脳卒中患者におけるエラー増強運動学習トレーニングアプローチ

脳卒中後の上肢運動の回復が不完全です。 脳卒中は、上肢 (UL) 機能の持続的な障害を含む長期的な感覚運動障害の主な原因です。 UL の回復を改善する方法を理解することは、科学的、臨床的、患者にとって重要な優先事項です。 しかし、運動学習と神経可塑性の確立された原則に基づいて最も効果的なリハビリテーション介入を特定しようとする数多くの研究にもかかわらず、脳卒中後の UL 回復は不完全なままです。 実際、治療を受けても、脳卒中生存者の大部分 (最大 62%) で UL 感覚運動障害が 6 か月以上持続し、高い社会経済的負担につながります。

運動制御障害: 脳卒中後の根本的な制御障害の結果は、主動筋を動員する能力の低下、望ましくない/不適切な筋肉の活性化 (すなわち、痙性、主動筋と拮抗筋の共収縮)、異常な筋肉活性化のタイミング、弱さと筋繊維の特性が変化します。 これにより、関節の動きを分離し、さまざまな関節を適切に組み合わせてタスク関連の機能を達成する能力が低下します。 運動障害と痙縮は、伸張反射や他の固有受容反射の空間閾値 (ST) の仕様と調節における一般的な制御障害に関連していることを示唆する実質的な証拠を蓄積してきました。 ST は、時間 (レイテンシ) ドメインではなく、空間 (角度) ドメインで表現されます。 ST 調節は、動物の伸展反射、およびヒトの反射と運動を制御する確立されたメカニズムです。

ST の定義と作用メカニズム: 空間閾値 (ST) は、筋肉が動員され始め、姿勢反射やその他の反射が作用し始める関節角度です。 STをシフトすることにより、脳は姿勢安定メカニズムを新しい手足または体の位置にリセットします. これらのメカニズムが組み合わさって、身体の構成とタスクの要求に応じて、複数の筋肉システムの ST を調節します。 脳卒中は ST 調節の赤字をもたらします。 下行および脊髄メカニズムに影響を与える中枢神経系 (CNS) 損傷および内因性は、ST 調節の制限につながります。 その結果、角度のしきい値である ST (痙性範囲) を超える受動的または能動的な動きは、異常な反射筋活性化を誘発します。 ST は速度に依存しており、脳卒中患者のアクティブな制御範囲と、より速い動きを行う能力を低下させます。

介入アプローチ: 私たちのアプローチは、脳卒中における無反射の肘の動きの範囲を広げるように設計されています。 慢性脳卒中患者の新しい負荷への肘の動きの適応 (すなわち、エラーを修正する能力) は、無反射の場合と比較して、能動制御範囲 (痙性が筋収縮に影響を及ぼさない範囲) 内で運動を行った場合に大幅に改善されました。範囲は特定されませんでした。 したがって、運動学習の可能性は、適切に設計された試験で障害のある肘の動きの範囲を考慮することによって改善される可能性があります。 異常な筋肉活性化パターンやその他の代償（悪い可塑性）による動きを誘発することを避けるために、トレーニングプログラムは個人の運動能力に合わせて調整され、典型的な筋肉活性化パターンで作られた関節範囲を定量化して拡大するアプローチが組み込まれます. この提案では、ロボットと新しい VR 学習インターフェイスを使用して、中等度から重度の脳卒中の人によく見られる障害である肘の制御された動きを生み出す能力を操作します。 提案されたパーソナライズされたトレーニング アプローチは、特定のフィードバックを提供して、個人の ST 調整範囲を拡大することに重点を置いています。

ERROR AUGMENTATION FEEDBACK (EA): エラー増強フィードバックは、肘のアクティブ コントロール ST ゾーンを増加させるために使用されます。 EA は、固有のエラー駆動型学習を使用して、運動学的冗長性を利用し、意味のある運動課題の解決策を見つける CNS の能力を強化します。 具体的には、被験者には、運動エラーを強化するフィードバックが提供されます。 エラー信号の操作は、健康な被験者と脳卒中の被験者の両方でUL感覚運動の改善を刺激し、エラーが大きいほど学習が向上することが示されています。 EA フィードバックは、アクティブな肘の制御範囲を動的に再マッピングするために使用されます。 肘の角度に関する視覚的なフィードバックが変更され、実際よりも肘が動かないように見えます。 したがって、実際の肘が動くと、被験者は肘の動きが少ないと認識し、肘をさらに伸ばすことでエラーを修正しようとします。 アクティブな制御範囲は、被験者が ST 範囲の限界付近または限界付近で作業することによって拡張されます。 求心性フィードバックがより大きな肘の角度に関連付けられるようになると、知覚/行動の関係の再マッピングが発生します。 運動学習におけるエラーの重要な役割を考えると、EA を介して人為的にパフォーマンス エラーを増加させると、各個人のアクティブ コントロール レンジが増加し、学習がより迅速に行われます。

リハビリテーションへの影響: 結果は、日常生活活動への再統合に不可欠なコンポーネントである UL 機能回復のための最適なタイプのトレーニングを特定する際に、臨床医とその患者を導くことができる知識を構築します。 調査結果は、臨床診療におけるパラダイム シフトをサポートすることもでき、リハビリテーション専門家が転帰を改善するための個別の介入オプションを検討するよう促します。 治療の選択肢を増やすことは、患者の特定のニーズに合わせて調整された個別化されたケアにも貢献し、より良い機能的転帰につながります。

目的 1 - EA を使用して、脳卒中後の被験者のアクティブな肘のコントロールの範囲を拡大する、パーソナライズされたエクササイズの有効性を判断します。 仮説 1: 肘の動作エラーに関する内在的なフィードバックは、筋肉レベルの制御メカニズムの動的な再マッピングにつながり、アクティブな肘関節の動きの範囲を改善します。 仮説 2: EA で練習している被験者は、より良い臨床転帰に反映されるように、より広い肘関節範囲を機能的な到達動作に組み込むことができます。

目標 2 - 腕の運動回復を最大化するために、患者固有の集中的な運動の最適な量を決定します。 仮説 3: トレーニング量を増やすと、運動学的および臨床的結果が向上し、運動学習が向上します。

目標 3 - 運動学的および臨床的測定に基づいて、CST 損傷の量を UL 回復に関連付けます。 仮説 4: CST の損傷が大きいほど、運動学習および臨床転帰の低下と相関します。

2 つのグループ、トレーニング期間、

トレーニング期間: 54 人の被験者が、影響を受けた腕で到達するターゲットのセッションを ~30 分実行します。 強度をコントロールするために、練習は 138 リーチ/セッションを完了するのに必要な時間まで延長され、リーチ間は 6 ～ 10 秒です。 セッションは、週に 3 回、9 週間にわたって行われます (つまり、27 セッション、810 分、3,726 試行) - Stroke Recovery & Rehabilitation Roundtable で推奨されているように、高強度の運動と見なされます。 運動学的および臨床的測定は、前（PRE）、3（POST3）、6（POST6）、および9週間（POST9）後、および4週間のフォローアップ（FOLL-UP）後に行われます。

サンプルサイズ: サンプルサイズを計算するために、一次結果測定 (ST) の最小臨床重要差 (MCID) が使用されました。 STのMCIDは、アンカーベースの方法を使用して18.07°であると決定されました（FMAの変化> MCID 5.25）。 混合モデル ANOVA (G*Power 3.1.9.4) を使用して差を検出するための 5% の α レベルと 95% の検出力 (効果サイズ = 1.39) を考慮すると、最小サンプル サイズは 21/グループです。 54人の被験者の最終コホートに対して複数のトレーニング/評価セッションに参加する必要があることを考えると、ドロップアウト率が25%であることを考慮して、サンプルサイズはグループあたり27人に増加しました。

統計分析: 運動行動の変化を、3 つの時点 (POST1、POST2、POST3) およびフォローアップ (FOLL-UP) での初期臨床状態 (PRE) および治療後の変化 (POST) に関連付けます。 統計的アプローチは、治療意図分析に基づいています。 記述/分布分析は、主な人口統計学的および臨床的特徴を強調し、グループ間のベースライン予後指標の違いを制御します。 オブジェクト用。 1-3、反復測定混合モデル ANOVA を一次および二次結果に使用します。このモデルには、1 つの被験者間因子 - 2 つのレベルを持つグループ (EA、EA なし) および 1 つの被験者内因子 - 時間 (5 レベル) が含まれます。 、正規化された変更スコア (つまり、POST-PRE/PRE; FOLL-UP-PRE/PRE) を使用します。 95% 信頼区間 (CI) が各測定値の MCID を超える場合、一次および二次結果の変化は有意であると見なします。 潜在的な交絡因子としての %CST 損傷を制御するために、共変量として %CST を使用して並列 ANCOVA を実行します。 これにより、統計的検出力が向上し、ベースライン グループの差異を調整して、主要な転帰の偏りのない差異を推定します。 この研究デザインは、以前の RCT で使用されています。 アクティブ アーム ワークスペースの重要性は、少なくとも 18° の TSRT の増加に基づいて、PRE テスト領域の >10% の変化によって示されます。 肘の可動域については、有意な変化はテスト前の範囲の 15% になります。 二次的な結果については、既知の場合は MCID 値が使用されます。 MCID が不明な測定値については、テスト前の値の 15% を超える最小限の有意な変化と見なします。 プールされたデータに対する多重線形回帰分析により、さまざまなレベルの初期臨床障害 (%CST 損傷) を持つ被験者と、一次および二次結果測定値との関係が特定されます。 すべての分析は、性別を交絡因子と見なします。 男性は年齢調整脳卒中の発生率が高いのに対し、女性はより重度の脳卒中を経験し、短期死亡率が高くなります。 セックスが治療介入に及ぼす影響をよりよく理解することは、脳卒中の管理の改善につながる可能性があります。 すべてのモデルについて、線形性、正規性、等分散性を検証するために残差プロットが調べられます。 共線形性は、許容範囲、インフレの変動、および固有値に基づいて評価されます。 偏相関係数と標準化 (ベータ) 係数を調べて、どの説明変数が重回帰モデルの従属変数に大きな影響を与えるかを示します。 各結果について、変動性は 95%CI に基づいて推定されます。 欠落しているデータは、非ランダム パターンについてチェックされます。

試験管理: 日々の試験管理は、運営委員会 (Levin、Archambault、Piscitelli) が担当します。 ランダム化はレビンによって行われます。 試験調整とデータ処理は Piscitelli が行います。 チームは、提案に直接関連する補完的な専門知識と、脳卒中研究の実施に関する豊富な経験を持っています。 私たちの以前の研究に参加した元患者 (GG) は、臨床試験や運動学的試験を含む、技術とプロトコルの実現可能性と受容性を評価するのに役立ちます。 Piscitelli は試験を調整し、学生の監督を支援し、日々の管理を担当します。 Prevost (臨床研究コーディネーター) は、CRIR 内の 3 つのセンターから患者を募集し、評価します。 Levin と Wien は画像処理の専門知識を持ち、Feldman は運動制御の専門知識を持っています。 Wein は MNI の脳卒中神経科医であり、いくつかの RCT を実施してきました。 Trivino (理学療法士) は、脳卒中患者の技術支援リハビリテーションを使用して、JRH でいくつかの臨床研究プロジェクトに参加しています。 Berman (リハビリテーション エンジニア) は、ロボット/VR 介入を設計し、Levin と共に最初の実現可能性調査を実施しました。 CRIR 提携病院の脳卒中チームに、勤務中のプレゼンテーションを通じて調査結果を広め、UL の測定と管理の問題について話し合います。 画像診断ツールと運動制御の知識は、研究者、臨床医、患者と共有されます。 開発された技術を臨床環境に組み込む可能性は、臨床医の Trivino と Wein、および患者の GG とともに評価されます。