استفاده از مدل سازی فیزیولوژیک در پیش بینی نتایج سکته مغزی و استراتژی های توانبخشی

• اندازه و مکان - حجم و موقعیت آناتومی هسته بی حد و حصر تعیین می کند که کدام توابع عصبی به خطر افتاده است. مدل ها توپوگرافی را بر روی اطلس های مغز عملکردی برای پیش بینی نقص در موتور، زبان، یا دامنه های شناختی نقشه می کنند.
• یکپارچگی شبکه عصبی - فراتر از خود lesion، سلامت شبکه های متصل اهمیت دارد. مدل ها یکپارچگی دستگاه ماده سفید را از طریق تصویربرداری ده هاور (DTI) ارزیابی می کنند و شبیه سازی می کنند که چگونه آسیب به هاب مانند دستگاه نخاعی بر بهبود موتور تاثیر می گذارد.
• جریان و تزریق - فشار تزریق سربولال و الگوهای جریان جانبی بر نجات بافت تأثیر می گذارد. مدل های دینامیک مایع محاسباتی می توانند شبیه سازی کنند که چگونه خون پس از انزوا توزیع می شود، پیش بینی احتمال تبدیل شدن هلیومی یا آسیب ثانویه.
• ] سن و وضعیت سلامت - سن، comorbidities ( دیابت، فشار خون)، و پیش از موعد وضعیت عملکردی مدل های بالقوه نوروپلاستیک را شامل این متغیرهای جمعیتی و بالینی برای تنظیم مسیرهای بهبودی.

با وزن کردن این متغیرها، مدل ها منحنی های تشخیص دهنده فردی را تولید می کنند.[۵] برای مثال، یک مطالعه منتشر شده در Stroke نشان داد که یک مدل یادگیری ماشینی با استفاده از معیارهای DTI پیش بینی بهبود بالای موتور در ۳ ماه با دقت ۸۵٪، مقیاس های بالینی خروجی به تنهایی می تواند بیشتر در مورد این تحقیق بخوانید.

پیش بینی تا حمایت از تصمیم گیری بالینی

مدل های پیش بینی شده فقط پیش بینی های منفعل نیستند؛ به عنوان مثال، مدل ها می توانند اثر تروموملووز اولیه یا ترومکتومی را در استقلال عملکردی نهایی شبیه سازی کنند، در یک محیط حاد، یک مدل ممکن است نشان دهد که بیمار با جریان وثیقه قوی شانس بالایی برای بهبودی خوب با درمان پایانوواسک دارد، در حالی که دیگری با تزریق ضعیف ممکن است از مدیریت دقیق تر بهره مند شود.

طراحی استراتژی های توانبخشی شخصی

توانبخشی پس از سکته یک فرایند طولانی مدت است که به طور معمول شامل فیزیوتراپی، درمان شغلی، پاتولوژی گفتار و آموزش شناختی است، این درمان ها از پروتکل های استاندارد پیروی می کنند.مدل سازی فیزیولوژیک اجازه می دهد تا یک تغییر پارادایم را تغییر دهد: درمان می تواند متناسب با نقص های عصبی خاص فرد و پتانسیل بهبودی باشد.

ساده سازی نوروپلاستی و بازیابی موتور

مدل های بازیابی حرکتی اغلب بر روی دستگاه cortico نخاع و همبازی آن با مناطق حرکتی پیش موتور و مکمل تمرکز می کنند.با شبیه سازی دوز ها و انواع مختلف ورزش، پزشکان می توانند تشخیص دهند که کدام مداخلات به حداکثر رساندن سازماندهی مجدد cortical می پردازند.

• درمان حرکتی تحریک شده (CIMT) - مدل ها می توانند پیش بینی کنند که آیا بیمار با یکپارچگی نخاعی جزئی بیشتر از CIMT یا آموزش دو جانبه بهره مند خواهد شد.
• تحریک مغناطیسی ترانسکوک (TMS) - مدل ها شبیه سازی می کنند که چگونه TMS تکراری بر روی نیم کره ای می تواند تحریک پذیری را افزایش دهد و بهبود، تنظیم فرکانس و پارامترهای شدت را ترویج کند.
• [Vagus تحریک عصب (VNS) - جفت با وظایف توانبخشی، VNS برای افزایش پلاستیک سیناپسی مدل شده است؛ مدل های محاسباتی در انتخاب زمان تحریک نسبت به حرکت.

این رویکردها توسط تحقیقات از موسسات مانند توانبخشی تحقیقات و خدمات توسعه پشتیبانی می شوند که مطالعات را برای ادغام مدل های محاسباتی به نوروحیاط کمک می کند.

بهینه سازی گفتار و درمان شناختی

Aphasia و نقص های شناختی پس از سکته شایع هستند، به ویژه هنگامی که ضایعات بر نیم کره چپ یا شبکه های پیش پیشانی تأثیر می گذارند.مدل های فیزیولوژیک پردازش زبان شبیه سازی چگونگی آسیب به مناطق Broca یا Wernicke را مختل می کند، در حالی که شبیه سازی های شبکه و عملکرد مشابه می تواند مداخلات مجازی را آزمایش کند: به عنوان مثال، یک مدل ممکن است نشان دهد که تجزیه و تحلیل معنایی فشرده بهبود می یابد در استراتژی فعال سازی خطرناک، در حالی که شبیه سازی سیستم درمانی شبیه سازی سیستم عامل شبیه سازی، در آن، در آن، در آن، شبیه سازی شبیه سازی شبیه سازی های مشابه و عملکرد کاربر شناختی، در آن، روش های درمانی، روش های درمانی مشابه عملکرد کاربر و عملکرد کاربر و عملکرد کاربر را مختل می کند.

زمان واقعی توانبخشی Adaptive

سنسورهای پوشیدنی و EEG تلفن همراه در حال حاضر اجازه می دهد تا مدل ها در زمان واقعی به روز شوند، به عنوان یک بیمار تمرینات را انجام می دهد، سیستم نظارت بر فعال سازی عضلات، تنوع ضربان قلب و نوسانات عصبی است که اگر مدل خستگی یا فلات را تشخیص دهد، شدت درمان را تنظیم می کند یا یک کار متفاوت را معرفی می کند.این توانبخشی حلقه بسته یک مرز در حال ظهور است، با کارآزمایی های اولیه که نشان می دهد دستاوردهای سریع تر در بیماران سکته مغزی.

ادغام مدل ها به جریان های کاری بالینی

علی رغم وعده های آنها، مدل های فیزیولوژیکی با موانعی برای پذیرش گسترده مواجه هستند.اولین چالش عمده کیفیت داده ها و استاندارد سازی است. مدل ها نیاز به تصویربرداری با وضوح بالا و نظارت مستمر فیزیولوژیکی دارند که ممکن است در تمام تنظیمات بالینی موجود نباشد، ادغام داده ها از چندین دستگاه به یک پلت فرم مدل سازی واحد نیاز به استانداردهای قوی برای همکاری دارد.

پیچیدگی محاسباتی یکی دیگر از موانع است. شبیه سازی های پیشرفته می توانند ساعت ها طول بکشند، و آنها را برای تصمیم گیری های بالینی در زمان واقعی غیر عملی می کند، با این حال پیشرفت در محاسبات ابری و الگوریتم های با استعداد GPU به طور مداوم زمان پردازش را کاهش می دهد.

در نهایت، اعتبار مدل در جمعیت های مختلف ضروری است. اکثر مدل های موجود در گروه های مختلف از مراکز پزشکی دانشگاهی آموزش دیده اند که ممکن است جمعیت سکته عمومی را نشان ندهند.در حال انجام کارآزمایی های چند مرکز مانند کسانی که در داوطلب بالینی ثبت شده اند.gov [FLT 1، مدل های معتبر در سراسر سن، جنس، و گروه های قومی است.