Nogales, AlbertoRodríguez-Aragón, ManuelGarcía-Tejedor, Álvaro J.2026-01-072026-01-072024-04Nogales, A, Rodríguez-Aragón, M & García-Tejedor, Á J 2024, 'A systematic review of the application of deep learning techniques in the physiotherapeutic therapy of musculoskeletal pathologies', Computers in Biology and Medicine, vol. 172, 108082. https://doi.org/10.1016/j.compbiomed.2024.1080820010-4825dblp: journals/cbm/NogalesRG24https://hdl.handle.net/10641/6976Publisher Copyright: © 2024La fisioterapia es un área crítica de la atención sanitaria que implica la evaluación y el tratamiento de discapacidades físicas y lesiones. El uso de la Inteligencia Artificial (IA) en fisioterapia ha ganado una atención significativa debido a su potencial para mejorar la precisión y la eficacia de la toma de decisiones clínicas y los resultados del tratamiento. Sin embargo, sigue siendo un campo de aplicación de estas técnicas bastante innovador y existe la necesidad de determinar qué aspectos están muy desarrollados y qué posibles nichos de trabajo se pueden explotar. Esta revisión sistemática tiene como objetivo evaluar el estado actual de la investigación sobre el uso de un tipo particular de IA denominado modelos de aprendizaje profundo en fisioterapia, e identificar las tendencias clave, los retos y las oportunidades en este campo. Los hallazgos de esta revisión, realizada siguiendo las directrices PRISMA, aportan información valiosa para investigadores y clínicos. Las bases de datos más relevantes incluidas fueron PubMed, Web of Science, Scopus, Astrophysics Data System y Central Citation Export. Se establecieron criterios de inclusión y exclusión para determinar qué elementos se considerarían para su posterior revisión. Estos criterios se utilizaron para cribar los elementos durante el primer y el segundo proceso de revisión por pares. Se desarrolló un conjunto de criterios de calidad para seleccionar los artículos obtenidos tras el segundo cribado. Finalmente, de los 214 artículos iniciales, se seleccionaron 23 estudios. A partir de nuestro análisis de los artículos seleccionados, podemos extraer las siguientes conclusiones: en cuanto a los modelos de aprendizaje profundo, la innovación se observa principalmente en la adopción de modelos híbridos, utilizándose ampliamente los modelos convolucionales. En cuanto a los datos, no sorprende que predominen el uso de señales corporales e imágenes. Sin embargo, los textos y los datos estructurados representan vías prometedoras para un trabajo innovador en el campo. Además, las pruebas médicas que implican la recogida de imágenes 3D, el Functional Movement Screening o las termografías emergen como áreas novedosas para explorar aplicaciones dentro del ámbito de la fisioterapia. [Traducción automática al español; idioma original: inglés.]Physiotherapy is a critical area of healthcare that involves the assessment and treatment of physical disabilities and injuries. The use of Artificial Intelligence (AI) in physiotherapy has gained significant attention due to its potential to enhance the accuracy and effectiveness of clinical decision-making and treatment outcomes. Nevertheless, it is still a rather innovative field of application of these techniques and there is a need to find what aspects are highly developed and what possible job niches can be exploited. This systematic review aims to evaluate the current state of research on the use of a particular AI called deep learning models in physiotherapy and identify the key trends, challenges, and opportunities in this field. The findings of this review, conducted following the PRISMA guidelines, provide valuable insights for researchers and clinicians. The most relevant databases included were PubMed, Web of Science, Scopus, Astrophysics Data System, and Central Citation Export. Inclusion and exclusion criteria were established to determine which items would be considered for further review. These criteria were used to screen the items during the first and second peer review processes. A set of quality criteria was developed to select the papers obtained after the second screening. Finally, of the 214 initial papers, 23 studies were selected. From our analysis of the selected articles, we can draw the following conclusions: Concerning deep learning models, innovation is primarily seen in the adoption of hybrid models, with convolutional models being extensively utilized. In terms of data, it's unsurprising that body signals and images are predominantly used. However, texts and structured data present promising avenues for groundbreaking work in the field. Additionally, medical tests that involve the collection of 3D images, Functional Movement Screening, or thermographies emerge as novel areas to explore applications within the scope of physiotherapy.5168430enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Deep learningMusculoskeletal pathologiesPhysiotherapySystematic reviewHealth InformaticsComputer Science ApplicationsJournal ArticleSystematic ReviewResearch Support, Non-U.S. Gov'tYesyesreview articleopen access10.1016/j.compbiomed.2024.108082https://www.scopus.com/pages/publications/85187207037https://www.scopus.com/pages/publications/85187207037#tab=citedBy