Un robot pneumatique souple module les métriques de la théorie des graphes du réseau cérébral pour la rééducation de la main après un AVC

Résumé

Cette étude explore les effets d’un robot pneumatique souple configurable sur l’amélioration de la topologie du réseau cérébral entier après un AVC. L’analyse de la théorie des graphes indique des améliorations significatives du coefficient de clustering, de la longueur du chemin et de l’efficacité globale. Les résultats mettent en évidence le potentiel des protocoles robotiques programmables pour moduler la neuroplasticité et optimiser la récupération fonctionnelle dans la réadaptation post-AVC.

Résumé

La restauration fonctionnelle du cortex cérébral repose sur la neuroplasticité dépendante de l’activité après un AVC. Cependant, l’optimisation de la rééducation robotique pour la récupération de la main reste un défi de taille. Cette étude de preuve de concept étudie la faisabilité d’un robot pneumatique souple configurable pour moduler le réseau cérébral chez dix participants présentant des déficiences motrices de la main après un AVC. L’intervention robotique programmable a été administrée dans une séquence aléatoire pour l’évaluation de l’état de repos, la thérapie robotique en mode lent et en mode rapide en ajustant le mode de travail, le temps d’action et la durée de l’interaction. La spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) a été utilisée pour mesurer l’activité corticale et la connectivité fonctionnelle. De plus, les métriques de la théorie des graphes, y compris le coefficient de clustering, la longueur moyenne du chemin, l’indice de petit monde, l’efficacité globale, la centralité de degré et la centralité du vecteur propre, ont été dérivées de matrices de connectivité fonctionnelle basées sur fNIRS. Les résultats ont démontré que l’intervention robotique améliorait significativement le coefficient de clustering (P = 0,034), la longueur moyenne du trajet (P = 0,007) et l’efficacité globale (P = 0,001). Alors que l’indice de petit monde, la centralité de degré et la centralité des vecteurs propres ont montré une tendance à la hausse, ces différences n’ont pas atteint une signification statistique. De plus, la thérapie en mode rapide a induit des changements plus substantiels dans le coefficient de regroupement par rapport à la thérapie en mode lent, suggérant un effet potentiellement plus fort sur la réorganisation neuronale. Ces résultats soutiennent provisoirement l’utilisation de la robotique douce avec des paradigmes ajustables pour améliorer la connectivité du réseau cérébral et faciliter la neuroplasticité après un AVC. Les améliorations observées de l’efficacité globale et des propriétés du petit monde indiquent que la thérapie robotique optimise l’organisation corticale, favorisant la récupération fonctionnelle. D’autres études avec des échantillons de plus grande taille et des protocoles d’intervention personnalisés sont nécessaires pour confirmer ces résultats et explorer leurs effets à long terme.

Introduction

L’AVC reste l’une des principales causes de mortalité et d’invalidité à long terme chez les adultes dans le monde¹. Parmi ses séquelles débilitantes, les déficiences motrices de la main compromettent considérablement les activités quotidiennes essentielles et l’indépendance fonctionnelle, diminuant ainsi la participation sociale et la qualité de vie chez les survivants d’un AVC ^2,3. Alors que la médecine physique et la réadaptation sont essentielles à la récupération motrice, les approches thérapeutiques conventionnelles donnent souvent des résultats incohérents en raison de la complexité et de la variabilité interindividuelle de la réorganisation neuronale post-AVC⁴.

Ces dernières années, la thérapie assistée par robot (TAR) a attiré l’attention pour sa capacité à fournir un entraînement de haute intensité, répétitif et spécifique à une tâche pour faciliter la récupération motrice⁵. Pour adapter plus efficacement ces interventions, une meilleure compréhension des biomarqueurs neuronaux est cruciale pour la modulation directe par des interventions robotiques. Cela peut finalement aider à optimiser les stratégies thérapeutiques et à promouvoir la dextérité manuelle. Dans une étude antérieure, la cartographie des symptômes des lésions basée sur les voxels a indiqué que les déficiences proximales du membre supérieur après un AVC pourraient être associées à des déficits des voies descendantes des zones corticomotrices et du striatum. À la différence de cela, les déficiences de la main résultent de lésions isolées du cortex cérébral⁶. Cependant, les résultats cliniques de la fonction de la main restent variables et les mécanismes neuronaux sous-jacents à la récupération motrice ne sont pas encore entièrement élucidés ^7,8,9. De plus, la plupart des formations robotiques commerciales suivent des protocoles prédéfinis avec une adaptabilité limitée. Il ne répond pas aux besoins spécifiques des patients et limite potentiellement leur efficacité clinique¹⁰.

Au cours des dernières décennies, les études de neuroimagerie ont mis en évidence le rôle central de la réorganisation des réseaux cérébraux dans la récupération de l’AVC, caractérisée par des altérations de l’activité fonctionnelle et de la connectivité. La spectroscopie fonctionnelle dans le proche infrarouge (fNIRS), une technique non invasive de surveillance de l’hémodynamique corticale, est apparue comme un outil précieux pour évaluer la dynamique neuronale et guider les contextes de réadaptation¹¹. Sa portabilité et sa robustesse contre les artefacts de mouvement le rendent particulièrement bien adapté à la surveillance en temps réel et au transfert d’informations pendant la thérapie robotique¹². Bien que des études antérieures aient documenté des changements dans l’interconnectivité corticale à la suite d’un entraînement moteur, les effets du RAT sur la topologie du réseau cérébral entier restent insuffisamment explorés¹³.

La caractérisation des changements dans la topologie du réseau cérébral offre une fenêtre précieuse sur les processus neuroplastiques qui sous-tendent la récupération fonctionnelle après des lésions ischémiques ou hémorragiques cérébrales. Le cerveau humain fonctionne comme un réseau complexe, où la fonction ou la réparation neurologique dépend à la fois de l’intégrité régionale et des interactions dynamiques entre plusieurs zones¹⁴. Dans ces circonstances, la théorie des graphes fournit un cadre solide pour quantifier l’architecture d’un réseau cérébral à grande échelle, offrant des informations sur l’organisation corticale aux niveaux nodaux¹⁵. En calculant des paramètres clés du réseau tels que le coefficient de clustering, la longueur moyenne du chemin et l’efficacité globale, les chercheurs peuvent évaluer comment RAT influence le traitement de l’information neuronale et la capacité de transfert. Comme le montre la littérature antérieure, les perturbations de l’intégrité du réseau induites par l’AVC se manifestent souvent par des altérations des propriétés du petit monde et de l’organisation topologique globale^16,17. La réadaptation, en particulier l’entraînement spécifique et répétitif, a été associée à la réorganisation corticale. Cependant, l’impact précis d’interventions robotiques variées sur ces dynamiques de réseau reste insuffisamment compris¹⁸.

Cette étude vise à étudier la faisabilité d’un robot pneumatique souple programmable dans la modulation de la dynamique des réseaux cérébraux chez les personnes ayant subi un AVC. Par rapport à l’exercice de flexion/extension de la main dans les paradigmes robotiques existants, le robot pneumatique actuel présente des avantages dans la personnalisation du mode de travail, du temps d’action et de la durée d’interaction pour les mouvements souhaités, tels que la préhension, le relâchement et le pincement^19,20. Ces divers modes d’interaction homme-robot peuvent fournir une stimulation plus ciblée aux zones corticales sensorimotrices. Un tel paradigme peut potentiellement promouvoir la neuroplasticité dans les régions associées à la récupération de la fonction de la main¹³. De plus, l’analyse de la théorie des graphes basée sur la fNIRS dans diverses conditions thérapeutiques a été utilisée pour évaluer comment des stratégies robotiques individualisées peuvent optimiser la récupération motrice de la main. De plus, les mécanismes neuronaux sous-jacents à la réhabilitation robotique douce ont pu être élucidés de manière préliminaire. La compréhension de ces adaptations au niveau du réseau peut éclairer l’élaboration de protocoles de réadaptation ciblés et axés sur la neurophysiologie, ce qui améliorera en fin de compte le rétablissement de la main chez les survivants d’un AVC.

Protocole

Cette étude a été approuvée par le Comité d’éthique de l’hôpital Tongji, à Wuhan, en Chine. Tous les protocoles de recherche ont adhéré aux principes énoncés dans la Déclaration d’Helsinki. Un consentement éclairé écrit a été obtenu de tous les participants avant leur inclusion dans l’étude. L’équipement et les logiciels utilisés sont répertoriés dans la table des matériaux.

1. Les participants

1. Tenez compte des critères d’inclusion suivants :
   1. Âge entre 18 et 75 ans.
   2. Premier accident vasculaire cérébral ischémique ou hémorragique confirmé par tomodensitométrie ou IRM.
   3. État médicalement stable.
   4. Signer le consentement éclairé en personne ou auprès de leur(s) représentant(s) autorisé(s).
2. Tenez compte des critères d’exclusion suivants :
   1. Aphasie sévère, troubles cognitifs, troubles de la conscience ou incapacité à coopérer avec le protocole d’intervention ou d’évaluation.
   2. Incapacité de rester assis pendant au moins 20 min.
   3. Anomalies sévères du tonus musculaire (score de l’échelle d’Ashworth modifiée ≥2).

2. Système robotique pneumatique doux

1. Connexion et mise en service de l’équipement
   1. Branchez le câble d’alimentation du système robotique dans une prise électrique.
   2. Allumez l’ordinateur en appuyant sur le bouton situé sur la tour de l’ordinateur.
   3. Connectez les deux câbles d’alimentation de la pompe à air à la prise de courant et au gant pneumatique souple.
   4. Appuyez sur le bouton d’alimentation vert à l’arrière du système robotique pour activer l’appareil.
2. Porter le robot pneumatique souple
   1. Aidez le participant à porter le robot pneumatique souple sur la main affectée, en assurant un ajustement sûr autour de la paume et des doigts.
   2. Fixez le robot à l’aide de la bande velcro, en vous assurant qu’il est solidement positionné du côté dorsal du pouce à l’éminence thénar du côté palmaire pour une stabilité optimale.
3. Contrôle robotique et sélection de mode
   1. Appuyez sur le bouton vert Connecter situé sous l’appareil d’imagerie.
   2. Sur l’interface de l’ordinateur, sélectionnez le mode d’inhalation robotique.
   3. Configurez le port de communication (Com 7) pour assurer une connectivité correcte de l’appareil.
   4. Sélectionnez le mode de gonflage-dégonflage approprié et confirmez les paramètres sans causer d’inconfort aux patients. Mode lent : temps d’action de 2000 ms (0,5 Hz) avec une durée d’interaction de 75 %. Mode rapide : durée d’action de 200 ms (5 Hz) avec une durée d’interaction de 75 %²¹ (Figure 1).

Figure 1 : Équipement et configuration expérimentaux. (A) Montage expérimental. (B) Configuration robotique douce. (C) Robot pneumatique souple. (D) Configuration et étalonnage fNIRS. Veuillez cliquer ici pour voir une version agrandie de cette figure.

3. Système de spectroscopie proche infrarouge fonctionnelle (fNIRS)

1. Connexion et initialisation de l’équipement
   1. Utilisez le système fNIRS à ondes continues pour enregistrer les données de tous les participants. Le système émet une lumière proche infrarouge aux longueurs d’onde de 690 nm et 830 nm, pénétrant de 2 à 3 cm sous le cortex cérébral, avec une fréquence d’échantillonnage de 100 Hz.
   2. Allumez la multiprise pour alimenter tous les appareils connectés.
   3. Appuyez sur le bouton d’alimentation de l’appareil fNIRS et attendez que le voyant s’allume.
   4. Assurez une connexion stable entre l’ordinateur et le système fNIRS pour une transmission de données ininterrompue.
2. Démarrage du logiciel et saisie des informations sur le patient
   1. Lancez le système fNIRS et vérifiez la stabilité de la connexion Wi-Fi.
   2. Naviguez vers l’interface de gestion des patients pour créer un nouveau profil : cliquez sur Ajouter un patient, entrez les informations du participant et attribuez-lui un numéro d’identification.
3. Porter le capuchon d’acquisition du signal fNIRS
   1. Sélectionnez un capuchon fNIRS de taille appropriée. Placez l’étiquette du numéro du capteur légèrement au-dessus du centre du front, en assurant une bonne adhérence du cuir chevelu. Alignez les optodes FPZ et CZ du système EEG 10-20. Fixez les détecteurs et les sources lumineuses à l’aide d’un bandeau flexible pour assurer un contact optimal avec la peau.
   2. Pendant la collecte des données, demandez au participant de rester dans un état calme et détendu, la tête immobile et les yeux ouverts.
   3. Avant le processus formel de collecte de données, demandez au participant de se reposer tranquillement pendant 2 minutes sans s’endormir.
4. Acquisition de données
   1. Sélectionnez le protocole expérimental à partir de l’interface logicielle de l’ordinateur du système fNIRS.
   2. Effectuez l’étalonnage du signal à partir de l’interface logicielle pour minimiser les fuites de lumière, en ciblant une intensité de signal de ≥75 % avec un bruit minimal.
   3. Si l’étalonnage échoue, ajustez l’emplacement du capteur et réessayez. Les capteurs optode sont constitués de diodes électroluminescentes et de photodétecteurs. Ces optodes sont conçues pour émettre et détecter la lumière proche infrarouge à des longueurs d’onde spécifiques.
   4. Effectuez l’enregistrement de la date du cortex cérébral à partir de l’interface du logiciel, en demandant au participant de rester détendu et d’éviter les mouvements de la tête.
   5. Assurez-vous de lancer la tâche expérimentale en suivant la séquence aléatoire, en collectant continuellement des données. Le système fNIRS surveille et enregistre en permanence des données sur l’oxygénation cérébrale et l’hémodynamique.
   6. Une fois la tâche terminée, arrêtez l’acquisition des données et sauvegardez en toute sécurité les données expérimentales.

Figure 2 : Mise en place expérimentale du système fNIRS et évaluation neuronale. (A) Configuration optode du système fNIRS et du protocole d’acquisition de données. (B) Visualisation de l’activation cérébrale à partir des perspectives antérieure, postérieure, latérale gauche, latérale droite et supérieure. (C) Analyse de la connectivité fonctionnelle du cerveau entier. Veuillez cliquer ici pour voir une version agrandie de cette figure.

4. Analyse des données

1. Prétraitement des données fNIRS brutes
   1. Appliquez un filtrage passe-bande pour supprimer le bruit et les artefacts des données brutes. Les fréquences typiques des données fNIRS sont comprises entre 0,01 Hz et 0,2 Hz pour capturer les changements lents de l’activité cérébrale.
   2. Effectuez la correction de l’artefact de mouvement par décomposition en ondelettes et l’analyse en composantes indépendantes (ICA). Plus précisément, effectuez la décomposition en ondelettes sur le signal fNIRS brut à l’aide d’une ondelette de Daubechies 4 avec un niveau de décomposition de 3.
      1. Appliquez un seuillage doux aux coefficients d’ondelettes pour réduire le bruit tout en préservant les caractéristiques du signal. Reconstruisez le signal à partir des coefficients de seuil. Appliquez ICA au signal reconstruit pour identifier et supprimer les composants correspondant aux artefacts de mouvement.
   3. Divisez le signal fNIRS continu en époques correspondant à différentes conditions. Plus précisément, identifiez les points temporels correspondant au début et au décalage de chaque condition expérimentale. Segmentez le signal continu en époques en fonction du plan d’expérience (Figure 2) et de leurs séquences aléatoires.
2. Calculer la réponse hémodynamique
   1. Convertissez les mesures d’intensité brutes du système fNIRS en changements de densité optique à l’aide de la loi de Beer-Lambert.
   2. Utilisez la loi de Beer-Lambert modifiée pour estimer les changements dans les concentrations d’inoxyhémoglobine (HbO) et de désoxyhémoglobine (HbR). Cela implique généralement la résolution d’un système d’équations basé sur la géométrie source-détecteur et les longueurs d’onde utilisées, 690 nm.
   3. Créez des cartes d’activation cérébrale en 3D en visualisant les changements de concentration d’HbO dans les régions du cerveau. Plus précisément, utilisez des repères anatomiques et le système international 10-20 pour projeter les canaux fNIRS sur les régions cérébrales correspondantes.
      1. Estimez les changements de concentration d’HbO sur toute la surface du cerveau en fonction des canaux mesurés. Projeter les cartes d’activation sur des modèles cérébraux normalisés (modèle MNI) pour faciliter la visualisation.
   4. Utilisez la connectivité fonctionnelle pour cartographier la coactivation neuronale dans le cerveau en calculant le coefficient de corrélation de Pearson entre toutes les paires de canaux. Ce coefficient quantifie la relation linéaire entre les paires de canaux et sert de base à la construction du réseau de connectivité fonctionnelle. Utilisez le script R open-source (avec ggplot2) pour visualiser le réseau résultant.
3. Analyse de la théorie des graphes
   1. Extrayez des métriques de théorie des graphes (y compris le coefficient de clustering, la longueur moyenne du chemin, l’indice de petit monde, l’efficacité globale, la centralité de degré et la centralité des vecteurs propres) à partir de matrices de connectivité fonctionnelle dérivées de fNIRS^16,22.
   2. Calculer coefficient de clustering :
      
      Où e_i désigne le nombre de bords entre voisins du nœud i, N désigne le nombre total de nœuds dans le réseau (canaux fNIRS) et k_i désigne le degré du nœud i. À l’aide du coefficient de clustering, mesurez le degré de regroupement des nœuds d’un réseau.
      REMARQUE : Plus précisément, quantifiez la probabilité que deux voisins d’un nœud soient également connectés l’un à l’autre. Assurez-vous qu’un coefficient de clustering élevé reflète des voisins fortement interconnectés, indiquant des structures de réseau cérébral localisées et cohésives. La neuroplasticité peut modifier le coefficient de regroupement en formant de nouvelles connexions ou en renforçant celles qui existent déjà pour soutenir l’activité neuronale localisée.
   3. Calculer la longueur moyenne du chemin :
      
      Où d(i,j) représente la longueur de chemin la plus courte entre les nœuds i et j, et N représente le nombre total de nœuds dans le réseau.
      1. Utilisez la longueur moyenne du chemin pour mesurer le nombre moyen d’étapes nécessaires pour parcourir toutes les paires de nœuds d’un réseau. Des longueurs moyennes de chemin plus courtes indiquent une transmission plus efficace de l’information à travers le réseau cérébral.
         REMARQUE : La neuroplasticité peut réduire la longueur moyenne du chemin en créant de nouvelles connexions qui agissent comme des raccourcis entre des régions cérébrales éloignées, améliorant ainsi la capacité du cerveau à intégrer l’information et améliorant la fonction globale de contrôle moteur.
   4. Calculer Indice du petit monde :
      
      Où C_réel et L_réel désignent le coefficient de clustering et la longueur moyenne du chemin du réseau réel, et C_rand et L_rand désignent ceux d’un réseau aléatoire avec le même nombre de nœuds et d’arêtes. Utilisez l’indice small-world pour évaluer l’équilibre entre le clustering local et l’intégration globale dans le réseau.
      REMARQUE : Un réseau à petite échelle présente un regroupement élevé et des longueurs de chemin courtes, ce qui permet une communication efficace tout en préservant les regroupements locaux. La neuroplasticité peut améliorer les propriétés du petit monde en formant de nouvelles connexions qui augmentent le regroupement local tout en maintenant des longueurs de chemin courtes, favorisant ainsi les changements neuronaux adaptatifs et la dextérité de la main.
   5. Calculer l’efficacité globale :
      
      Où d(i,j) représente la longueur de chemin la plus courte entre les nœuds i et j, et N représente le nombre total de nœuds dans le réseau. Utilisez l’efficacité globale pour évaluer la capacité du réseau à échanger des informations à l’échelle mondiale. Des valeurs plus élevées indiquent une transmission plus rapide de l’information sur l’ensemble du réseau cérébral, ce qui reflète un système bien connecté.
      REMARQUE : La neuroplasticité peut améliorer l’efficacité globale en optimisant la topologie du réseau, ce qui permet une meilleure intégration de l’information dans différentes régions du cerveau et soutient des fonctions complexes de la main.
   6. Calculer Centralité de degré :
      
      Où , k_i désigne le degré de nœud . Utilisez la centralité du degré pour quantifier le nombre de connexions directes d’un nœud dans le réseau. Les nœuds avec un degré de centralité élevé agissent comme des centres de communication primaires. La neuroplasticité peut augmenter le degré de centralité de certains nœuds en formant de nouvelles connexions, améliorant ainsi leur rôle dans le réseau et soutenant la capacité du cerveau à s’adapter et à se réorganiser.
   7. Calculer Centralité du vecteur propre :
      
      Où A représente la matrice d’adjacence et v représente le vecteur propre correspondant à la plus grande valeur propre λ. Utilisez la centralité des vecteurs propres pour évaluer l’influence d’un nœud en fonction de ses connexions à des nœuds bien connectés.
      REMARQUE : Les nœuds avec une centralité de vecteur propre élevée sont essentiels aux réseaux hiérarchiques. La neuroplasticité peut augmenter la centralité des vecteurs propres de certains nœuds en formant des connexions avec d’autres nœuds hautement connectés, renforçant ainsi leur rôle dans le soutien de la capacité du cerveau à traiter efficacement l’information.
4. Analyses statistiques
   1. Organisez les données en format long dans le logiciel statistique, en veillant à ce que les mesures de la théorie des graphes, les conditions expérimentales et les identificateurs des participants soient correctement structurés. Avant d’effectuer l’ANOVA, vérifiez les hypothèses de normalité et d’homogénéité des variances en utilisant le test de Shapiro-Wilk²³ pour la normalité et le test de Levene pour l’homogénéité de la variance²⁴.
   2. Procédez à l’ANOVA unidirectionnelle pour évaluer s’il existe des différences significatives dans les métriques de la théorie des graphes entre les trois conditions. Si l’ANOVA donne un résultat significatif (P < 0,05), faites un suivi avec des comparaisons a posteriori pour identifier des différences spécifiques entre les conditions.

Résultats

Au total, 10 personnes ayant subi un AVC ont été inscrites à l’étude et ont subi une évaluation de l’état de repos, une thérapie robotique en mode lent et une thérapie robotique en mode rapide dans un ordre aléatoire. Les résultats ont démontré la faisabilité d’individualiser la modulation de la neuroplasticité en programmant le protocole robotique et en calculant des métriques de la théorie des graphes du réseau cérébral. Au cours de la thérapie robotique douce, l’évaluation simultanée ...

Discussion

Cette étude a examiné les effets neuroplastiques d’un robot pneumatique souple configurable sur la dynamique du réseau cérébral chez les personnes ayant subi un AVC en utilisant l’analyse de la théorie des graphes basée sur la fNIRS. Les résultats suggèrent que la thérapie robotique douce module efficacement l’organisation topologique des réseaux cérébraux distribués, les participants démontrant une observance élevée. Plus précisément, des changements significatifs ont été observés dans ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Dispositif fNIRS 106 canaux	Wuhan Znion Technology Co., LTD	BS-2000	Mise en œuvre du programme
Système de rééducation articulaire	Nankin Reseader Medical Technology Co., LTD.	RSD RS3	Intervention de réhabilitation
Logiciel R	Fondation R	Version 4.2.1	Analyse statistique
Logiciel SPSS	IBM	Version 22.0	Analyse statistique