脑卒中患者的错误增强运动学习训练方法

中风后上肢运动的恢复不完全。 中风是长期感觉运动障碍的主要原因，包括上肢 (UL) 功能的持续缺陷。 了解如何改善 UL 恢复是科学、临床和患者的首要任务。 然而，尽管有大量研究试图根据既定的运动学习和神经可塑性原则确定最有效的康复干预措施，但中风后 UL 恢复仍然不完整。 事实上，即使接受治疗，很大一部分（高达 62%）的中风幸存者仍存在 UL 感觉运动缺陷 >6 个月，从而导致沉重的社会经济负担。

运动控制障碍：中风后潜在控制缺陷的结果是轻偏瘫，其特征是募集主动肌的能力下降、不需要的/不适当的肌肉激活（即痉挛、主动肌和拮抗肌共同收缩）、异常的肌肉激活时间，无力和肌纤维特性改变。 这导致在隔离关节运动和适当组合不同关节以完成与任务相关的功能的能力方面存在缺陷。 我们积累了大量证据表明，运动缺陷和痉挛与牵张反射和其他本体感受反射的空间阈值 (ST) 的规范和调节中的常见控制缺陷有关。 ST 在​​空间（角度）域而不是时间（延迟）域中表示。 ST 调节是一种完善的机制，用于控制动物的牵张反射和人类的反射和运动。

ST 定义和作用机制：空间阈值 (ST) 是肌肉开始募集、姿势反射和其他反射开始起作用的关节角度。 通过移动 ST，大脑将姿势稳定机制重置为新的肢体或身体位置。 这些机制结合起来根据身体配置和任务需求调节多肌肉系统中的 ST。 中风导致 ST 调节缺陷。 影响下行和脊髓机制的中枢神经系统 (CNS) 损伤和内在导致 ST 调节受限。 因此，超过角度阈值 ST（痉挛范围）的被动或主动运动会引起异常的反射性肌肉激活。 ST 是速度依赖性的，减少了中风患者的主动控制范围和他们做出更快运动的能力。

干预方法：我们的方法旨在增加中风时肘部无反射运动范围。 与无反射时相比，在主动控制范围内（痉挛不影响肌肉收缩）进行运动时，慢性中风患者肘部运动适应新负荷（即纠正错误的能力）得到显着改善范围未确定。 因此，通过在适当设计的试验中考虑肘部运动受损的范围，可以提高运动学习的潜力。 为了避免引起异常肌肉激活模式和其他补偿（可塑性差）的运动，训练计划将根据个人的运动能力量身定制，并采用量化和扩大典型肌肉激活模式的关节范围的方法。 在此提案中，我们将使用机器人和新颖的 VR 学习界面来操纵在肘部产生受控运动的能力，这是中度至重度中风患者的常见损伤。 拟议的个性化培训方法侧重于提供具体的反馈，以增加个人的 ST 调节范围。

错误增强反馈 (EA)：错误增强反馈将用于增加肘部的主动控制 ST 区。 EA 使用内在的错误驱动学习来增强 CNS 的能力，以利用运动学冗余并找到有意义的运动任务解决方案。 具体来说，向受试者提供的反馈会增强他们的运动错误。 错误信号的操纵已被证明可以刺激健康和中风受试者的 UL 感觉运动改善，当错误较大时，学习收益会更大。 EA 反馈将用于动态重新映射主动肘部控制范围。 关于肘部角度的视觉反馈将被修改，使肘部移动看起来比实际少。 因此，当实际肘部移动时，受试者会认为肘部移动较少，并试图通过进一步伸展肘部来纠正错误。 通过让受试者在其 ST 范围极限附近或刚好在其 ST 范围极限工作，可以扩大主动控制范围。 当传入反馈与更大的肘部角度相关联时，将发生感知/动作关系的重新映射。 鉴于错误在运动学习中的关键作用，通过 EA 人为地增加性能错误将增加每个人的主动控制范围并导致学习更快地发生。

对康复的影响：结果将建立知识，可以指导临床医生及其患者确定 UL 功能恢复的最佳培训类型——这是重新融入日常生活活动的重要组成部分。 研究结果还可以支持临床实践的范式转变，鼓励康复从业者考虑个性化干预方案以改善结果。 增加治疗选择也有助于根据患者的特定需求量身定制个性化护理，并带来更好的功能结果。

目标 1 - 确定使用 EA 进行个性化锻炼以扩大中风后受试者主动肘部控制范围的有效性。 假设 1：关于肘部运动错误的内在反馈将导致肌肉水平控制机制的动态重新映射，并改善主动肘关节运动的范围。 假设 2：使用 EA 练习的受试者将能够将更大的肘关节范围纳入功能性伸展运动中，这反映在更好的临床结果中。

目标 2 - 确定患者特定的最佳强化运动剂量，以最大程度地恢复手臂运动。 假设 3：增加训练剂量将导致更好的运动学和临床结果以及更好的运动学习。

目标 3 - 根据运动学和临床措施将 CST 损伤量与 UL 恢复联系起来。 假设 4：更大的 CST 损伤将与更差的运动学习和临床结果相关。

两组，训练时长，

训练持续时间：54 名受试者将执行 ~30 分钟/会话，用受影响的手臂达到目标。 为了控制强度，练习将延长到完成 138 次动作所需的时间，每次动作之间间隔 6-10 秒。 训练将每周进行 3 次，持续 9 周（即 27 次训练，810 分钟，3,726 次试验）——被认为是中风恢复和康复圆桌会议推荐的高强度运动。 将在 (PRE) 之前、3 (POST3)、6 (POST6) 和 9 周 (POST9) 以及 4 周随访 (FOLL-UP) 之前进行运动学和临床测量。

样本量：主要结果测量 (ST) 的最小临床重要差异 (MCID) 用于计算样本量。 使用基于锚的方法确定 ST 的 MCID 为 18.07°（FMA 的变化 > MCID 5.25）。 考虑到使用混合模型方差分析 (G*Power 3.1.9.4) 检测差异的 5% α 水平和 95% 功效（效应大小 = 1.39），最小样本量为 21/组。 鉴于需要为 54 名受试者的最终队列参加多次培训/评估课程，考虑到 25% 的辍学率，样本量增加到每组 27 个。

统计分析：我们将在 3 个时间点（POST1、POST2、POST3）和随访时（FOLL-UP）将运动行为的变化与初始临床状态 (PRE) 和治疗后变化 (POST) 联系起来。 统计方法基于意向治疗分析。 描述性/分布分析将突出主要的人口统计学和临床​​特征，并控制组间基线预后指标的差异。 对于对象。 1-3，我们将对主要和次要结果使用重复测量混合模型方差分析，其中该模型包括一个受试者间因素 - 具有 2 个水平的组（EA，无 EA）和一个受试者内因素 - 时间（5 个水平） ，使用标准化的变化分数（即 POST-PRE/PRE；FOLL-UP-PRE/PRE）。 如果每个指标的 95% 置信区间 (CI) 超过 MCID，我们将认为主要和次要结果的变化显着。 为了控制作为潜在混杂因素的 %CST 损伤，我们将使用 %CST 作为协变量运行平行 ANCOVA。 这将增加统计功效并针对基线组差异进行调整，从而估计主要结果的无偏差异。 该研究设计已在我们之前的 RCT 中使用。 对于活动手臂工作区，基于 TSRT 至少增加 18°，预测试区域的 >10% 变化将表明显着性。 对于肘部运动范围，显着变化将是预测试范围的 15%。 对于次要结果，将在已知时使用 MCID 值。 对于 MCID 未知的措施，我们将认为最小显着变化为测试前值的 >15%。 对汇总数据的多元线性回归分析将确定具有不同初始临床损伤水平（%CST 损伤）的受试者与主要和次要结果测量之间的关系。 所有分析都将性别视为混杂因素。 虽然男性的年龄调整后中风发病率更高，但女性中风更严重，短期死亡率更高。 更好地了解性别对治疗干预的影响可以改善中风管理。 对于所有模型，将检查残差图以验证线性、正态性和同方差性。 共线性将根据公差、通货膨胀的变化和特征值进行评估。 将检查偏相关系数和标准化 (beta) 系数，以证明哪些解释变量对多元回归模型中的因变量影响更大。 对于每个结果，将根据 95%CI 估计变异性。 将检查缺失数据的非随机模式。

试验管理：日常试验管理将由指导委员会（Levin、Archambault、Piscitelli）负责。 随机化将由 Levin 完成。 试验协调和数据处理将由 Piscitelli 完成。 该团队拥有与提案直接相关的互补专业知识和进行中风研究的丰富经验。 参与过我们之前研究的前患者 (GG) 将帮助评估技术和协议的可行性和可接受性，包括临床和运动学测试。 Piscitelli 将协调试验，帮助监督学生并负责日常管理。 Prevost（临床研究协调员）将从 CRIR 的 3 个中心招募和评估患者。 Levin 和 Wien 拥有成像方面的专业知识，而 Feldman 则拥有电机控制方面的专业知识。 Wein 是 MNI 的中风神经学家，他在那里进行了多项随机对照试验。 Trivino（物理治疗师）参与了 JRH 的多个临床研究项目，使用技术支持的中风患者康复。 Berman（康复工程师）设计了机器人/VR 干预并与 Levin 进行了初步可行性研究。 我们将通过在职演示向 CRIR 附属医院的卒中团队传播研究结果，并讨论 UL 测量和管理问题。 诊断成像工具和电机控制知识将与研究人员、临床医生和患者共享。 将与临床医生 Trivino 和 Wein 以及患者 GG 一起评估将开发的技术纳入临床环境的可行性。