开发和外部验证一个运动意图集成预测模型,用于在慢性中风的意图驱动机器人手训练后恢复上肢运动

科学领域:

• 神经康复疗法 神经康复疗法
• 机器人在医学中的机器人
• 生物医学工程 生物医学工程

背景情况:

• 卒中幸存者经常经历上肢 (UE) 运动缺陷,影响日常生活.
• 机器人手训练为运动功能恢复提供了一个有希望的途径.
• 预测有意义的改善 (临床重要的最小差异 - - MCID) 对于定制康复策略至关重要.

研究的目的:

• 在意向驱动的机器人手训练后,在UE运动功能中推导和验证MCID的预测模型.
• 利用受影响的UE的残留自愿电肌图 (EMG) 信号来预测功能收益.
• 确定慢性中风幸存者的成功运动恢复的关键预测因素.

主要方法:

• 一项前性的纵向多中心队列研究,涉及131名慢性中风幸存者.
• 收集的预干预数据包括人口统计,临床分数 (UE的Fugl-Meyer评估 - FMAUE) 和EMG测量的运动意图 (flexor digitorum,扩展器 digitorum - ED).
• 采用分类和回归树算法来预测FMAUE中的MCID,使用ED活动的1秒MVC-EMG窗口.

主要成果:

• 最佳预测模型包括FMAUE (截止分数46) 和1秒MVC-EMG测量中的峰值ED活动 (AUC,0.807).
• 与使用其他EMG时间窗口或仅使用临床分数 (AUC,0.595) 的模型相比,该模型显示出更高的预测准确性.
• 外部验证证实了该模型的稳定性 (AUC,0.916),显示ED-EMG和FMAUE增加之间存在显著的二次关系.

结论:

• 在慢性中风幸存者中建立了一个针对意图驱动的机器人手训练的验证预测模型.
• 通过1秒EMG窗口捕捉运动意图是UE运动功能后训练中MCID的重要预测因素.
• 高运动意图与中度至高或高的UE功能相结合,预测了显著的临床运动改善.