Un robot neumático blando modula las métricas de la teoría de grafos de la red cerebral para la rehabilitación de la mano después de un accidente cerebrovascular

Resumen

Este estudio explora los efectos de un robot neumático blando configurable en la mejora de la topología de la red de todo el cerebro después del accidente cerebrovascular. El análisis de la teoría de grafos indica mejoras significativas en el coeficiente de agrupación, la longitud de la trayectoria y la eficiencia global. Los hallazgos destacan el potencial de los protocolos robóticos programables para modular la neuroplasticidad y optimizar la recuperación funcional en la rehabilitación del accidente cerebrovascular.

Resumen

La restauración funcional de la corteza cerebral se basa en la neuroplasticidad dependiente de la actividad después de un accidente cerebrovascular. Sin embargo, la optimización de la rehabilitación robótica para la recuperación de la mano sigue siendo un desafío importante. Este estudio de prueba de concepto investiga la viabilidad de un robot neumático blando configurable para modular la red cerebral entre diez participantes con discapacidades motoras de la mano después de un accidente cerebrovascular. La intervención robótica programable se administró en una secuencia aleatoria para la evaluación en estado de reposo, la terapia robótica en modo lento y en modo rápido ajustando el modo de trabajo, el tiempo de acción y la duración de la interacción. Se empleó espectroscopia funcional de infrarrojo cercano (fNIRS) para medir la actividad cortical y la conectividad funcional. Además, las métricas de la teoría de grafos, incluido el coeficiente de agrupación, la longitud promedio de la trayectoria, el índice de mundo pequeño, la eficiencia global, la centralidad de grado y la centralidad del vector propio, se derivaron de matrices de conectividad funcional basadas en fNIRS. Los resultados demostraron que la intervención robótica mejoró significativamente el coeficiente de agrupación (P = 0,034), la longitud promedio de la ruta (P = 0,007) y la eficiencia global (P = 0,001). Si bien el índice de mundo pequeño, la centralidad de grado y la centralidad de vector propio mostraron una tendencia creciente, estas diferencias no alcanzaron significación estadística. Además, la terapia de modo rápido indujo cambios más sustanciales en el coeficiente de agrupamiento en comparación con la terapia de modo lento, lo que sugiere un efecto potencialmente más fuerte sobre la reorganización neural. Estos hallazgos respaldan preliminarmente el uso de robótica blanda con paradigmas ajustables para mejorar la conectividad de la red cerebral y facilitar la neuroplasticidad después de un accidente cerebrovascular. Las mejoras observadas en la eficiencia global y las propiedades del mundo pequeño indican que la terapia robótica optimiza la organización cortical, promoviendo la recuperación funcional. Se necesitan estudios adicionales con tamaños de muestra más grandes y protocolos de intervención personalizados para confirmar estos resultados y explorar sus efectos a largo plazo.

Introducción

El accidente cerebrovascular sigue siendo una de las principales causas de mortalidad y discapacidad a largo plazo para adultos en todo el mundo¹. Entre sus secuelas debilitantes, las deficiencias motoras de la mano comprometen significativamente las actividades diarias esenciales y la independencia funcional, disminuyendo así la participación social y la calidad de vida en los sobrevivientes de accidentes cerebrovasculares ^2,3. Si bien la medicina física y la rehabilitación son fundamentales para la recuperación motora, los enfoques terapéuticos convencionales a menudo producen resultados inconsistentes debido a la complejidad y la variabilidad interindividual de la reorganización neuronal posterior al accidente cerebrovascular⁴.

En los últimos años, la terapia asistida por robot (RAT) ha ganado una atención significativa por su capacidad para brindar entrenamiento de alta intensidad, repetitivo y específico para tareas para facilitar la recuperación motora⁵. Para adaptar tales intervenciones de manera más efectiva, una mejor comprensión de los biomarcadores neuronales es crucial para la modulación directa mediante intervenciones robóticas. En última instancia, esto puede ayudar a optimizar las estrategias terapéuticas y promover la destreza de las manos. En un estudio anterior, el mapeo de síntomas de lesiones basado en vóxeles ha indicado que las deficiencias proximales posteriores al accidente cerebrovascular de la extremidad superior podrían estar asociadas con déficits en los tractos descendentes de las áreas corticomotoras y el cuerpo estriado. A diferencia de esto, las deficiencias de la mano son el resultado de lesiones aisladas en la corteza cerebral⁶. Sin embargo, los resultados clínicos para la función de la mano siguen siendo variables, y los mecanismos neuronales subyacentes a la recuperación motora aún no están completamente dilucidados ^7,8,9. Además, la mayoría de la capacitación robótica comercial sigue protocolos predefinidos con adaptabilidad limitada. No aborda las necesidades específicas del paciente y potencialmente limita su efectividad clínica¹⁰.

En las últimas décadas, los estudios de neuroimagen han destacado el papel fundamental de la reorganización de la red cerebral en la recuperación del accidente cerebrovascular, caracterizada por alteraciones en la actividad funcional y la conectividad. La espectroscopia funcional de infrarrojo cercano (fNIRS), una técnica no invasiva para monitorear la hemodinámica cortical, ha surgido como una herramienta valiosa para evaluar la dinámica neuronal y guiar los entornos de rehabilitación¹¹. Su portabilidad y robustez contra artefactos de movimiento lo hacen particularmente adecuado para el monitoreo en tiempo real y la transferencia de información durante la terapia robótica¹². Si bien estudios anteriores han documentado cambios en la interconectividad cortical después del entrenamiento motor, los efectos de RAT en la topología de la red de todo el cerebro siguen sin explorarse lo suficiente¹³.

La caracterización de los cambios en la topología de la red cerebral ofrece una valiosa ventana a los procesos neuroplásticos que subyacen a la recuperación funcional después de lesiones cerebrales, isquémicas o hemorrágicas. El cerebro humano opera como una red compleja, donde la función o reparación neurológica se basa tanto en la integridad regional como en las interacciones dinámicas entre múltiples áreas¹⁴. En estas circunstancias, la teoría de grafos proporciona un marco robusto para cuantificar la arquitectura de redes cerebrales a gran escala, ofreciendo información sobre la organización cortical a niveles nodales¹⁵. Al calcular métricas clave de la red, como el coeficiente de agrupación, la longitud promedio de la ruta y la eficiencia global, los investigadores pueden evaluar cómo RAT influye en el procesamiento de información neuronal y la capacidad de transferencia. Como se muestra en la literatura anterior, las interrupciones inducidas por accidentes cerebrovasculares en la integridad de la red a menudo se manifiestan como alteraciones en las propiedades del mundo pequeño y la organización topológica general^16,17. La rehabilitación, en particular el entrenamiento repetitivo y específico de la tarea, se ha asociado con la reorganización cortical. Sin embargo, el impacto preciso de diversas intervenciones robóticas en estas dinámicas de red sigue siendo inadecuadamente comprendido¹⁸.

Este estudio tiene como objetivo investigar la viabilidad de un robot neumático blando programable para modular la dinámica de la red cerebral en personas que han sufrido un accidente cerebrovascular. En comparación con el ejercicio de flexión/extensión de la mano en los paradigmas robóticos existentes, el robot neumático actual tiene ventajas en la personalización del modo de trabajo, el tiempo de acción y la duración de la interacción para los movimientos deseados, como agarrar, soltar y pellizcar^19,20. Estos diversos modos de interacción humano-robot pueden proporcionar una estimulación más específica a las áreas corticales sensoriomotoras. Tal paradigma puede promover potencialmente la neuroplasticidad en regiones asociadas con la recuperación de la función de la mano¹³. Además, se utilizó el análisis de la teoría de grafos basado en fNIRS en diversas condiciones terapéuticas para evaluar cómo las estrategias robóticas individualizadas pueden optimizar la recuperación motora de la mano. Además, los mecanismos neuronales subyacentes a la rehabilitación robótica blanda podrían dilucidarse preliminarmente. Comprender estas adaptaciones a nivel de red puede informar el desarrollo de protocolos de rehabilitación dirigidos e impulsados por la neurofisiología, lo que en última instancia mejora la recuperación de la mano en los sobrevivientes de accidentes cerebrovasculares.

Protocolo

Este estudio fue aprobado por el Comité de Ética del Hospital Tongji, Wuhan, China. Todos los protocolos de investigación se adhirieron a los principios descritos en la Declaración de Helsinki. Se obtuvo el consentimiento informado por escrito de todos los participantes antes de su inclusión en el estudio. El equipo y el software utilizados se enumeran en la Tabla de materiales.

1. Participantes

1. Tenga en cuenta los siguientes criterios de inclusión:
   1. Edad entre 18 y 75 años.
   2. Primer accidente cerebrovascular isquémico o hemorrágico confirmado por tomografía computarizada o resonancia magnética.
   3. Condición médicamente estable.
   4. Firme el consentimiento informado en persona o de su(s) representante(s) autorizado(s).
2. Tenga en cuenta los siguientes criterios de exclusión:
   1. Afasia grave, deficiencias cognitivas, trastornos de la conciencia o incapacidad para cooperar con el protocolo de intervención o evaluación.
   2. Incapacidad para permanecer sentado durante al menos 20 minutos.
   3. Anomalías graves del tono muscular (puntuación de la escala de Ashworth modificada ≥2).

2. Sistema robótico neumático suave

1. Conexión y puesta en marcha de equipos
   1. Enchufe el cable de alimentación del sistema robótico a una toma de corriente.
   2. Encienda la computadora presionando el botón ubicado en la torre de la computadora.
   3. Conecte los dos cables de alimentación de la bomba de aire a la toma de corriente y al guante neumático suave.
   4. Presione el botón de encendido verde en la parte posterior del sistema robótico para activar el dispositivo.
2. Uso del robot neumático blando
   1. Ayude al participante a usar el robot neumático suave en la mano afectada, asegurando un ajuste seguro alrededor de la palma y los dedos.
   2. Sujete el robot con la correa de velcro, asegurándose de que esté bien posicionado desde el lado dorsal del pulgar hasta la eminencia tenar en el lado palmar para una estabilidad óptima.
3. Control robótico y selección de modo
   1. Presione el botón verde Conectar debajo del dispositivo de imágenes.
   2. En la interfaz de la computadora, seleccione el modo de inhalación robótica.
   3. Configure el puerto de comunicación (Com 7) para garantizar la conectividad adecuada del dispositivo.
   4. Seleccione el modo de inflado-desinflado adecuado y confirme la configuración de los parámetros sin causar molestias a los pacientes. Modo lento: 2000 ms de tiempo de acción (0,5 Hz) con una duración de interacción del 75%. Modo rápido: 200 ms de tiempo de acción (5Hz) con una duración de interacción del 75%²¹ (Figura 1).

Figura 1: Equipo experimental y configuración. (A) Configuración experimental. (B) Configuración robótica suave. (C) Robot neumático blando. (D) configuración y calibración de fNIRS. Haga clic aquí para ver una versión más grande de esta figura.

3. Sistema de espectroscopia funcional de infrarrojo cercano (fNIRS)

1. Conexión e inicialización de equipos
   1. Utilice el sistema fNIRS de onda continua para registrar datos de todos los participantes. El sistema emite luz infrarroja cercana en longitudes de onda de 690 nm y 830 nm, penetrando 2-3 cm por debajo de la corteza cerebral, con una frecuencia de muestreo de 100 Hz.
   2. Encienda la regleta para suministrar energía a todos los dispositivos conectados.
   3. Presione el botón de encendido en el dispositivo fNIRS y espere a que se encienda la luz indicadora.
   4. Garantice una conexión estable entre el ordenador y el sistema fNIRS para una transmisión de datos ininterrumpida.
2. Inicio del software e ingreso de información del paciente
   1. Inicie el sistema fNIRS y verifique la estabilidad de la conexión Wi-Fi.
   2. Navegue a la interfaz de administración de pacientes para crear un nuevo perfil: haga clic en Agregar paciente, ingrese la información del participante y asigne un número de identificación.
3. Uso de la gorra de adquisición de señal fNIRS
   1. Seleccione un tapón fNIRS del tamaño adecuado. Coloque la etiqueta del número del sensor ligeramente por encima del centro de la frente, asegurando la adherencia adecuada del cuero cabelludo. Alinee los optodos FPZ y CZ del sistema de EEG 10-20. Asegure los detectores y las fuentes de luz con una diadema flexible para garantizar un contacto óptimo con la piel.
   2. Durante la recopilación de datos, indique al participante que permanezca en un estado tranquilo y relajado, con la cabeza quieta y los ojos abiertos.
   3. Antes del proceso formal de recopilación de datos, indique al participante que descanse tranquilamente durante 2 minutos sin quedarse dormido.
4. Adquisición de datos
   1. Seleccione el protocolo experimental de la interfaz de software en la computadora del sistema fNIRS.
   2. Realice la calibración de la señal desde la interfaz del software para minimizar la fuga de luz, apuntando a una intensidad de señal del ≥75% con un ruido mínimo.
   3. Si la calibración falla, ajuste la ubicación del sensor y vuelva a intentarlo. Los sensores de optodos consisten en diodos emisores de luz y fotodetectores. Estos optodos están diseñados para emitir y detectar luz infrarroja cercana en longitudes de onda específicas.
   4. Realice el registro de la fecha de la corteza cerebral desde la interfaz del software, instruyendo al participante para que permanezca relajado y evite los movimientos de la cabeza.
   5. Asegúrese de iniciar la tarea experimental siguiendo la secuencia aleatoria, recopilando datos continuamente. El sistema fNIRS monitorea y registra continuamente datos sobre oxigenación cerebral y hemodinámica.
   6. Al completar la tarea, detenga la adquisición de datos y guarde de forma segura los datos experimentales.

Figura 2: Configuración experimental del sistema fNIRS y evaluación neuronal. (A) Configuración de optodos del sistema fNIRS y el protocolo de adquisición de datos. (B) Visualización de la activación cerebral desde perspectivas anterior, posterior, lateral izquierda, lateral derecha y superior. (C) Análisis de conectividad funcional de todo el cerebro. Haga clic aquí para ver una versión más grande de esta figura.

4. Análisis de datos

1. Preprocesamiento de los datos fNIRS sin procesar
   1. Aplique el filtrado de paso de banda para eliminar el ruido y los artefactos de los datos sin procesar. Las frecuencias típicas de los datos de fNIRS están entre 0,01 Hz y 0,2 Hz para capturar cambios lentos en la actividad cerebral.
   2. Realice la corrección de artefactos de movimiento mediante la descomposición de ondículas y el análisis de componentes independientes (ICA). Específicamente, realice la descomposición de ondículas en la señal fNIRS sin procesar utilizando una ondícula Daubechies 4 con un nivel de descomposición de 3.
      1. Aplique umbrales suaves a los coeficientes de ondículas para reducir el ruido y preservar las características de la señal. Reconstruya la señal a partir de los coeficientes del umbral. Aplique ICA a la señal reconstruida para identificar y eliminar componentes correspondientes a artefactos de movimiento.
   3. Divida la señal continua de fNIRS en épocas correspondientes a diferentes condiciones. Específicamente, identifique los puntos de tiempo correspondientes al inicio y desplazamiento de cada condición experimental. Segmente la señal continua en épocas según el diseño experimental (Figura 2) y sus secuencias aleatorias.
2. Calcular la respuesta hemodinámica
   1. Convierta las mediciones de intensidad bruta del sistema fNIRS en cambios de densidad óptica utilizando la ley de Beer-Lambert.
   2. Utilice la ley de Beer-Lambert modificada para estimar los cambios en las concentraciones de oxihemoglobina (HbO) y desoxihemoglobina (HbR). Esto generalmente implica resolver un sistema de ecuaciones basado en la geometría fuente-detector y las longitudes de onda utilizadas, 690 nm.
   3. Cree mapas de activación cerebral en 3D visualizando los cambios en la concentración de HbO en las regiones del cerebro. Específicamente, use puntos de referencia anatómicos y el sistema internacional 10-20 para proyectar los canales fNIRS en las regiones cerebrales correspondientes.
      1. Estime los cambios en la concentración de HbO en toda la superficie del cerebro en función de los canales medidos. Proyecte los mapas de activación en plantillas cerebrales estandarizadas (plantilla MNI) para facilitar la visualización.
   4. Utilice la conectividad funcional para mapear la coactivación neuronal en todo el cerebro calculando el coeficiente de correlación de Pearson entre todos los pares de canales. Este coeficiente cuantifica la relación lineal entre pares de canales y sirve como base para construir la red de conectividad funcional. Use el script de R de código abierto (con ggplot2) para visualizar la red resultante.
3. Análisis de la teoría de grafos
   1. Extraiga métricas de teoría de grafos (incluido el coeficiente de agrupación, la longitud promedio de la ruta, el índice de mundo pequeño, la eficiencia global, la centralidad de grados y la centralidad de vectores propios) de las matrices de conectividad funcional derivadas de fNIRS^16,22.
   2. Calcular el coeficiente de agrupamiento:
      
      Donde, e_i denota el número de borde entre vecinos del nodo i, N denota el número total de nodos en la red (canales fNIRS) y k_i denota el grado del nodo i. Usando el coeficiente de agrupación, mida el grado en que los nodos de una red se agrupan.
      NOTA: Específicamente, cuantifique la probabilidad de que dos vecinos de un nodo también estén conectados entre sí. Asegúrese de que un alto coeficiente de agrupación refleje vecinos altamente interconectados, lo que indica estructuras de red cerebral localizadas y cohesivas. La neuroplasticidad puede alterar el coeficiente de agrupación formando nuevas conexiones o fortaleciendo las existentes para apoyar la actividad neuronal localizada.
   3. Calcular la longitud media de la ruta:
      
      Donde, d(i,j) representa la longitud de ruta más corta entre los nodos i y j, y N representa el número total de nodos en la red.
      1. Utilice la longitud media de la ruta para medir el número medio de pasos necesarios para atravesar todos los pares de nodos de una red. Las longitudes de ruta promedio más cortas indican una transmisión de información más eficiente a través de la red cerebral.
         NOTA: La neuroplasticidad puede reducir la longitud promedio del camino al crear nuevas conexiones que actúan como atajos entre regiones cerebrales distantes, mejorando la capacidad del cerebro para integrar información y mejorando la función general de control motor.
   4. Calcular el índice de mundo pequeño:
      
      Donde, C_real y L_real denotan el coeficiente de agrupación y la longitud promedio de la ruta de la red real, y C_rand y L_rand denotan los de una red aleatoria con el mismo número de nodos y bordes. Utilice el índice small-world para evaluar el equilibrio entre la agrupación local y la integración global en la red.
      NOTA: Una red de mundo pequeño exhibe una alta agrupación en clústeres y longitudes de ruta cortas, lo que permite una comunicación eficiente al tiempo que preserva las agrupaciones locales. La neuroplasticidad puede mejorar las propiedades del mundo pequeño al formar nuevas conexiones que aumentan la agrupación local mientras mantienen longitudes de camino cortas, lo que respalda los cambios neuronales adaptativos y la destreza de la mano.
   5. Calcular la eficiencia global:
      
      Donde, d(i,j) representa la longitud de ruta más corta entre los nodos i y j, y N representa el número total de nodos en la red. Utilice la eficiencia global para evaluar la capacidad de la red para intercambiar información a nivel mundial. Los valores más altos indican una transmisión de información más rápida a través de toda la red cerebral, lo que refleja un sistema bien conectado.
      NOTA: La neuroplasticidad puede mejorar la eficiencia global al optimizar la topología de la red, lo que lleva a una mejor integración de la información en diferentes regiones del cerebro y respalda funciones complejas de la mano.
   6. Calcular la centralidad de grado:
      
      Donde, k_i denota el grado de nodo . Utilice la centralidad de grados para cuantificar el número de conexiones directas que tiene un nodo en la red. Los nodos con alto grado de centralidad actúan como centros de comunicación primarios. La neuroplasticidad puede aumentar el grado de centralidad de ciertos nodos al formar nuevas conexiones, mejorando así su papel en la red y apoyando la capacidad del cerebro para adaptarse y reorganizarse.
   7. Calcular la centralidad del vector propio:
      
      Donde, A representa la matriz de adyacencia y v representa el vector propio correspondiente al valor propio λ más grande. Utilice la centralidad del vector propio para evaluar la influencia de un nodo en función de sus conexiones a nodos bien conectados.
      NOTA: Los nodos con alta centralidad de vector propio son fundamentales para las redes jerárquicas. La neuroplasticidad puede aumentar la centralidad del vector propio de ciertos nodos al formar conexiones con otros nodos altamente conectados, mejorando así su papel en el apoyo a la capacidad del cerebro para procesar la información de manera eficiente.
4. Análisis estadísticos
   1. Organice los datos en formato largo en el software estadístico, asegurando que las métricas de la teoría de grafos, las condiciones experimentales y los identificadores de los participantes estén estructurados correctamente. Antes de realizar el ANOVA, verifique los supuestos de normalidad y homogeneidad de las varianzas utilizando la prueba de Shapiro-Wilk²³ para normalidad y la prueba de Levene para homogeneidad de varianza²⁴.
   2. Continúe con la realización del ANOVA unidireccional para evaluar si existen diferencias significativas en las métricas de la teoría de grafos en las tres condiciones. Si el ANOVA arroja un resultado significativo (P < 0.05), haga un seguimiento con comparaciones post-hoc para identificar diferencias específicas entre las condiciones.

Resultados

Un total de 10 personas con accidente cerebrovascular se inscribieron en el estudio y se sometieron a una evaluación en estado de reposo, terapia robótica de modo lento y terapia robótica de modo rápido en un orden aleatorio. Los resultados demostraron la viabilidad de individualizar la modulación de la neuroplasticidad mediante la programación del protocolo robótico y el cálculo de métricas de teoría de grafos de la red cerebral. Durante la terapia robótica blanda, la evaluación simultá...

Discusión

Este estudio investigó los efectos neuroplásticos de un robot neumático blando configurable en la dinámica de la red cerebral en individuos con accidente cerebrovascular utilizando el análisis de teoría de grafos basado en fNIRS. Los hallazgos sugieren que la terapia robótica blanda modula efectivamente la organización topológica de las redes cerebrales distribuidas, y los participantes demuestran un alto cumplimiento. Específicamente, se observaron cambios significativos en el coeficien...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Dispositivo fNIRS de 106 canales	Wuhan Znion Technology Co., LTD	BS-2000	Implementación del programa
Sistema de rehabilitación articular de limpieza	Nankín Reseader Medical Technology Co., LTD.	RSD RS3	Intervención de rehabilitación
Software R	Fundación R	Versión 4.2.1	Análisis estadístico
Software SPSS	IBM	Versión 22.0	Análisis estadístico