Error Augmentation Motor Learning Trainingsansatz bei Schlaganfallpatienten

Die Erholung der Bewegung der oberen Extremitäten nach einem Schlaganfall ist unvollständig. Schlaganfall ist eine der Hauptursachen für langfristige sensomotorische Behinderungen, einschließlich anhaltender Defizite in der Funktion der oberen Extremitäten (UL). Zu verstehen, wie die UL-Erholung verbessert werden kann, ist eine wichtige wissenschaftliche, klinische und Patientenpriorität. Doch trotz zahlreicher Studien, die versuchen, die effektivsten Rehabilitationsmaßnahmen auf der Grundlage etablierter Prinzipien des motorischen Lernens und der neuralen Plastizität zu identifizieren, bleibt die UL-Erholung nach einem Schlaganfall unvollständig. Tatsächlich bleiben sensomotorische UL-Defizite selbst unter Therapie bei einem großen Teil (bis zu 62 %) der Schlaganfallüberlebenden für > 6 Monate bestehen, was zu einer hohen sozioökonomischen Belastung führt.

MOTORISCHE KONTROLLSTÖRUNGEN: Eine Folge des zugrunde liegenden Kontrolldefizits nach einem Schlaganfall ist Hemiparese, gekennzeichnet durch eine verminderte Fähigkeit, agonistische Muskeln zu rekrutieren, unerwünschte/unangemessene Muskelaktivierung (d. Schwäche und Veränderungen der Muskelfasereigenschaften. Dies führt zu Defiziten in der Fähigkeit, Gelenkbewegungen zu isolieren und verschiedene Gelenke angemessen zu kombinieren, um aufgabenbezogene Funktionen zu erfüllen. Wir haben umfangreiche Beweise gesammelt, die darauf hindeuten, dass Bewegungsdefizite und Spastik mit einem gemeinsamen Kontrolldefizit bei der Spezifikation und Regulierung der Spatia-Schwellenwerte (ST) des Dehnungsreflexes und anderer propriozeptiver Reflexe verbunden sind. STs werden eher im räumlichen (Winkel-) als im zeitlichen (Latenz-) Bereich ausgedrückt. Die ST-Regulation ist ein gut etablierter Mechanismus zur Steuerung von Dehnungsreflexen bei Tieren und Reflexen und Bewegungen bei Menschen.

ST-DEFINITION UND WIRKUNGSMECHANISMEN: Die räumliche Schwelle (ST) ist der Gelenkwinkel, bei dem die Muskelrekrutierung beginnt und Haltungsreflexe und andere Reflexe zu wirken beginnen. Durch die ST-Verschiebung stellt das Gehirn haltungsstabilisierende Mechanismen auf eine neue Gliedmaßen- oder Körperposition zurück. Diese Mechanismen wirken zusammen, um STs in Mehrmuskelsystemen entsprechend der Körperkonfiguration und den Aufgabenanforderungen zu regulieren. Schlaganfall führt zu Defiziten in der ST-Regulation. Verletzungen des Zentralnervensystems (ZNS), die absteigende und spinale Mechanismen und intrinsische Mechanismen betreffen, führen zu Einschränkungen der ST-Regulation. Infolgedessen lösen passive oder aktive Bewegungen über die Winkelschwelle ST (Spastizitätsbereich) hinaus eine anormale Reflexmuskelaktivierung aus. Der ST ist geschwindigkeitsabhängig und verringert den aktiven Steuerbereich bei Schlaganfallpatienten und ihre Fähigkeit, schnellere Bewegungen auszuführen.

INTERVENTIONSANSATZ: Unser Ansatz ist darauf ausgelegt, den reflexfreien Bereich der Ellbogenbewegung beim Schlaganfall zu erhöhen. Die Anpassung der Ellbogenbewegung an eine neue Belastung (d. h. die Fähigkeit, Fehler zu korrigieren) bei Patienten mit chronischem Schlaganfall wurde wesentlich verbessert, wenn die Bewegung innerhalb des aktiven Kontrollbereichs (wo die Spastik die Muskelkontraktion nicht beeinflusste) durchgeführt wurde, im Vergleich zu einer reflexfreien Bewegung Reichweite wurde nicht erkannt. Dementsprechend kann das Potenzial für motorisches Lernen verbessert werden, indem der Bereich der eingeschränkten Ellbogenbewegung in richtig konzipierten Studien berücksichtigt wird. Um zu vermeiden, dass Bewegungen mit abnormalen Muskelaktivierungsmustern und anderen Kompensationen (schlechte Plastizität) ausgelöst werden, werden Trainingsprogramme auf die Bewegungskapazität des Individuums zugeschnitten und beinhalten Ansätze, die den Gelenkbereich mit typischen Muskelaktivierungsmustern quantifizieren und vergrößern. In diesem Vorschlag werden wir einen Roboter und eine neuartige VR-Lernschnittstelle verwenden, um die Fähigkeit zu manipulieren, kontrollierte Bewegungen am Ellbogen zu erzeugen, was eine häufige Beeinträchtigung bei Menschen mit mittelschwerem bis schwerem Schlaganfall ist. Der vorgeschlagene personalisierte Trainingsansatz konzentriert sich auf die Bereitstellung von spezifischem Feedback, um den ST-Regulationsbereich einer Person zu erhöhen.

FEHLER-AUGMENTATIONS-FEEDBACK (EA): Fehler-Augmentations-Feedback wird verwendet, um die ST-Zone der aktiven Kontrolle des Ellbogens zu erhöhen. EA verwendet intrinsisches fehlergesteuertes Lernen, um die Fähigkeit des ZNS zu verbessern, kinematische Redundanz zu nutzen und sinnvolle Lösungen für motorische Aufgaben zu finden. Insbesondere werden die Probanden mit Feedback versorgt, das ihre motorischen Fehler verstärkt. Es hat sich gezeigt, dass die Manipulation von Fehlersignalen die sensomotorische Verbesserung des UL sowohl bei gesunden als auch bei Schlaganfallpatienten stimuliert, wobei größere Lerngewinne auftreten, wenn Fehler größer sind. EA-Feedback wird verwendet, um den aktiven Ellbogen-Kontrollbereich dynamisch neu zuzuordnen. Das visuelle Feedback über den Ellbogenwinkel wird modifiziert, damit es so aussieht, als würde sich der Ellbogen weniger bewegen als in Wirklichkeit. Wenn sich also der tatsächliche Ellbogen bewegt, nimmt die Person den Ellbogen so wahr, als hätte er sich weniger bewegt, und versucht, den Fehler zu korrigieren, indem er den Ellbogen weiter ausdehnt. Der aktive Kontrollbereich wird erweitert, indem Probanden nahe oder gerade an der Grenze ihres ST-Bereichs arbeiten. Eine Neuzuordnung der Wahrnehmungs-/Aktionsbeziehung erfolgt, wenn die afferente Rückkopplung mit einem größeren Ellbogenwinkel assoziiert wird. Angesichts der Schlüsselrolle von Fehlern beim motorischen Lernen wird die künstliche Erhöhung des Leistungsfehlers durch EA den aktiven Kontrollbereich jedes Einzelnen erhöhen und dazu führen, dass das Lernen schneller erfolgt.

AUSWIRKUNGEN AUF DIE REHABILITATION: Die Ergebnisse werden Erkenntnisse aufbauen, die Kliniker und ihre Patienten bei der Ermittlung der besten Art von Training für die funktionelle Wiederherstellung von UL unterstützen können – eine wesentliche Komponente der Wiedereingliederung in die Aktivitäten des täglichen Lebens. Die Ergebnisse können auch einen Paradigmenwechsel in der klinischen Praxis unterstützen und Rehabilitationspraktiker ermutigen, personalisierte Interventionsoptionen zur Verbesserung der Ergebnisse in Betracht zu ziehen. Zunehmende therapeutische Optionen können auch zu einer personalisierten Versorgung beitragen, die auf die besonderen Bedürfnisse des Patienten zugeschnitten ist, und zu besseren funktionellen Ergebnissen führen.

Ziel 1 - Bestimmen Sie die Wirksamkeit von personalisiertem Training mit EA, um den Bereich der aktiven Ellbogenkontrolle bei Personen nach einem Schlaganfall zu erweitern. Hypothese 1: Intrinsisches Feedback über Bewegungsfehler am Ellbogen führt zu einer dynamischen Neuzuordnung der Kontrollmechanismen auf Muskelebene und verbessert den Bewegungsbereich des aktiven Ellbogengelenks. Hypothese 2: Probanden, die mit EA üben, werden in der Lage sein, die größere Reichweite des Ellbogengelenks in funktionelle Greifbewegungen zu integrieren, was sich in besseren klinischen Ergebnissen widerspiegelt.

Ziel 2 - Bestimmen Sie die patientenspezifische optimale Dosis intensiver Übungen, um die Erholung der Armmotorik zu maximieren. Hypothese 3: Eine erhöhte Trainingsdosis führt zu besseren kinematischen und klinischen Ergebnissen und einem besseren motorischen Lernen.

Ziel 3 – Beziehen Sie das Ausmaß des CST-Schadens mit der UL-Erholung basierend auf kinematischen und klinischen Messungen in Beziehung. Hypothese 4: Größere CST-Schäden werden mit schlechterem motorischem Lernen und klinischen Ergebnissen korrelieren.

Zwei Gruppen, Trainingsdauer,

TRAININGSDAUER: 54 Probanden führen ~30 Minuten/Sitzung des Zielerreichens mit ihrem betroffenen Arm durch. Um die Intensität zu kontrollieren, wird das Training auf die Zeit ausgedehnt, die benötigt wird, um 138 Züge/Sitzung mit 6-10 Sekunden zwischen den Zügen zu absolvieren. Die Sitzungen werden 9 Wochen lang 3 Mal/Woche durchgeführt (d. h. 27 Sitzungen, 810 Minuten, 3.726 Versuche) – gilt als hochintensives Training, wie vom Roundtable Stroke Recovery & Rehabilitation empfohlen. Kinematische und klinische Messungen werden vor (PRE), nach 3 (POST3), 6 (POST6) und 9 Wochen (POST9) und nach einer 4-wöchigen Nachsorge (FOLL-UP) durchgeführt.

PROBENUMFANG: Zur Berechnung des Stichprobenumfangs wurde die minimale klinisch bedeutsame Differenz (MCID) des primären Ergebnismaßes (ST) verwendet. Der MCID des ST wurde mit einer ankerbasierten Methode zu 18,07° bestimmt (Änderung der FMA > MCID 5,25). Unter Berücksichtigung eines α-Niveaus von 5 % und einer Power von 95 % (Effektgröße = 1,39) zum Erkennen von Unterschieden unter Verwendung einer gemischten Modell-ANOVA (G*Power 3.1.9.4) beträgt die minimale Stichprobengröße 21/Gruppe. Die Stichprobengröße wurde auf 27 pro Gruppe erhöht, wobei eine Drop-out-Rate von 25 % berücksichtigt wurde, da mehrere Schulungs-/Bewertungssitzungen für eine endgültige Kohorte von 54 Probanden besucht werden mussten.

STATISTISCHE ANALYSE: Wir werden Änderungen im motorischen Verhalten mit dem anfänglichen klinischen Status (PRE) und mit Änderungen nach der Behandlung (POST) zu 3 Zeitpunkten (POST1, POST2, POST3) und bei der Nachsorge (FOLL-UP) in Beziehung setzen. Statistische Ansätze basieren auf Intention-to-treat-Analysen. Die beschreibende/Verteilungsanalyse hebt die wichtigsten demografischen und klinischen Merkmale hervor und kontrolliert Unterschiede in den prognostischen Basisindikatoren zwischen den Gruppen. Für Obj. 1-3 verwenden wir ein gemischtes ANOVA-Modell mit wiederholten Messungen für primäre und sekundäre Ergebnisse, wobei das Modell einen Zwischensubjektfaktor – Gruppe mit 2 Ebenen (EA, kein EA) und einen Innersubjektfaktor – Zeit (5 Ebenen) umfasst. , unter Verwendung von normalisierten Änderungswerten (d. h. POST-PRE/PRE; FOLL-UP-PRE/PRE). Wir werden Änderungen in den primären und sekundären Endpunkten als signifikant betrachten, wenn ihre 95-%-Konfidenzintervalle (KI) die MCIDs für jedes Maß überschreiten. Um die %CST-Verletzung als potenziellen Störfaktor zu kontrollieren, führen wir eine parallele ANCOVA mit %CST als Kovariate durch. Dies erhöht die statistische Aussagekraft und bereinigt die Baseline-Gruppenunterschiede, indem ein unverzerrter Unterschied bei den primären Endpunkten geschätzt wird. Dieses Studiendesign wurde in unserer vorherigen RCT verwendet. Für den Arbeitsbereich des aktiven Arms wird die Signifikanz durch eine >10%ige Änderung des PRE-Testbereichs angezeigt, basierend auf einer Erhöhung des TSRT von mindestens 18°. Für den Bewegungsbereich des Ellbogens beträgt eine signifikante Änderung 15 % des Bereichs vor dem Test. Für sekundäre Ergebnisse werden MCID-Werte verwendet, sofern bekannt. Für Maßnahmen, für die MCIDs nicht bekannt sind, betrachten wir eine minimal signifikante Änderung als >15 % des Werts vor dem Test. Die multiple lineare Regressionsanalyse der gepoolten Daten wird Beziehungen zwischen Probanden mit unterschiedlichen Graden der anfänglichen klinischen Beeinträchtigung (% CST-Verletzung) und primären und sekundären Ergebnismessungen identifizieren. Alle Analysen berücksichtigen das Geschlecht als Störfaktor. Während Männer eine höhere altersangepasste Schlaganfallinzidenz aufweisen, erleiden Frauen schwerere Schlaganfälle und eine höhere kurzfristige Sterblichkeit. Ein besseres Verständnis des Einflusses des Geschlechts auf therapeutische Interventionen kann zu einem verbesserten Schlaganfallmanagement führen. Für alle Modelle werden Residualdiagramme untersucht, um Linearität, Normalverteilung und Homoskedastizität zu verifizieren. Die Kolinearität wird basierend auf Toleranz, Variation der Inflation und Eigenwerten bewertet. Partielle Korrelation und standardisierte (Beta-)Koeffizienten werden untersucht, um zu zeigen, welche erklärenden Variablen einen größeren Einfluss auf die abhängige Variable in den multiplen Regressionsmodellen haben. Für jedes Ergebnis wird die Variabilität basierend auf 95 %-KIs geschätzt. Fehlende Daten werden auf nicht zufällige Muster überprüft.

STUDIENMANAGEMENT: Das tägliche Studienmanagement liegt in der Verantwortung des Lenkungsausschusses (Levin, Archambault, Piscitelli). Die Randomisierung wird von Levin vorgenommen. Die Studienkoordination und Datenverarbeitung erfolgt durch Piscitelli. Das Team verfügt über komplementäres Fachwissen, das direkt für den Vorschlag relevant ist, und über umfangreiche Erfahrung in der Durchführung von Schlaganfallforschung. Ein ehemaliger Patient (GG), der an unseren früheren Studien teilgenommen hat, hilft bei der Beurteilung der Machbarkeit und Akzeptanz der Technologie und des Protokolls, einschließlich klinischer und kinematischer Tests. Piscitelli wird die Studie koordinieren, bei der Beaufsichtigung der Studenten helfen und sich um das tägliche Management kümmern. Prevost (Clinical Research Coordinator) wird Patienten aus 3 Zentren innerhalb von CRIR rekrutieren und bewerten. Levin und Wien haben Erfahrung in der Bildgebung und Feldman in der Motorsteuerung. Wein ist Schlaganfall-Neurologe am MNI, wo er mehrere RCTs durchgeführt hat. Trivino (Physiotherapeut) hat an mehreren klinischen Forschungsprojekten am JRH mit technologiegestützter Rehabilitation bei Patienten mit Schlaganfall teilgenommen. Berman (Rehabilitationsingenieur) entwarf die Roboter-/VR-Intervention und führte die ersten Machbarkeitsstudien mit Levin durch. Wir werden die Ergebnisse den Schlaganfallteams der CRIR-angeschlossenen Krankenhäuser durch betriebsinterne Präsentationen weitergeben und Probleme der UL-Messung und -Verwaltung erörtern. Diagnostische Bildgebungswerkzeuge und Erkenntnisse zur Motorsteuerung werden mit Forschern, Klinikern und Patienten geteilt. Die Machbarkeit der Integration der entwickelten Technologie in klinische Umgebungen wird mit den Klinikern Trivino und Wein und dem Patienten GG evaluiert.