多维特征分析显示,机器人运动训练的增益分层,基于在中风中训练前运动损伤的水平

科学领域:

• 神经康复疗法 神经康复疗法
• 生物医学工程 生物医学工程
• 在医疗保健中的数据科学.

背景情况:

• 脑卒中恢复是异质的,损伤和内源性修复过程具有显著的变化.
• 目前的机器人辅助运动训练 (RAMT) 通常缺乏治疗前分层,可能会限制个性化治疗和最佳恢复.
• 现有的单一评估测试可能无法完全捕捉基线感官运动状态或RAMT的细微收益.

研究的目的:

• 开发和验证数据驱动的方法来分层中风患者基于治疗前的感觉运动状态.
• 为了确定RAMT后的运动恢复收益的独特模式.
• 探索前治疗患者群体及其随后的RAMT结果之间的相关性,以告知个性化康复策略.

主要方法:

• 利用t分布式随机邻居嵌入 (t-SNE) 和亲和传播聚类用于数据驱动的分层.
• 分析了27名慢性中风患者的行为评分,这些人接受了手指运动RAMT.
• 应用聚类技术对治疗前 (治疗开始) 数据和RAMT增益数据.

主要成果:

• 在治疗开始时 (SoT) 确定了三个不同的患者群,与整体损伤水平相关.
• 揭示了四个不同的集群,代表了RAMT增益的不同模式,表明了各种功能改进.
• 在SoT集群和RAMT增益集群之间显示出显著的协议,支持治疗前分层的实用性.

结论:

• 使用多域数据驱动的方法对中风患者进行治疗前分层是可行的和有信息的.
• 在SoT中确定的患者群可以预测或与特定的RAMT恢复模式保持一致.
• 根据这些数据驱动的治疗前评估来个性化RAMT干预,有望改善中风后的运动功能恢复.