Neurotechnologies for Upper Limb Rehabilitation in Subacute and Chronic Stroke Patients
Author
Rughaven, Ann-Charlot
Term
4. term
Publication year
2024
Submitted on
2024-05-31
Pages
40
Abstract
Baggrund: Mange patienter med slagtilfælde (apopleksi) genvinder ikke fuld armfunktion i hverken den subakutte eller kroniske fase. Nye neurorehabiliteringsteknologier og bedre forudsigelser af behandlingsresultater kan hjælpe. Formål: Delstudie 1 undersøgte, om exoskelettet ArmeoSpring kan forbedre armfunktionen hos subakutte patienter, og hvilke bagvedliggende faktorer der er vigtige for bedring. Disse faktorer blev brugt til at bygge forudsigelsesmodeller for de kliniske armtests Fugl-Meyer Upper Extremity (FM-UE) og Action Research Arm Test (ARAT). Delstudie 2 beskriver et intensivt fireugers kombinationsforløb med brain–computer interface (BCI; et system der oversætter hjernesignaler til kommandoer), ArmeoSpring og spejlterapi (træning med spejlbillede) til kroniske patienter. Metode: Delstudie 1 brugte data fra BCI-STAR-projektet med 48 subakutte patienter, fordelt i en interventionsgruppe og en kontrolgruppe. Armfunktion blev målt med FM-UE og ARAT. En eksplorativ faktoranalyse (statistisk metode til at finde mønstre) blev brugt til at identificere bagvedliggende faktorer. Til sidst blev der udviklet forudsigelsesmodeller med en stacking-model (maskinlæringsmetode) trænet på de samme data. Delstudie 2 er et en-gruppe før-efter-design; 30 kroniske patienter rekrutteres, og effekten vurderes med FM-UE, ARAT og transkraniel magnetisk stimulation (TMS; en ikke-invasiv hjernetest). Resultater: I delstudie 1 forbedrede både ArmeoSpring- og kontrolgruppen deres scores signifikant (p<0,001), men grupperne adskilte sig ikke fra hinanden (p=0,673). Faktoranalyse pegede på tre centrale faktorer: slagtilfældets sværhedsgrad, rehabiliteringens kvalitet og alder. Forudsigelsesmodellerne opnåede en gennemsnitlig absolut fejl (MAE) på 3,47 (FM-UE) og 3,86 (ARAT) point, hvilket tyder på god nøjagtighed. Konklusion: Der sås en tendens til, at mere intensiv træning med ArmeoSpring kan støtte bedring efter slagtilfælde. En tidlig start på rehabilitering og patientens MEP-status (motorisk fremkaldte potentialer) synes også vigtige for bedre bedring. Modellerne kunne forudsige kliniske armresultater med rimelig præcision. Det foreslås, at en kombination af BCI, ArmeoSpring og spejlterapi kan forbedre armfunktionen hos kroniske patienter; dette afprøves i delstudie 2.
Background: Many stroke survivors do not fully regain arm function in the subacute or chronic phase. New neurorehabilitation technologies and better outcome prediction may help address this gap. Aim: Sub-study 1 examined whether the ArmeoSpring exoskeleton improves upper-limb function in subacute stroke and identified key factors for recovery. These factors were used to build prediction models for two standard arm tests: the Fugl-Meyer Upper Extremity (FM-UE) and the Action Research Arm Test (ARAT). Sub-study 2 describes an intensive four-week combined therapy using a brain–computer interface (BCI; a system that translates brain signals into commands), ArmeoSpring, and mirror therapy for chronic stroke. Methods: Sub-study 1 used data from the BCI-STAR project with 48 subacute patients divided into an intervention and a control group. Arm function was assessed with FM-UE and ARAT. An exploratory factor analysis (to uncover underlying patterns) identified key factors, and a stacking model (machine-learning approach) trained on the same dataset was used to predict final scores. Sub-study 2 is a single-group pre–post design; 30 chronic patients will be recruited, and outcomes will be assessed with FM-UE, ARAT, and transcranial magnetic stimulation (TMS; a non-invasive brain test). Results: In sub-study 1, both the ArmeoSpring and control groups improved significantly (p<.001), with no significant difference between groups (p=0.673). Factor analysis highlighted three main factors: stroke severity, quality of rehabilitation, and age. Prediction models achieved mean absolute errors (MAE) of 3.47 (FM-UE) and 3.86 (ARAT) points, indicating good accuracy. Conclusion: There is a tendency that more intensive ArmeoSpring training may support recovery after stroke. An early start to rehabilitation and a patient’s motor evoked potential (MEP) status also appear important for better recovery. The models predicted clinical arm outcomes with reasonable precision. It is proposed that combining BCI, ArmeoSpring, and mirror therapy can improve upper-limb function in chronic stroke; this will be tested in sub-study 2.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Documents