-069X.2023.4.4.23-36 [Nikolaev N.S., Preobrazhenskaya E.V., Petrova R.V., Andreeva V.E. Full Cycle of Medical Rehabilitation of Patients after Traumatological and Orthopedic Operations on the Example of a Specialized Federal Center. National Health Care. 2023; 4(4): 23–36. https://doi.org/10.47093/2713-069X.2023.4.4.23-36 (In Russ.).]
  2. Васильева В.А., Марченкова Л.А., Ответчикова Д.И. и др. Медицинская реабилитация после травм нижних конечностей у пациентов с сахарным диабетом: обзор литературы. Вестник восстановительной медицины. 2024; 23(3): 61–68. https://doi.org/10.38025/2078-1962-2024-23-3-61-68 [Vasileva V.A., Marchenkova L.A., Otvetchikova D.I., et al. Medical Rehabilitation after Lower Limb Injuries in Patients with Diabetes Mellitus: a Review. Bulletin of Rehabilitation Medicine. 2024; 23(3): 61–68. https://doi.org/10.38025/2078-1962-2024-23-3-61-68 (In Russ.).]
  3. GBD 2021 Other Musculoskeletal Disorders Collaborators. Global, regional, and national burden of other musculoskeletal disorders, 1990–2020, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021. Lancet Rheumatol. 2023; 5(11): e670–e682. https://doi.org/10.1016/S2665-9913(23)00232-1
  4. Миронов С.П., Еськин Н.А., Андреева Т.М. и др. Динамика травматизма среди взрослого населения Российской Федерации. Вестник травматологии и ортопедии им. Н.Н. Приорова. 2019; 3: 5–13. [Mironov S.P., Eskin N.A., Andreeva T.M., et al. Dynamics of Injuries among the Adult Population of the Russian Federation. N.N. Priorov Journal of Traumatology and Orthopedics. 2019; 3: 5–13 (In Russ.).]
  5. Нурлыгаянова Д.Р., Нурлыгаянов Р.З., Нурлыгаянова А.М. и др. Возможности использования искусственного интеллекта в медицине. Медицина. Социология. Философия. Прикладные исследования. 2024; 3: 125–131. [Nurlygayanova D.R., Nurlygayanov R.Z., Nurlygayanova A.M., et al. Possibilities of Using Artificial Intelligence in Medicine. Medicine. Sociology. Philosophy. Applied Research. 2024; 3: 125–131 (In Russ.).]
  6. Багаутдинов К.Ф., Гильмутдинова Л.Т., Ахметшин Р.З. и др. Функциональная электростимуляция в медицинской реабилитации пациентов после эндопротезирования суставов нижних конечностей: обзор. Вестник восстановительной медицины. 2025; 24(6): 100–109. [Bagautdinov K.F., Gilmutdinova L.T., Akhmetshin R.Z., et al. Functional Electrical Stimulation in Medical Rehabilitation of Patients after Arthroplasty of the Lower Limb Joints: a Review. Bulletin of Rehabilitation Medicine. 2025; 24(6): 100–109 (In Russ.).]
  7. Wang J., Shi L., Ni M., et al. Artificial intelligence in postoperative orthopedic rehabilitation: a scoping review. Front Digit Health. 2025; 7: 1746552. https://doi.org/10.3389/fdgth.2025.1746552
  8. Chen C.F., He D.D., Liang J.C., He Z.J. Predicting the possibility of blood transfusion after total knee arthroplasty based on machine learning algorithm. Chinese Journal of Tissue Engineering Research. 2021; 25(36): 5792–5797.
  9. Lee D.W., Han H.S., Lee M.C., Ro D.H. Prediction of postoperative gait speed change after bilateral primary total knee arthroplasty in female patients using a machine learning algorithm. Orthop Traumatol Surg Res. 2024; 110(7): 103842. https://doi.org/10.1016/j.otsr.2024.103842
  10. Chen D.Y., Lin C.H., Chen Y.F., et al. Predicting postoperative delirium after hip arthroplasty for elderly patients using machine learning. Aging Clin Exp Res. 2023; 35(6): 1241–1251. https://doi.org/10.1007/s40520-023-02399-7
  11. Polus J.S., Yen S.C., Tay A., et al. Machine learning predicts the fall risk of total hip arthroplasty patients based on wearable sensor instrumented performance tests. J Arthroplasty. 2021; 36(2): 573–578. https://doi.org/10.1016/j.arth.2020.08.034
  12. Wang H.M., Lin Y.P. Deep learning-based postoperative recovery and nursing of total hip arthroplasty. Comput Math Methods Med. 2022; 2022: 7811200. https://doi.org/10.1155/2022/7811200
  13. Wang H., Zhou Y., Guo Y., et al. Application effect of remote intelligent rehabilitation system in rehabilitation of patients with rotator cuff injury following minimally invasive arthroscopic surgery. Chin J Traumatol. 2023; 39(10): 876–884. https://doi.org/10.3760/cma.j.cn501098-20230522-00292
  14. Fujii J., Aoyama S., Tezuka T., et al. Prediction of change in pelvic tilt after total hip arthroplasty using machine learning. J Arthroplasty. 2023; 38(10): 2009–2016. https://doi.org/10.1016/j.arth.2022.06.020
  15. Bonnin M., Müller-Fouarge F., Estienne T., et al. Artificial intelligence radiographic analysis tool for total knee arthroplasty. J Arthroplasty. 2023; 38(7): S199–S207.e2. https://doi.org/10.1016/j.arth.2023.02.053
  16. Чушинская М.М. Общие принципы реабилитации переломов конечностей. Scientist. 2020; 4(14): 20. [Chushinskaya M.M. General Principles of Rehabilitation of Limb Fractures. Scientist. 2020; 4(14): 20 (In Russ.).]
  17. Urakawa T., Tanaka Y., Goto S., et al. Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks. Clin Radiol. 2019; 74(5): 413–421. https://doi.org/10.1016/j.crad.2017.11.015
  18. Mutasa S., Varada S., Goel A., et al. Advanced deep learning techniques applied to automated femoral neck fracture detection and classification. J Digit Imaging. 2020; 33(5): 1209–1217. https://doi.org/10.1007/s10278-020-00364-8
  19. Li Y.Y., Wang J.J., Huang S.H., et al. Implementation of a machine learning application in preoperative risk assessment for hip repair surgery. BMC Anesthesiol. 2022; 22(1): 116. https://doi.org/10.1186/s12871-022-01648-y
  20. Song Y., Zhang D., Wang Q., et al. Prediction models for postoperative delirium in elderly patients with machine-learning algorithms and SHapley Additive exPlanations. Transl Psychiatry. 2024; 14(1): 57. https://doi.org/10.1038/s41398-024-02762-w
  21. Tian C.W., Chen X.X., Shi L., et al. Machine learning applications for the prediction of extended length of stay in geriatric hip fracture patients. World J Orthop. 2023; 14(10): 741–753. https://doi.org/10.5312/wjo.v14.i10.741
  22. Jawed A.M., Zhang L., Zhang Z., et al. Artificial intelligence and machine learning in spine care: Advancing precision diagnosis, treatment, and rehabilitation. World J Orthop. 2025; 16(8): 107064. https://doi.org/10.5312/wjo.v16.i8.107064
  23. Khan O., Badhiwala J.H., Akbar M.A., Fehlings M.G. Prediction of worse functional status after surgery for degenerative cervical myelopathy: a machine learning approach. Neurosurgery. 2021; 88(2): E1–E9. https://doi.org/10.1093/neuros/nyaa477
  24. Kim K.H., Jeong J., Ko M., et al. Using artificial intelligence in the comprehensive management of spinal cord injury. Korean J Neurotrauma. 2024; 20: 215–224. https://doi.org/10.13004/kjnt.2024.20.e43
  25. Abbas G.H., Speksnijder C., Ramnarain D., et al. AI-driven rehabilitation robotics: advancements in and impacts on patient recovery. Cureus. 2025; 17(10): e94273. https://doi.org/10.7759/cureus.94273
  26. Veerbeek J.M., Langbroek-Amersfoort A.C., van Wegen E.E., et al. Effects of robot-assisted therapy for the upper limb after stroke. Neurorehabil Neural Repair. 2017; 31(2): 107–121. https://doi.org/10.1177/1545968316666957
  27. Bertani R., Melegari C., De Cola M.C., et al. Effects of robot-assisted upper limb rehabilitation in stroke patients: a systematic review with meta-analysis. Neurol Sci. 2017; 38(9): 1561–1569. https://doi.org/10.1007/s10072-017-2995-5
  28. Егоров А.В., Яковлева С.К., Петрова Р.В., Преображенская Е.В. Эффективность комплекса с биологической обратной связью в лечении детей с детским церебральным параличом: рандомизированное контролируемое исследование. Вестник восстановительной медицины. 2025; 24(2): 8–19. [Egorov A.V., Yakovleva S.K., Petrova R.V., Preobrazhenskaya E.V. Effectiveness of Biofeedback Complex in the Treatment of Children with Cerebral Palsy: a Randomized Controlled Trial. Bulletin of Rehabilitation Medicine. 2025; 24(2): 8–19 (In Russ.).]
  29. Khalid S., Alnajjar F., Gochoo M., et al. Robotic assistive and rehabilitation devices leading to motor recovery in upper limb: a systematic review. Disabil Rehabil Assist Technol. 2023; 18(4): 658–672. https://doi.org/10.1080/17483107.2021.1906960
  30. Mikołajewska E., Masiak J., Mikołajewski D. Applications of artificial intelligence-based patient digital twins in decision support in rehabilitation and physical therapy. Electronics. 2024; 13(24): 4994. https://doi.org/10.3390/electronics13244994
  31. Adlakha S., Chhabra D., Shukla P. Effectiveness of gamification for the rehabilitation of neurodegenerative disorders. Chaos Solitons Fractals. 2020; 140: 110192. https://doi.org/10.1016/j.chaos.2020.110192
  32. Sumner J., Lim H.W., Chong L.S., et al. Artificial intelligence in physical rehabilitation: a systematic review. Artif Intell Med. 2023; 146: 102693. https://doi.org/10.1016/j.artmed.2023.102693
  33. Bettger J.P., Green C.L., Holmes D.N., et al. Effects of virtual exercise rehabilitation in-home therapy compared with traditional care after total knee arthroplasty: VERITAS, a randomized controlled trial. J Bone Joint Surg Am. 2020; 102(2): 101–109. https://doi.org/10.2106/JBJS.19.00695
  34. Kuether J., Moore A., Kahan J., et al. Telerehabilitation for total hip and knee arthroplasty patients: a pilot series with high patient satisfaction. HSS J. 2019; 15(3): 221–225. https://doi.org/10.1007/s11420-019-09715-w
  35. Lim J.Y., Yu H.J., Kim S.H., et al. Effectiveness of in-home, augmented reality-based telerehabilitation after anterior cruciate ligament reconstruction: a randomized controlled trial. Orthop J Sports Med. 2024; 12(10): 23259671241271729. https://doi.org/10.1177/23259671241271729
  36. Zhang B., Fang Z., Nian K., et al. The effects of telemedicine on rotator cuff-related shoulder function and pain symptoms: a meta-analysis of randomized clinical trials. J Orthop Surg Res. 2024; 19(1): 478. https://doi.org/10.1186/s13018-024-04954-8
  37. Correia F.D., Nogueira A., Magalhães I., et al. Medium-term outcomes of digital versus conventional home-based rehabilitation after total knee arthroplasty: prospective, parallel-group feasibility study. JMIR Rehabil Assist Technol. 2019; 6(1): e13111. https://doi.org/10.2196/13111
  38. Ramkumar P.N., Haeberle H.S., Ramanathan D., et al. Remote patient monitoring using mobile health for total knee arthroplasty: validation of a wearable and machine learning-based surveillance platform. J Arthroplasty. 2019; 34(10): 2253–2259. https://doi.org/10.1016/j.arth.2019.05.021
  39. Jawed A.M., Zhang L., Zhang Z., et al. Artificial intelligence and machine learning in spine care: Advancing precision diagnosis, treatment, and rehabilitation. World J Orthop. 2025; 16(8): 107064. https://doi.org/10.5312/wjo.v16.i8.107064
  40. Kunze K.N., Varady N.H., Mazzucco M., et al. The large language model ChatGPT-4 exhibits excellent triage capabilities and diagnostic performance for patients presenting with various causes of knee pain. Arthroscopy. 2024; 40(11): 2748–2757. https://doi.org/10.1016/j.arthro.2024.04.028
  41. Buscarini L., Romano P., Cocco E.S., et al. Enhancing patient rehabilitation outcomes: artificial intelligence-driven predictive modeling for home discharge in neurological and orthopedic conditions. J Neuroeng Rehabil. 2025; 22(1): 117. https://doi.org/10.1186/s12984-025-01654-4
  42. Mahmoud Y., Horvath K., Zhou Y. Deep learning for predicting rehabilitation success: advancing clinical and patient-reported outcome modeling. Electronics. 2025; 14(6): 1082. https://doi.org/10.3390/electronics14061082
  43. Lanotte F., O’Brien M.K., Jayaraman A. AI in rehabilitation medicine: opportunities and challenges. Ann Rehabil Med. 2023; 47(6): 444–458. https://doi.org/10.5535/arm.23131



Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

©
Эта статья открытого доступа по лицензии CC BY 4.0. Издательство: ФГБУ «НМИЦ РК» Минздрава России.