中风（脑卒中）是全球致残和致死的主要原因之一。数据显示，近四分之一的成年人一生中面临中风风险，而幸存者中约三分之二会留下永久性残疾。更令人痛心的是，约13%的中风在急诊科被漏诊，在缺少神经科专家的基层医院，漏诊率甚至高达65%。
然而，一个被反复证实的事实是：约80%的中风其实可以通过有效控制危险因素来预防。问题在于，许多关键的危险信号——比如阵发性房颤、夜间高血压、睡眠呼吸暂停——往往发生在医院之外，常规体检很难捕捉到它们。而一旦中风发作，患者本身的神经功能受损又常常导致无法及时呼救，错过最佳治疗窗口。
耶鲁大学医学院的研究团队近期在权威期刊《Stroke》上发表了一篇综述，系统梳理了人工智能（AI）与消费级智能设备（如智能手表、智能手机、家用传感器等）如何在中风的预防、识别和康复三个阶段发挥作用。如图[1]所示，这些日常设备通过持续采集高精度生理和行为数据，经AI算法分析后转化为可操作的健康洞察，有望将中风管理从"到医院才能查"升级为"随时随地都在守护"。
既然大多数中风可以预防，关键就在于尽早发现并控制危险因素。传统的做法是定期去医院测血压、做心电图，但很多危险因素偏偏"躲着"医生——只在夜间、运动后或情绪波动时才出现。消费级智能设备的优势正在于此：它们可以24小时不间断地监测，把那些"漏网之鱼"揪出来。
一项涵盖超过93,000人的前瞻性研究发现，每周坚持至少150分钟中等强度运动的人，在五年随访期间，发生房颤或中风的风险降低了18%。而美国国立卫生研究院（NIH）的"All of Us"研究项目对6,000多名Fitbit用户的数据分析显示，每天稳定走到8,200步以上的人，高血压、2型糖尿病等中风相关慢性病的发生率显著更低——每多走1,000步，2型糖尿病风险下降25%；日均超过10,000步的人，睡眠呼吸暂停的发生率最多可降低46%。
不少高血压患者在诊室测量时血压正常，但夜间血压却悄悄升高，这种"隐匿性高血压"是中风的重要推手，传统方法很难发现。新一代无袖带血压监测设备可以在日常佩戴中持续记录血压变化。一项针对62名已接受治疗的高血压患者的研究发现，近三分之一的人在可穿戴设备上显示血压偏高，尽管他们的常规动态血压监测结果正常。最新的验证研究也证实，消费级无袖带血压设备能够准确捕捉夜间血压升高模式，为及早干预提供依据。反过来，这类设备也能帮助确认"白大褂高血压"（即只在看医生时血压偏高），避免不必要的用药。
房颤（心房颤动）是缺血性中风最重要的危险因素之一，但很多房颤是阵发性的，发作时患者可能毫无感觉。著名的Apple Heart Study招募了超过40万名参与者，结果显示Apple Watch发出的"心律不齐"提示，与后续心电贴片监测对比，阳性预测值高达84%。类似地，Fitbit Heart Study纳入了约45.6万名成年人，在约四个月的监测期间，1%的参与者收到了心律异常警报，其中经心电贴片确认为房颤的比例达32.2%。
更令人兴奋的是，AI还能从看似正常的心电图中识别出房颤的"隐藏信号"——即使心电图记录时心律是正常的，AI也能预判这个人未来发生房颤的风险，这是连经验丰富的心脏科医生用肉眼都做不到的事情。
阻塞性睡眠呼吸暂停是一种高度普遍却严重漏诊的疾病，它通过夜间反复缺氧和交感神经过度激活来增加中风风险。传统诊断需要在医院做多导睡眠监测，既麻烦又昂贵。而研究表明，通过分析手腕佩戴设备的光电容积脉搏波（PPG）信号，算法可以达到83%–89%的灵敏度和特异度来检测睡眠呼吸暂停。一些主流消费级手表已经集成了血氧监测功能，能持续追踪夜间血氧饱和度——研究发现，夜间血氧下降与脑血管损伤独立相关。
一个可能出乎很多人意料的发现是：长期孤独感也是中风的独立危险因素。一项针对美国老年人群的大型纵向研究显示，持续处于高度孤独状态的人，中风风险比不孤独的人高出56%，即使排除了社会隔离和抑郁症状的影响也是如此。针对这一问题，AI陪伴机器人和智能语音助手正在被开发用于缓解老年人的孤独感。系统综述发现，AI社交机器人和语音助手确实能显著减少老年人的孤独感，尤其是在持续使用并涉及有意义互动的情况下。
预防固然重要，但一旦中风真的发生，时间就是大脑。研究表明，急性缺血性中风患者在发病后1小时内到达急诊并开始治疗，预后最佳。然而现实中，很多患者因为独居、睡眠中发病、或自身神经功能受损无法识别症状而延误就医。
如图[2]所示，传统的中风识别依赖患者或家属主动发现症状并拨打急救电话，这条路径存在明显的"延迟识别"问题。而AI赋能的消费级设备提供了一条全新路径：通过手机摄像头、智能音箱、手表加速度计等多种传感器，实时捕捉面部下垂、言语含糊、步态异常、打字障碍等中风早期信号，并自动触发警报，大幅缩短从发病到就医的时间。
面部一侧下垂是中风最典型的体征之一。一款名为FAST.AI的手机应用利用计算机视觉算法，通过前置摄像头捕捉面部不对称。在一项涉及267名疑似中风患者的前瞻性验证研究中，该应用识别面部下垂的准确率高达97%，与神经科专家的判断基本一致。另一项研究利用Google的MediaPipe技术从静态图片中检测面部下垂，在1,744张图片的训练集上达到了超过91%的准确率。还有研究团队开发了基于面部动作单元分析的AI手机应用，在25名受试者（14名中风患者、11名健康对照）的试点研究中，识别中风的准确率达82%，与受过培训的急救人员水平相当。
言语障碍（如口齿不清的构音障碍和语言表达困难的失语症）影响近半数急性中风患者。Amazon Echo、Google Home等智能音箱具备"始终在线"的语音监听能力，理论上可以被动监测用户的日常说话，一旦检测到言语含糊、语速变慢或语言模式异常，就能主动询问用户状况或直接触发急救警报。
一个全自动的失语症分类系统已经被开发出来：研究人员采集了349名不同类型失语症患者和272名健康对照者的语音样本，利用AI语音识别模型提取流畅性、语法、词汇丰富度、发音等多维特征，最终分类器区分失语症患者和健康人的准确率达到了98.6%。这项技术为基于语音的远程中风筛查提供了可能，尤其适用于医疗资源匮乏的地区。
这听起来有些不可思议，但确实如此。2019年发表的一项临床病例系列研究指出，"打字障碍"（dystypia）和"发短信障碍"（dystextia）——即在使用键盘或手机时突然出现的拼写错误、输入混乱——可能是中风最早的表现之一。AI分析日常的触屏操作和键盘输入模式，可以被动地捕捉到这些细微变化。针对帕金森病的相关研究已经证实，通过分析触屏打字的节奏和力度变化，机器学习模型能以较高准确度（AUC: 0.83）识别精细运动功能障碍，这一思路同样适用于中风的早期发现。
姿势不稳和突然跌倒往往是中风发作的直接后果，尤其对于独居老人来说，跌倒后无人发现可能致命。研究人员结合物联网（IoT）技术和深度学习算法，开发了一套可穿戴跌倒检测系统，通过加速度计、陀螺仪和心电信号来判断是否发生了可能与中风相关的跌倒。该系统的检测灵敏度达95.7%，计算时间仅需0.02秒，可实时向护理人员和医生发送警报。
在住院患者中，中风同样可能被延迟发现——高达17%的中风发生在住院期间。一项研究显示，在中风患者双臂佩戴加速度计，算法能在设备佩戴后15–29分钟内检测到急性中风，且在不同年龄、性别、种族和时间段中表现稳定。
单一传感器各有所长，但如果将多种信号整合起来，检测效果会更好。一个名为DeepStroke的系统同时分析面部视频和语音，在210名参与者的前瞻性验证中，检测中风的灵敏度达到88.6%，特异度83.8%，比传统临床评估的灵敏度高出11个百分点，且整个评估过程不到6分钟。另一个名为SleepCVD-Net的深度学习算法，利用夜间睡眠时的心电图、气流和血氧数据，对中风的检测准确率达到97.6%。
这些多模态AI系统意味着，未来我们睡觉时、说话时、用手机时，身边的智能设备可能已经在默默守护着我们的脑血管健康。
中风后的康复是一场漫长的持久战，通常需要运动训练、认知训练、语言治疗等多学科协作。然而，这些专业康复服务大多集中在大型医疗中心，许多患者出院后因行动不便、路途遥远或经济压力而无法坚持规律的康复训练。AI赋能的消费级设备正在改变这一困境。如图[3]所示，从预防到检测再到康复，智能设备在中风管理的每个阶段都能发挥独特作用——在康复阶段，传感器引导的运动追踪、AI个性化远程训练平台和认知评估工具，正在让高质量的居家康复成为现实。
一项纳入120名中风患者的随机对照试验，将基于可穿戴设备的远程康复与传统门诊康复进行了为期三周的对比。结果显示，使用远程监督系统的患者在上肢运动功能方面的改善更大，说明AI增强的远程方案在门诊资源不足或患者行动不便时，可以作为有效替代。一项涵盖13项研究的系统综述和荟萃分析进一步证实，结合虚拟指导和远程康复工具的居家训练项目，在上肢运动能力、平衡功能、生活质量等方面的效果与面对面服务相当。值得注意的是，接受虚拟教练指导的亚组在肢体使用质量上表现更优，标化均差达到0.68，突显了远程专业反馈的价值。
对于中风康复来说，精确监测患者的运动恢复情况至关重要。一项研究在59名中风患者中部署了腕戴式加速度计，持续采集8周的运动数据。通过小波特征提取和纵向混合效应模型，系统准确预测了临床评分，与物理治疗师的评估高度一致。这类模型还能区分受影响和未受影响的肢体，为远程监控康复进度和评估训练依从性提供了可扩展的解决方案。
2024年的一项概念验证研究更进一步，将摄像头视觉追踪、可穿戴眼动追踪模块和环境传感器整合在智能家居环境中，利用多模态深度学习模型同步处理注视、运动和环境线索。在中风幸存者中测试时，该系统对注意力、任务切换和反应时间等认知障碍的分类准确率超过90%。虽然仍处于早期开发阶段，但这类系统代表了未来的方向：在家中实时监测运动和认知功能的变化，让康复计划能根据恢复轨迹动态调整。
| 设备类型 | 核心传感器 | 在中风管理中的作用 |
|---|---|---|
| 智能手表/手环 | 加速度计、陀螺仪 | 监测步态异常、肢体不对称运动、跌倒检测 |
| 智能手机 | 触屏、摄像头、麦克风 | 检测打字障碍、面部下垂、语言异常、心律失常 |
| 智能音箱 | 麦克风、AI语音分析 | 检测言语含糊、失语症，可触发急救警报 |
| 智能摄像头 | 计算机视觉、姿态估计 | 检测面瘫、步态不稳、跌倒 |
| 智能床垫/睡眠传感器 | 压力传感器、运动检测 | 监测睡眠异常、长时间不活动 |
| 生物传感贴片 | 肌电、运动传感器 | 监测肌肉激活模式、辅助肢体康复训练 |
尽管上述研究成果令人振奋，但必须坦诚地说，这些技术大多仍处于早期研发阶段。很多研究样本量较小、来自单一中心，缺乏大规模的外部验证，也尚未被纳入临床指南或常规诊疗流程。
从实验室走向千家万户，这些技术还面临几道重要关卡：
不过，方向已经清晰。当你的智能手表能在你毫无察觉时发现心律异常，当你的手机能从一张自拍中判断面部是否对称，当你家的智能音箱能听出你说话开始含糊——中风管理的未来，或许不在遥远的大医院里，而就在你的手腕上、口袋里和客厅中。真正的挑战在于：我们能否让这些技术足够可靠、足够便宜、足够公平，让全世界每一个需要它的人都能受益？
本文由超能文献“资讯AI智能体”基于4000万篇Pubmed文献自主选题与撰写，并经AI核查及编辑团队二次人工审校。内容仅供学术交流参考，不代表任何医学建议。
分享
Melflufen（马法兰氟苯酰胺）是一种新型药物，在临床试验中使高危多发性骨髓瘤患者的无进展生存期延长了一倍以上，即使TP53基因缺失或突变也能有效杀伤癌细胞。
本文回顾了儿科医生诸福棠如何在中国贫困年代，通过推广豆浆、建立儿童医院、编写教材，以及最终推动麻疹疫苗的普及，用了近60年时间终结中国儿童的麻疹噩梦，大幅提升了儿童存活率和健康水平的故事。文章强调了他在资源匮乏下寻找“平价处方”的务实精神，从临床治疗到公共卫生预防的战略眼光，以及其对中国现代儿科的奠基性贡献。
复旦大学团队发现，改造后的溶瘤病毒NeoViron能将新抗原和Flt3L递送到“冷肿瘤”细胞内，激活免疫系统，并与PD-1抑制剂联合使用，显著抑制癌症转移，为低突变、难治性肿瘤患者带来新希望。
体内CAR-T疗法无需体外培养，直接在患者体内完成免疫细胞编程，大幅降低成本与毒副作用，在血液肿瘤及难治性红斑狼疮治疗中展现突破性进展。
研究揭示，靶向药无效可能源于病灶内独特的“炎症微环境”空间结构。传统的分子分析忽略了细胞和致病分子的空间分布，导致药物难以精准作用于病灶。新研究提出“微环境”是疾病反复发作的根源，未来治疗需结合空间组学技术，精准定位并切断局部病变网络。AI有望降低空间测序成本，推动精准医疗普及。
一项涉及近160万人的超大规模真实世界研究显示，AI听诊器在社区诊所并未显著提高心衰确诊率。尽管AI技术本身有效，但其未能融入现有医疗工作流程是主要阻碍。本文揭示了医疗AI落地面临的“流程革命”挑战。
