识别预测中风后残余皮质脊髓束输出的个性化大脑状态
经颅磁刺激（TMS）干预可以切实加强残余皮质脊髓束（CST）连接并促进中风后手部运动恢复。 为了最大限度地发挥此类干预措施的效果，必须在大脑活动模式期间进行干预，在此期间 TMS 可以最好地激活残留的 CST 并增强其神经传递。 这种方法被称为大脑状态依赖性 TMS。 研究人员最近开发了一种机器学习框架，可以识别反映神经典型成年人强烈 CST 激活的个性化大脑活动模式。 在这项研究中，研究人员将首次将该框架应用于中风后大脑。 他们还将评估该框架检测强和弱 CST 激活状态的能力与 CST 通路完整性测量之间的关系。
参与者将前往实验室进行为期两天的测试，测试期间至少间隔一晚的睡眠。 第一天，参与者将提供知情同意书。 麦克阿瑟能力评估工具和 Frenchay 失语症筛查测试将用于评估同意能力并根据需要确认是否存在表达性失语症。 随后，参与者将使用上肢 Fugl-Meyer 评估、Wolf 运动功能测试和改良 Rankin 量表完成上肢运动障碍、运动功能和残疾的资格筛选和临床评估。 然后将筛查参与者是否存在从病变半球到受影响的第一背侧骨间肌的残余 CST 连接。 记录电极将连接到该肌肉上，以记录这些肌肉中 TMS 诱发的抽搐。 在此过程中，单脉冲 TMS 将应用于 1 厘米分辨率网格的每个点，以最大刺激器输出覆盖病变半球的初级和次级运动区域。 如果 TMS 可靠地在受影响的第一背侧骨间引起肌肉抽搐，则该参与者将被视为具有残留的 CST 连接，并且有资格参加完整的研究。 如果没有观察到肌肉抽搐，参与者将没有资格参加完整的研究。 之后，记录电极将被移除，参与者将离开实验室。
第二天，参与者将返回实验室。 研究人员将确认是否继续符合资格，并使用游泳帽将记录电极放置在头皮上。 研究人员还将记录电极放置在受影响的第一背侧骨间肌以及受影响的拇短展肌和指总伸肌上。 在确定 TMS 最能引起受影响的第一背侧骨间肌肌肉抽搐的头皮位置后，研究人员将确定可能的最低 TMS 强度，以至少在一半的时间内引起肌肉抽搐。 然后，研究人员将提供 6 组 100 个单 TMS 脉冲，而参与者则睁着眼睛静静休息。 刺激的强度将比 TMS 最低强度高 20%，至少有一半时间会引起肌肉抽搐。 之后，所有电极将被移除，参与将完成，参与者将离开实验室。
研究人员将总共招募 20 名慢性中风幸存者进行这项研究。
研究概览
研究类型
注册 (估计的)
阶段
- 阶段1
联系人和位置
学习地点
-
-
Texas
-
Austin、Texas、美国、78712
- 招聘中
- University of Texas at Austin
-
接触：
- Sara Hussain
- 电话号码：512-232-2686
- 邮箱：sara.hussain@austin.utexas.edu
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
描述
纳入标准：
- 中风病史 >6 个月前
- 存在残余上肢偏瘫
- 参与意愿
- 提供知情同意的能力
- 上肢 Fugl-Meyer 评分 < 66
- 迷你精神状态考试分数 > 24
- 对病变半球进行单脉冲经颅磁刺激后可识别且可靠的运动诱发电位 (MEP)
排除标准：
- 除中风之外的神经系统疾病和/或神经损伤史
存在经颅磁刺激 (TMS) 或周围神经刺激 (PNS) 的禁忌症，包括：
- 心脏起搏器、人工耳蜗、皮质刺激器、深部脑刺激器、迷走神经刺激器、颈椎硬膜外刺激器和/或脑室腹腔分流术
- 第七颈椎水平以上的铁磁金属植入物
- 过去 12 个月服用抗癫痫药物期间癫痫发作
- TMS 或 PNS 不良反应史
- 当前、疑似或计划怀孕
- 最近（上个月内）药物使用的变化
- 上肢 Fugl-Meyer 评分 = 66
- 迷你精神状态考试分数 <= 24
- 对病变半球进行单脉冲 TMS 后，未引发可辨别或可靠的 MEP
学习计划
研究是如何设计的？
设计细节
- 主要用途：基础科学
- 分配：不适用
- 介入模型：交叉作业
- 屏蔽：双倍的
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
个性化分类器性能
大体时间：通过学习完成，平均需要2周。
|
个性化机器学习分类器将用于区分大脑活动模式，在此期间，单脉冲 TMS 从受影响的第一背侧骨间肌引发大和小运动诱发电位。
在拟合每个个性化分类器后，将计算 F1 值并将其用作性能指标。
F1 值将与经验机会水平进行比较，经验机会水平将使用特定于参与者的排列测试来确定。
|
通过学习完成，平均需要2周。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
皮质脊髓束质膜重叠
大体时间：通过学习完成，平均2周。
|
每个参与者的最新临床T1加权扫描将用于创建病变面膜。
面具将在每个参与者的结构T1加权扫描中进行空间标准化，并且将使用管道来分析病变（PALS）来计算与CST区的CST质量重叠的百分比。
CST-LESION重叠百分比将反对个性化分类器的性能进行回归。
|
通过学习完成，平均2周。
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.