جلد 33 - ویژه‌نامه کاردیومتابولیک                   جلد 33 - ویژه‌نامه کاردیومتابولیک صفحات 47-25 | برگشت به فهرست نسخه ها

Research code: مقاله مروری
Ethics code: مقاله مروری

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hooshmand-Moghadam B, Gaeini A A. Smart exercise therapy in the management of chronic diseases: A review of physiological mechanisms and Artificial intelligenceai-based personalized interventions. J Transl Med Res. 2026; 33 :25-47
URL: http://journal.bums.ac.ir/article-1-3566-fa.html
هوشمند مقدم بابک، گائینی عباسعلی. تمرین‌درمانی هوشمند در مدیریت بیماری‌های مزمن: مروری بر سازوکارهای فیزیولوژیکی و مداخلات شخصی‌سازی‌شده مبتنی بر هوش مصنوعی. تحقیقات پزشکی ترجمانی. 1405; 33 () :25-47

URL: http://journal.bums.ac.ir/article-1-3566-fa.html


1- گروه فیزیولوژی ورزشی، دانشکده علوم ورزشی، دانشگاه فردوسی مشهد، مشهد، ایران ، b.hooshmand@um.ac.ir
2- گروه فیزیولوژی ورزشی، دانشکده‌ علوم ورزشی و تندرستی، دانشگاه تهران، تهران، ایران
چکیده:   (3 مشاهده)
زمینه و هدف: بیماری‌های مزمن همچنان یکی از چالش‌های اصلی نظام‌های سلامت جهانی محسوب می‌شوند و رویکردهای سنتی درمانی، به‌ویژه در حوزه تمرین‌درمانی، در پاسخ به نیازهای پیچیده و متغیر بیماران کفایت ندارند. در سال‌های اخیر، ادغام دانش فیزیولوژی تمرین با فناوری‌های هوشمند و الگوریتم‌های هوش مصنوعی، افق تازه‌ای را برای طراحی مداخلات ورزشی دقیق و شخصی‌سازی‌شده گشوده است. هدف این مرور روایتی تحلیلی با رویکرد یکپارچه، تبیین سازوکارهای فیزیولوژیکی تمرین‌درمانی و بررسی نقش هوش مصنوعی در بهینه‌سازی و شخصی‌سازی این فرایند است.
روش تحقیق: جستجوی نظام‌مند در پایگاه‌های معتبر انجام شد و در نهایت، از میان بیش از ۵۰۰ مقاله بررسی‌شده، ۱۱۲ مقاله واجد شرایط وارد تحلیل نهایی شدند. داده‌ها با استفاده از رویکرد تحلیل تماتیک و یکپارچه‌سازی مفهومی در سه محور اصلی طبقه‌بندی و تحلیل شدند.
یافته‌ها: تمرینات ورزشی از طریق مسیرهای متابولیک، قلبیعروقی و عصبیهورمونی، موجب بهبود سازگاری‌های فیزیولوژیکی در بیماران مزمن می‌شوند و فناوری‌های پوشیدنی، حسگرهای فیزیولوژیکی و سیستم‌های بازخوردی، امکان پایش لحظه‌ای این تغییرات را فراهم کرده‌اند. به‌علاوه، الگوریتم‌های یادگیری ماشین و مدل‌های پیش‌بینی مبتنی بر داده‌های بزرگ، قابلیت تحلیل الگوهای پاسخ تمرینی و طراحی برنامه‌های تطبیقی با شرایط واقعی بیمار را دارند.
نتیجه‌گیری: مرور حاضر نشان می‌دهد که ادغام تمرین‌درمانی با هوش مصنوعی، مرز جدیدی در پزشکی دقیق گشوده است. آینده تمرین‌درمانی در عصر هوش مصنوعی بر محور شخصی‌سازی مداخلات و هم‌افزایی میان داده‌های زیستی، رفتاری و محیطی استوار است. این تحول نوظهور می‌تواند فیزیولوژی تمرین را از سطح یک ابزار بازتوانی به سطح یک علم تصمیم‌یار در پزشکی دقیق ارتقا دهد.
متن کامل [PDF 720 kb]   (2 دریافت)    
نوع مطالعه: مروری | موضوع مقاله: پزشکی ورزشی
دریافت: 1404/9/4 | پذیرش: 1405/1/10 | انتشار الکترونیک: 1405/1/10

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله تحقیقات پزشکی ترجمانی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Translational Medical Research

Designed & Developed by : Yektaweb