《Frontiers in Bioengineering and Biotechnology》：Multimodal machine learning to predict response to ultrasound-guided botulinum and vibration therapy in muscle spasticity a clinical and imaging correlation study
编辑推荐：
本研究通过随机对照试验证实，超声引导下肉毒毒素（BoNT-A）注射联合局部振动疗法，相较于单一BoNT-A治疗，能更显著改善脑卒中后肌肉痉挛患者的肌张力（ΔMAS）、运动功能（ΔFMA）及日常生活活动能力（ΔBI）。研究进一步构建了融合临床与超声影像特征的多模态机器学习模型（神经网络AUC=0.87），揭示了肌肉厚度和回声强度等超声生物标志物在个体化疗效预测中的潜力，为痉挛的精准康复管理提供了新策略。
背景
肌肉痉挛是脑卒中后常见且棘手的运动并发症，影响约30%的幸存者，严重损害运动功能和生活质量。A型肉毒毒素（BoNT-A）注射因其能有效降低肌肉过度活动而被广泛认为是治疗局灶性痉挛的一线方案。超声引导下的BoNT-A注射技术提高了靶向肌肉的精准度并减少了不良反应。然而，患者对BoNT-A治疗的反应存在显著个体差异，这凸显了联合辅助治疗和开发预测工具以优化疗效的必要性。振动疗法作为一种有前景的非侵入性辅助手段，已被证明可以减轻脑卒中患者的痉挛并改善运动功能。但不同研究间振动参数和应用方案的差异限制了其结果的普适性，且BoNT-A与振动疗法联合的协同效应仍有待深入探索。机器学习（ML）模型在基于临床和影像数据预测卒中后康复结局方面已显示出潜力，但将其应用于预测个体对BoNT-A联合振动疗法的反应尚处于起步阶段。同时，超声衍生的生物标志物（如肌肉厚度、回声强度）在痉挛管理ML模型中的作用也值得进一步研究。
材料与方法
本研究是一项前瞻性、单中心、随机对照试验，在一家康复医院进行。共招募200名脑卒中后肌肉痉挛患者（改良Ashworth量表（MAS）评分≥1+），并按1:1随机分配至BoNT-A单独治疗组或BoNT-A联合振动疗法组。BoNT-A注射采用超声引导，剂量根据痉挛严重程度、目标肌肉大小和功能受损程度个体化。联合治疗组在注射后一周开始接受局部振动治疗（频率50 Hz，振幅1 mm，每次15分钟，每周3次，持续12周）。主要结局指标为12周后患肢MAS评分的变化（ΔMAS）。次要结局指标包括Fugl-Meyer评估（FMA）运动部分和Barthel指数（BI）的变化，以及超声参数（肌肉厚度、回声强度、血流评分）。由不知分组情况的评估者在基线和治疗后12周进行评估。采用四种机器学习算法（随机森林、支持向量机（SVM）、XGBoost和前馈神经网络）来预测治疗反应（应答者定义为MAS降低≥1分且FMA或BI改善≥10%）。通过相关分析探讨超声生物标志物与临床结局变化之间的关系。
结果
192名参与者完成了12周随访。两组在病程、基线运动功能（FMA）和超声参数方面具有可比性，但联合治疗组参与者更年轻，基线BI评分略高。联合治疗组在MAS评分降低方面显著优于单一治疗组（平均ΔMAS：1.12 ± 0.52 vs. 0.84 ± 0.47）。同时，联合治疗组在FMA和BI评分上的改善也显著更大（ΔFMA：11.23 ± 4.84 vs. 8.47 ± 4.23；ΔBI：14.86 ± 6.22 vs. 10.94 ± 5.87）。在机器学习模型中，神经网络表现出最高的预测性能（AUC = 0.87）。特征重要性分析显示，超声衍生的参数（肌肉厚度和回声强度）是预测治疗反应的最有影响力的特征。然而，超声参数与临床结局变化之间的直接相关性普遍较弱，表明在个体水平上存在有限的直接关联。未报告严重不良事件。
讨论
本研究结果表明，超声引导下BoNT-A注射联合振动疗法在改善脑卒中后痉挛患者的肌张力、运动功能和日常生活活动能力方面优于单一BoNT-A治疗，显示出协同效应。振动疗法可能通过促进本体感觉反馈和调节脊髓反射兴奋性，增强BoNT-A的外周化学去神经作用，从而促进更全面的功能恢复。尽管超声生物标志物与临床结局的直接相关性较弱，但它们在多模态机器学习模型中显示出重要的预测价值，提示其作用可能更多地体现在多变量模型预测而非简单的两两关联中。肌肉厚度较大和回声强度较低（可能反映肌肉结构完整性较好和纤维化程度较轻）与较好的临床改善相关。集成临床和超声特征的机器学习模型，特别是神经网络，为个体化预测治疗反应提供了有力工具。未来的研究需要更大样本、多中心验证和更长的随访期来确认这些发现，并建立标准化的治疗和评估方案。
结论
超声引导下BoNT-A联合振动疗法是治疗脑卒中后肌肉痉挛的有效策略，能带来比单一BoNT-A治疗更显著的临床获益。结合超声生物标志物的多模态机器学习模型在个体化疗效预测中展现出潜力，支持其在个性化痉挛管理中的辅助作用。
