Mejora de la predicción de la recuperación motora de las extremidades superiores después de un accidente...

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Ciencia de la Rehabilitación

Sus antecedentes:

• La recuperación de la función de las extremidades superiores después de un accidente cerebrovascular es difícil de predecir.
• Los métodos de predicción existentes, como la regla de recuperación proporcional, tienen limitaciones.
• La electroencefalografía (EEG) ofrece biomarcadores potenciales para la evaluación de la recuperación funcional.

Objetivo del estudio:

• Desarrollar y validar un novedoso modelo de aprendizaje automático basado en EEG (StrokeRecovNet) para predecir la recuperación motora de las extremidades superiores en sobrevivientes de accidentes cerebrovasculares.
• Comparar el rendimiento predictivo de StrokeRecovNet con la regla de recuperación proporcional.
• Identificar biomarcadores clave de EEG que contribuyan a una predicción precisa de la recuperación.

Principales métodos:

• Se desarrolló StrokeRecovNet, una red neuronal feed-forward, utilizando 221 biomarcadores de EEG (espectrales y de conectividad funcional) y datos clínicos.
• Se entrenó y validó el modelo en dos conjuntos de datos independientes de pacientes con accidentes cerebrovasculares agudos y subagudos.
• Se evaluó el rendimiento del modelo utilizando el error absoluto mediano (MAE) para predecir las puntuaciones de la Escala de Evaluación Motora de las Extremidades Superiores de Fugl-Meyer (FMAUE).

Principales resultados:

• StrokeRecovNet superó significativamente la regla de recuperación proporcional en la predicción de las puntuaciones FMAUE en la etapa subaguda (MAE: 5.85 frente a 19.00).
• La incorporación de datos de EEG subagudos mejoró las predicciones para pacientes con accidente cerebrovascular agudo (MAE: 5.87 frente a 8.80 para PRR).
• Los índices de simetría cerebral y las medidas de conectividad funcional fueron características predictivas clave, que variaron según la etapa de recuperación.

Conclusiones:

• Los biomarcadores basados en EEG pueden predecir eficazmente las trayectorias individuales de recuperación motora de las extremidades superiores en sobrevivientes de accidentes cerebrovasculares.
• StrokeRecovNet proporciona un enfoque basado en datos para pronosticar la recuperación, superando los puntos de referencia tradicionales.
• Los datos de EEG subagudos mejoran la precisión de la predicción temprana, lo que apoya la planificación personalizada de la rehabilitación posaccidente cerebrovascular.