فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی

فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی

کاربردهای هوش مصنوعی در علوم توانبخشی: فرصت‌ها، چالش‌ها و ملاحظات اخلاقی

نوع مقاله : مقاله مروری

نویسندگان
سید صابر صحیح النسب 1
اعظم عبدالهی 1
سعید رحمنی 2
1 کاندیدا دکتری تخصصی اپتومتری، گروه اپتومتری، دانشکده علوم توانبخشی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
2 دکتری تخصصی اپتومتری، گروه اپتومتری، دانشکده علوم توانبخشی، دانشگاه علوم پزشکی شهید بهشتی،تهران، ایران
10.22038/jpsr.2026.92445.2753
چکیده
هدف:
هدف از این مقاله، مرور تحلیلی کاربردهای هوش مصنوعی در شاخه‌های مختلف توانبخشی و بررسی چالش‌ها و ملاحظات اخلاقی مرتبط با آن است تا مسیر توسعه آینده این فناوری در خدمت بیماران دارای ناتوانی روشن‌تر شود.
روش بررسی:
در این مطالعه مروری، مقالات منتشرشده در پایگاه‌های اطلاعاتی معتبر شامل: PubMed، Scopus و Web of Science مورد بررسی قرار گرفتند. جستجو با استفاده از کلیدواژه‌های مرتبط با هوش مصنوعی، یادگیری ماشین، علوم توانبخشی و اخلاق زیستی انجام شد و بازه زمانی جست‌وجو از ژانویه 2000 تا ژوئن 2025 در نظر گرفته شد پس از حذف داده تکراری و بررسی داده های مهم 28 مطالعه وارد بررسی محتوایی شد، مطالعات مرتبط پس از ارزیابی انتخاب و تحلیل گردیدند.
یافته ها:
نتایج این بررسی نشان می دهد که این فناوری با تکیه بر یادگیری ماشین، پردازش زبان طبیعی و تحلیل داده‌های پیچیده، در تمام حوزهای علوم توانبخشی شامل توانبخشی حرکتی، توانبخشی شناختی، پیش بینی تاثیر درمان، درمان های شخصی، خدمات از راه دور و کمک به استقلال بیماران می تواند موثر باشد با این حال، چالش‌هایی نظیر کمبود داده‌های بومی، نا همگونی اطلاعات، نیاز به آموزش و پذیرش بالینی درمانگران ، هزینه‌های بالا و ملاحظات حقوقی در استفاده از داده‌های سلامت، همچنان از موانع اصلی توسعه این فناوری هستند.
نتیجه گیری:
این فناوری ظرفیت بالایی برای ارتقای کیفیت خدمات توانبخشی و بهبود پیامدهای درمانی بیماران دارای ناتوانی دارد. با این وجود، برای بهره‌گیری مؤثر و مسئولانه از این فناوری توجه به ملاحظات اخلاقی از جمله شفافیت الگوریتم‌ها، عدالت در دسترسی، حفظ حریم خصوصی و حمایت از حقوق افراد دارای ناتوانی لازم است. تدوین چارچوب‌های اخلاقی، تقویت زیرساخت‌های داده‌ای و اموزش درمانگران می‌تواند مسیر توسعه پایدار هوش مصنوعی در علوم توانبخشی را هموار سازد.

کلیدواژه‌ها
هوش مصنوعی
اخلاق زیستی
یادگیری ماشین
علوم توانبخشی
هوش مصنوعی اخلاقی
موضوعات
  1. Devi B, Neela V, Ashwitha A, Reddy C, et al. AI-Driven Predictive Models for Personalized Rehabilitation and Assistive Systems. 2025; 87-114.
  2. Espinoza Bernal VC, Hiremath SV. Classifying and tracking rehabilitation interventions through machine-learning algorithms in individuals with stroke. J Rehabil Assist Technol Eng. 2021; 8: 20556683211044640.
  3. Mennella C, Maniscalco U, Pietro GD, Esposito M. The Role of Artificial Intelligence in Future Rehabilitation Services: A Systematic Literature Review. IEEE Access. 2023; 11: 11024-1143.
  4. Mohammad Namdar M, Lowery Wilson M, Murtonen KP. How AI-Based Digital Rehabilitation Improves End-User Adherence: Rapid Review. JMIR Rehabil Assist Technol. 2025; 12: e69763.
  5. Ye D, Schweighofer N, Luo H, Winstein C. Towards AI-based Precision Rehabilitation via Contextual Model-based Reinforcement Learning. medRxiv; 2025.
  6. Udayakumar D, Gopalakrishnan S, Raghuram A, Kartha A, et al. Artificial intelligence-powered smart vision glasses for the visually impaired. Indian J Ophthalmol. 2025; 73(Suppl 3): S492-S497.
  7. Hope T, Portenoy J, Vasan K. SciSight: Combining faceted navigation and research group detection for COVID-19 exploratory scientific search. arXiv. 2020: arXiv: 2005. 12668.
  8. Biswas S. ChatGPT and the future of medical writing. Radiology. 2023; 307(2): e230050.
  9. Berthold MR, Cebron N, Dill F. KNIME: The Konstanz Information Miner.  Data Analysis, Machine Learning and Applications: Springer. 2008; 319-326.
  10. Lee JY, Hovy EH. On the effectiveness of grammatical error correction: A qualitative study. Trans Assoc Comput Linguist. 2021; 9: 189-206.
  11. Zhao Y, Zhao H. Plagiarism detection using AI: A critical review. J Inf Sci. 2022; 48(2): 234-246.
  12. Lanotte F, O'Brien MK, Jayaraman A. AI in Rehabilitation Medicine: Opportunities and Challenges. Ann Rehabil Med. 2023; 47(6): 444-458.
  13. Chomutare T, Tejedor M, Svenning TO, et al. Artificial intelligence implementation in healthcare: a theory-based scoping review of barriers and facilitators. Int J Environ Res Public Health. 2022;19(23):16359.
  14. Rehburg F, Graefe A, Hübner M, Thun S. How Interoperability Can Enable Artificial Intelligence in Clinical Applications. Stud Health Technol Inform. 2024; 316: 596-600.
  15. Han H. Challenges of reproducible AI in biomedical data science. BMC Med Genomics. 2025; 18(1): 8.
  16. Aldhahi MI, Alorainy AI, Abuzaid MM, Gareeballah A, et al. Adoption of Artificial Intelligence in Rehabilitation: Perceptions, Knowledge, and Challenges Among Healthcare Providers. Healthcare. 2025; 13(4): 350.
  17. Hafeez M, Haq MZU, Tahzeem Z, Rahim S, Rao N. Ai Associated Challenges To Physical Therapy Profession. Insights J Health Rehabil. 2024; 2(2): 531-538.
  18. Sumner J, Lim HW, Chong LS, Bundele A, et al. Artificial intelligence in physical rehabilitation: A systematic review. Artif Intell Med. 2023; 146: 102693.
  19. El Arab RA, Abu-Mahfouz MS. Bridging the Gap: From AI Success in Clinical Trials to Real-World Healthcare Implementation-A Narrative Review. J Clin Med. 2025; 13(7).
  20. Zhang Y. Application of AI technology in the field of rehabilitation therapy. Adv Eng Innov. 2025.
  21. Shaik MA, Anik FI, Hasan MM, Chakravarty S, et al. Advancing Remote Monitoring for Patients with Alzheimer Disease and Related Dementias: Systematic Review. JMIR Aging. 2025; 8: e69175.
  22. Morley J, Machado CCV, Burr C, Cowls J, et al. The ethics of AI in health care: A mapping review. Soc Sci Med. 2020; 260: 113172.
  23. London AJ. Artificial Intelligence and Black-Box Medical Decisions: Accuracy versus Explainability. Hastings Cent Rep. 2019; 49(1): 15-21.
  24. Amann J, Blasimme A, Vayena E, Frey D, Madai VI. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020; 20(1): 310.
  25. Bottomley D, Thaldar D. Liability for harm caused by AI in healthcare: an overview of the core legal concepts. Front pharmacol. 2023; 14: 1297353.
  26. Fotheringham K, Smith H. Accidental injustice: Healthcare AI legal responsibility must be prospectively planned prior to its adoption. Future Health J. 2024; 11(3): 100181.
  27. Nunez Duffourc M, Giovanniello DS. The Autonomous AI Physician: medical ethics and legal liability. Law, AI and Ethics. Cham: Springer; 2023.
  28. V D. Responsible Artificial Intelligence: designing AI for human values. ITU J ICT Discov. 2018; 1(2): 1-8.

فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی
دوره 15، شماره 2
تابستان 1405
صفحه 191-198