Wstęp
Udar mózgu jest wiodącą przyczyną długoterminowej niepełnosprawności wśród dorosłych na całym świecie. Ponad 60% pacjentów doświadcza zaburzeń motorycznych kończyn górnych zarówno w ostrym, jak i przewlekłym okresie zdrowienia [1]. Zaburzenia te drastycznie ograniczają zdolność pacjentów do wykonywania codziennych czynności oraz znacząco obniżają ich jakość życia. Aktualnie najskuteczniejszą metodą interwencji w przywracaniu funkcji po udarze są trenowania rehabilitacyjne, promujące reorganizację funkcjonalną poprzez powtarzalne treningi motoryczne. Proces ten może trwać miesiące, a nawet lata [1]. Podczas rehabilitacji, kluczowe jest regularne ocenianie stanu pacjenta w celu monitorowania postępów oraz dostosowywania programów rehabilitacyjnych do indywidualnych potrzeb pacjenta. Test Fugl-Meyer dla kończyny górnej (FMA-UL) jest uznawany za złoty standard w takiej ocenie, jednak test jest czasochłonny, subiektywny i wymaga od pacjentów wykonania serii zdefiniowanych ruchów, co może nie odzwierciedlać rzeczywistego użycia kończyny górnej w codziennym życiu [1].
Badania wykazały związek między wydajnością codziennych czynności życiowych a tradycyjnymi klinicznymi ocenami funkcjonalnymi, takimi jak skala FMA-UL. To odkrycie sugeruje, że monitorowanie aktywności dnia codziennego może dostarczyć wartościowych informacji, które uzupełniają konwencjonalne metody oceny [1]. Nowoczesne technologie, takie jak noszone czujniki, w połączeniu z metodami uczenia maszynowego, umożliwiają analizę funkcji motorycznych kończyny górnej w realnych, codziennych sytuacjach [1]. Jednakże, pomimo wysokiej precyzji predykcji, modele te często nie są interpretowalne z klinicznego punktu widzenia, co ogranicza ich zastosowanie w podejmowaniu decyzji rehabilitacyjnych opartych na dowodach [1].
Podstawą zaburzeń motorycznych po udarze są wielowymiarowe dysfunkcje neurologiczno-mięśniowe, które nie są widoczne tylko w kinetyce stawów, ale również w ich dynamice, na przykład momentach stawowych i siłach mięśniowych. Pomimo tego, że dostępne są nowoczesne narzędzia do oceny takich dysfunkcji, brak jest badań, które kompleksowo analizowałyby różnice fazowe w złożonych zadaniach [1]. Dlatego też celem tego badania jest opracowanie i walidacja nowego systemu oceny dysfunkcji kończyny górnej, który wykorzystuje fazowo-specyficzne, multimodalne biomarkery. System ten będzie oparty na danych z czujników noszonych i modelach biomechanicznych, a jego celem jest opracowanie uczenia maszynowego, które nie tylko precyzyjnie identyfikuje poziom dysfunkcji, ale i zapewnia interpretowalne z punktu widzenia klinicznego wyniki.
Populacja badawcza i metodologia
W badaniu wzięło udział 65 dorosłych pacjentów cierpiących na przewlekły udar oraz 20 zdrowych osób w podobnym wieku, które posłużyły jako grupa kontrolna. Pacjenci zostali przydzieleni do dwóch grup: kohorty rozwojowej modelu (n = 47) oraz niezależnej kohorty testowej (n = 18), która była utrzymywana w tajemnicy podczas całego procesu rozwoju i dostrajania modelu. Wszyscy uczestnicy zostali zrekrutowani według identycznych kryteriów kwalifikacyjnych, które obejmowały potwierdzony za pomocą neuroobrazowania jednostronny, pierwszy w życiu udar z utrzymującym się uszkodzeniem ruchowym zajętej kończyny górnej. Uczestnicy musieli być w chronicznej fazie po udarze (≥ 6 miesięcy), posiadać wystarczającą zdolność do wykonywania zadania przeniesienia ręki do ust (HTM), a także być w stanie siedzieć bez wsparcia i wykonywać polecenia werbalne [1]. Wymagana była także wystarczająca sprawność poznawcza, mierzona za pomocą Mini-Mental State Examination (MMSE ≥ 24). Kryteria wykluczenia obejmowały nawroty udarowe, znaczne spastyczność (Modified Ashworth Scale > 3), deformacje układu mięśniowo-szkieletowego czy silny ból ograniczający ruchy kończyny górnej, a także warunki kardiologiczne lub ortopedyczne, które mogłyby wpłynąć na uczestnictwo w badaniu.
Wszystkie procedury badań zostały przeprowadzone z pisemną zgodą uczestników, zaaprobowaną przez odpowiednią komisję etyczną. Finalnie, dokonano ustrukturyzowanej zbiórki danych przy użyciu zadania HTM, co zapewniło spójność danych zarówno w grupach pacjentów, jak i zdrowej kontroli. Dane zbierano przy pomocy nowoczesnych czujników do oceny sEMG oraz IMU, zapewniając wysoką precyzję i jakość pozyskanych danych ruchowych.
Opis metody
W omawianym badaniu zastosowano bardzo szczegółową, nowoczesną metodologię, aby zdobyć dane dotyczące funkcji motorycznych kończyny górnej u pacjentów z przewlekłym udarem. Uczestnicy zostali poproszeni o wykonanie standardowego zadania „Hand-to-Mouth” (HTM), które polegało na osiągnięciu i przeniesieniu ręki na ustalone miejsce, co miało na celu symulację codziennych czynności takich jak jedzenie czy picie.
Użyto czujników powierzchniowej elektromiografii (sEMG), które były umieszone na siedmiu mięśniach kończyny górnej, oraz jednostki pomiaru inercji (IMU) mocowanych do mostka, ramienia i nadgarstka. Czujniki te rejestrowały dane w odpowiednio wysokiej częstotliwości, co gwarantowało precyzję i dokładność pomiarów. Proces zaczął się od kalibracji modelu układu mięśniowo-szkieletowego przy użyciu OpenSim, co miało na celu dostosowanie modelu do indywidualnych cech fizycznych każdego uczestnika. Kinematyczne i sEMG dane zostało obrobione i użyte jako wejścia do modelu, po czym wykonano dokładne obliczenia momentów stawowych i sił mięśniowych za pomocą narzędzi CEINMS.
Żeby dokładnie przestudiować ruchy fazowe, zdanie HTM zostało podzielone na cztery fazy: Faza 1 (osiąganie przedmiotu), Faza 2 (przenoszenie do ust), Faza 3 (przenoszenie do przedmiotu) i Faza 4 (powrót do pozycji startowej). Każda faza była dokładnie zdefiniowana przy użyciu charakterystyk ruchowych zarejestrowanych przez IMU, co pozwalało na precyzyjne wyodrębnienie cech kinematycznych i dynamicznych z danych. Obliczenia wykonywano zgodnie z ustalonymi, naukowo potwierdzonymi procedurami, co zapewniało wysoką wiarygodność i powtarzalność wyników.
Ten nowoczesny i kompleksowy podejście do analizy danych z wykorzystaniem zaawansowanych algorytmów i modeli biomechanicznych stanowiło nowe podejście w badaniach czynności funkcjonalnych kończyny górnej u pacjentów po udarze, pozwalając na nie tylko dokładne oszacowanie funkcji ruchowych, ale także identyfikację specyficznych, fazowo zróżnicowanych deficytów kinetycznych, co może wpływać na wyniki rehabilitacji i plany leczenia.
Wyniki
W badaniu zidentyfikowano szereg fazowo-specyficznych zmian neuromięśniowych, które obrazują patofizjologię dysfunkcji kończyn górnych oraz dostarczają podstawowych cech do predykcji wyników testu FMA-UL. W Fazie 1, która obejmuje podnoszenie i prostowanie łokcia, obserwowano zaburzenia stabilności wyjściowej ruchu, co charakteryzowało się zmniejszoną płynnością w momentach stawowych i w działaniu kilku mięśni. Podwyższona współkontrakcja par synergicznych mięśni wskazywała natomiast na nienormalną sztywność mięśni [1].
Faza 2 obejmująca zgięcie łokcia i uniesienie ramienia wskazywała na zmniejszoną siłę napędową i zaburzoną koordynację. Obserwowano tutaj spadek pracy koncentrycznej zgięcia łokcia oraz mechanicznej pracy bicepsa. Było to związane z upośledzoną koordynacją ruchu łokcia i ramienia oraz redukcją płynności w wybranych mięśniach, co mogło wpływać na zwiększone przemieszczenie tułowia i podwyższoną współkontrakcję, co potencjalnie było wynikiem kompensacyjnych strategii ruchowych [1].
W Fazie 3 widoczne były deficyty w kontroli ekscentrycznej przedłużenia łokcia, a także zmiany w pracy bicepsa i tricepsa. Koordynacja stawów łokciowych i barkowych była zauważalnie gorsza, a płynność momentu łokcia i pracy sił mięśnia ramienno-promieniowego uległa pogorszeniu. Zauważono zwiększoną współkontrakcję w parach mięśni oraz przemieszczenie tułowia, co było wyraźnym symptomem nieefektywnej kontroli zaworu [1].
Ostatecznie, w Fazie 4, przeważającej zgięciem i abdukcją barku, rezultaty wskazywały na silne mechanizmy kompensacyjne, takie jak znaczne zwiększenie przemieszczenia tułowia, co wskazywało na ograniczoną zdolność kontrolowania i regulacji ruchów stawu barkowego oraz mięśni. Wszystkie wspomniane wyniki posiadały najwyższe wymierne rozmiary efektu [1].
Model predykcji wyników FMA-UL oparty był na algorytmie Lasso, który wykazał się najlepszą wydajnością zarówno na etapie walidacji wewnętrznej, jak i na niezależnym zbiorze testowym, co świadczy o jego doskonałych zdolnościach uogólniających. Model ten z dużą precyzją potrafił przewidywać wartości wyników na podstawie wyekstrahowanych cech fazowych. Zaburzenia fazowe związane z przemieszczeniem tułowia oraz koordynacją stawów łokciowych i barkowych były kluczowymi predyktorami wyników w zakresie funkcji kończyn górnych u pacjentów z przewlekłym udarem [1].
Dyskusja
Wyniki badania jednoznacznie pokazują, że podejście bazujące na analityce fazowo-specyficznej i wykorzystujące nowoczesne technologie rzecz jasna umożliwia dokładne i obiektywne oszacowanie funkcjonowania kończyn górnych u pacjentów po udarze. Sam fakt posługiwania się modelami dynamicznymi oraz multimodalnymi biomarkerami pozwala na identyfikację i zrozumienie podstawowych mechanizmów neurologiczno-mięśniowych, leżących u podłoża obserwowanych dysfunkcji [1]. Wyniki badania są zgodne z wcześniejszymi doniesieniami naukowymi, choć dostarczają głębszych wglądów, szczególnie względem kinetyki ruchu. Kluczowe elementy, takie jak praca koncentryczna łokcia czy współczynniki współkontraktacji mięśni, stają się bardziej zrozumiałe z punktu widzenia mechanizmów fizjologicznych, a wnioski są renderowane z większą precyzją dzięki użyciu wysokiej jakości czujników i metodologii analizy [1].
Dzięki zastosowaniu inteligencji objaśniającej (XAI), można nie tylko przewidywać skutecznie oceny funkcjonalne, ale również wyjaśniać, dlaczego poszczególne decyzje zostały podjęte przez algorytm. XAI identyfikuje biomarkery, takie jak przemieszczenie tułowia, jako kluczowe predyktory, co pokrywa się z klinicznymi obserwacjami dotyczącymi kompensacyjnej strategii organizmu w obliczu dysfunkcji funkcjonalnych po udarze. Elementy kinetyczne, szczególnie koordynacja łokieć-bark oraz płynność pracy tricepsa, stanowią dodatkowe pozytywne czynniki predykcyjne, co otwiera nowe drogi do spersonalizowanej terapii rehabilitacyjnej oraz interwencji klinicznych [1]. W ten sposób, podejście to może w przyszłości wspierać lekarzy w tworzeniu celowo dopasowanych programów rehabilitacyjnych, bazujących nie tylko na objawach klinicznych, ale również na zrozumieniu i analizie choroby na poziomie neuromięśniowym.
Ograniczenia
Pomimo wielu korzyści, istnieją pewne ograniczenia tego badania. Po pierwsze, choć liczba uczestników była statystycznie odpowiednia, nadal stanowi próbkę o umiarkowanej wielkości. Aby w pełni potwierdzić odpowiedniość i użyteczność metod w badaniu populacji o różnorodnych profilach klinicznych, wskazane byłoby przeprowadzenie dalszych badań z większymi grupami pacjentów, obejmującymi zróżnicowane etapy i stopnie nasilenia udaru (ostry, podostry, przewlekły) [1].
Co więcej, badanie opierało się na pojedynczym zadaniu HTM, co może nie odzwierciedlać różnorodności użycia kończyn górnych w codziennym życiu. Wobec tego, poszerzenie badania o dodatkowe zadania ADL mogłoby dostarczyć pełniejsze spektrum oceny funkcji kończyny górnej. Konfiguracja sensorów używana w badaniu była dość kompleksowa, co chociaż wspierało analizę interpretowalną XAI, ograniczało możliwość jej zastosowania jako szybkiego narzędzia do oceny w praktyce klinicznej. W przyszłości wskazane byłoby rozwijanie bardziej zwięzłych kombinacji sensorów i cech, które balansowałyby interpretowalność z użytecznością kliniczną [1].
Wnioski
Podsumowując, badanie to proponuje nowatorskie ramy oceny, zintegrowane z czujnikami noszonymi, modelami dynamicznymi układu mięśniowo-szkieletowego oraz wyjaśnianym uczeniem maszynowym (XAI), co pozwala na dokładne oszacowanie dysfunkcji kończyn górnych po przewlekłym udarze. Analizując fazowo-specyficzne multimodalne biomarkery, udało się odkryć podstawowe mechanizmy neurologiczno-kinetyczne stojące za dysfunkcją. Model Lasso nie tylko osiągnął wysoką precyzję w predykcjach wyników FMA-UL, ale również wykazał się znaczną uogólnialnością na niezależnym zbiorze testowym, co umożliwia obiektywną i dokładną kwantyfikację funkcji kończyn górnych u pacjentów z przewlekłym udarem. Zastosowanie XAI dostarczyło klinicznie interpretable wglądy, przesuwając ocenę z tego, jak pacjent funkcjonuje, na to, dlaczego występuje ograniczenie funkcjonalne.
