腦卒中后下肢痙攣評估方法的研究進展

余枷枷

(寧波大學體育學院 浙江寧波 315211)

1 研究目的

腦卒中是全球第二大常見的死亡原因，也是導致長期殘疾的主要原因［1］。據統計，腦卒中幸存者中有三分之一伴有長期殘疾和不同程度的并發癥，約有30%的患者在卒中后的最初幾天或是一周內發生不同程度的痙攣癥狀［2］。痙攣是肌肉的一種不自主收縮現象，通常發生在中樞神經受損后，是被動拉伸過程中速度依賴型的牽張反射亢進，可能造成肌肉流變學特性的改變，限制關節活動，導致患者肌肉疼痛、僵硬和萎縮等［2］。同時這些癥狀可能導致患者運動功能喪失，并影響藥物的療效。隨著痙攣的加重，患者的生活質量也隨之下降，嚴重損害日常生活質量。因此，在康復治療中，客觀合理的痙攣測量是個性化治療、監測患者功能恢復至關重要的過程。為了能夠準確客觀地評估痙攣，國內外學者不斷研究痙攣客觀評估的新方法，該研究的目的在于總結近5 年內痙攣評估相關研究，探討腦卒中后肢體痙攣評估的研究進展，比較痙攣評估新舊方法的優缺點，并提出現有痙攣評估方法的改進方向。

2 研究方法

2.1 檢索策略

在Web of Science、PubMed、MEDLINE、ScienceDirect、CNKI中國知網等平臺進行論文摘要的篩選，并檢索與該研究相關性高的全文進一步分析，同時對已確定文獻的參考文獻進一步分析，檢索時間從2016年到2022年10月。

中文檢索關鍵詞包括痙攣、腦卒中、中風、卒中后、評定/評估、量表、電生理、表面肌電、肌肉建模、動力學、運動生物力學、步態分析、建模仿真、彈性成像。英文檢索關鍵詞包括Stroke、Post-Stroke、Spasticity OR Spastic、Measurement、Assessment、Quantitative Assessment。

中文檢索式為痙攣AND（腦卒中OR 中風后OR 卒中）AND（評定OR 評估）AND（電生理OR 表面肌電OR F 波OR H 波OR 量表OR 生物力學OR 肌肉建模OR 仿真OR深度學習）。英文檢索式為（Spasticity OR Spastic）AND（Stroke OR Post-Stroke Spasticity）AND（Assessment）AND（Electromyography OR Scale OR Biomechanical OR Myotonometry）。

2.2 納入和排除標準

納入標準：（1）研究肢體痙攣的評估方法；（2）研究對象是腦卒中后患者或中風患者；（3）評估方法涉及量表、電生理、生物力學或建模仿真、深度學習等。

排除標準：（1）會議類型的文章或僅有摘要無全文的文獻；（2）未發表或見刊的文獻；（3）由于該研究重點在于探尋新方法，排除使用評估方法進行治療的研究。

3 結果與分析討論

痙攣在臨床中易于觀察，但難于客觀量化。目前痙攣評估方法主要分為臨床量表評估、電生理評估、影像學評估、運動生物力學評估、骨骼肌肉建模仿真等（見表1）。

表1 痙攣評估方法

3.1 臨床量表評估

目前臨床上廣泛用于痙攣評估量表的方法主要包括高張力評估工具（The Hypertonia Assessment，HAT）、改良的Ashworth 量表（Modified Ashworth Scale，MAS）、綜合痙攣量表（Comprehensive Spasticity Scale，CSI）、改良的Tardieu 量表（Modified Tardieu Scale，MTS）等［3-4］。這些量表主要基于治療師的被動拉伸和患者抵抗被動運動的主觀測試結果。優點是操作簡單，不需要任何評估設備，但主觀性強，不能區分神經和非神經因素［3］。

改良的Ashworth 量表在Ashworth 量表的基礎上加入了“Ⅰ+”級，有效地改善了中間級別的集束效應。在評估方面，改良的Ashworth 量表只評定了肌張力和被動運動下的痙攣，忽略了痙攣可能發生的陣攣和腱反射，且評定上肢痙攣程度的信效度均大于下肢［4］。

臨床評估量表（CSI）用于測量痙攣嚴重程度，從肌張力程度、腱反射和陣攣三個方面進行評定，總分值越高，痙攣越嚴重［3］。該量表廣泛應用于腦卒中患者痙攣評估，且側重于評定下肢痙攣程度。有研究表明，用臨床痙攣評估指數評估下肢痙攣程度的信效度優于Ashworth量表和改良的Ashworth量表［3］。

改良的Tardieu量表是根據Lance的定義提出的一項更適合測量痙攣的量表，該表與改良的Ashworth 量表相比，將痙攣在三種不同速度下進行了評估，考慮了關節被動運動速度、收縮爆發的角度和牽張的肌腱收縮［3］因素。

此外，近幾年痙攣臨床評估還提出數值評定量表（Numeric Rating Scale，NRS）、三重痙攣量表（Triple Spasticity Scale）、改良的Heckmatt量表（Modified Heckmatt scale，MHS）、新痙攣量表（Spasticity Scale）、澳大利亞痙攣量表（ASAS）［5-7，9］。NRS 將患者的自我報告納入到了評估結果中［5］。MHS是一種用來評估肌肉痙攣病理性變化的量表，常用于定量評估下肢小腿肌痙攣的回聲強度［7］。ASAS 利用鐘擺運動的小腿模型，通過痙攣力矩來識別痙攣，評估結果與MAS具有相關性，但其流程多，操作復雜［9］。

臨床量表在臨床評估中提供了極大的便利性，但這只能代表半定量評估方法，其受物理治療師的主觀影響較大，測量結果主觀性強。

3.2 電生理評估

電生理痙攣評估主要依賴腦卒中后的肢體痙攣，主要運用F 波、H 反射、表面肌電、強直牽張閾值（TSRT）、反射肌電閾值、動態牽張反射閾值（DSRT）、強直運動誘發電位（MEP）、前庭誘發肌源電位（VEMP）等指標進行評估［10］。F波和H波是反映運動神經元興奮的重要指標，H 反射指標中Hmax/Mmax、Hslp/Mslp、H反射激活后抑制（PAD）等可作為痙攣的評定指標［10］，當發生痙攣時，H反射的幅度會增大，Hmax/Mmax也隨之增加［24］。F 波作為評價痙攣的另一指標，常用來反映運動神經肌肉的興奮性，Hmax/Fmax 可表示痙攣的嚴重程度，但F 波在臨床上應用較少［24-25］。在研究中發現，F波和H反射與MAS只存在中度相關性，多數研究未發現密切相關性［24，26］。

表面肌電圖又稱動態肌電圖，是將表面電極片粘貼在目標肌肉的皮膚表面，以無創的形式收集神經肌肉系統產生生物電變化后的一維電壓時間序列信號，也就是受神經支配的肌肉活動時產生的生物電［27］。評估痙攣的研究多集中在利用時域、頻域參數指標量化肌肉活動時，目前常用的sEMG量化痙攣指標有平均肌電值（AEMG）、積分肌電值（IEMG）和均方根值（RMS）［27-28］。近幾年，動態牽張反射閾值（DSRT）、強直性牽張反射閾值（TSRT）備受關注［11，29-30］。BaohuaHu等人提出基于sEMG信號Hilbert-Huang變換邊緣譜熵（HMSEN）的動態牽張反射測量方法，用于量化痙攣［12］。Baohua Hu 等人基于Hilbert-Huang 變換邊緣譜熵（HMSEN）和表面肌電信號的均方根（RMS）開發了一種客觀可靠的痙攣評估臨床實用方法［13］。Song Yu 等人提出將表面肌電信號與自適應神經推理模糊系統相結合（即SEMG-ANFIS 方法），用于量化痙攣，SEMGANFIS 方法有著較高的準確度，而且可以通過重復更少次數的被動拉伸來達到量化痙攣的效果［31］。

3.3 影像學評估

磁共振彈性成像能夠對單個肌肉進行客觀量化評估，分辨率高，但是對設備場地要求嚴格，費用高，且輻射具有傷害性，當前能夠證明磁共振成像量化痙攣的研究文獻較少［10，14］。彈性成像和超聲成像技術早年用于檢測患者腫瘤的擴散范圍，近些年也在神經肌肉領域廣泛應用［15］。Frank 等人研究橫波超聲成像技術對于中風后痙攣的定量評定，篩選了76篇文獻，其中9篇中提及中風患者肱二頭肌或足底區肌痙攣的彈性成像數據，發現剪切波數值與臨床測量數值具有較高的一致性，橫波超聲成像可作為量化中風后痙攣指標［18］。超聲技術可以識別正常和病理組織的回聲和力學特性，痙攣肌肉表現出更強的回聲，但易受探頭大小、切面等因素的影響，且目前臨床研究較少［10，14］。Jessica McDougall 等人研究提出將近紅外光譜（NIRS）用于痙攣評估，NIRS可以實時監測肌肉收縮活動引起的肌肉血流動力學和代謝變化，還能無創檢測并測量痙攣和非痙攣肌肉的血容量差異及氧化能力的變化，但其可行性需進一步驗證［16］。熱成像是基于部分物體表面發射紅外輻射的溫度測量法，有研究表明，痙攣肢體與非痙攣肢體相比，痙攣側溫度更低［17］。

3.4 運動生物力學評估

生物力學常通過測量關節位置、角速度和扭矩來量化被動運動時關節中速度相關的阻力，或采用傳感器設備采集動力學和運動學數據，測量靜態和動態加速度，如等速測試、肌張力測試、可穿戴系統評估、步態分析，這些測試主要集中在痙攣肌肉力學評估中［32-33］。McGiboon 等人提出了一個運動學模型，并通過線性判別分析算法進行了分類學習，解決了識別肌肉痙攣嚴重程度的問題，但此方法需要特定的實驗環境［34］。McGibbon 等人提出用可穿戴系統進行評估，該系統由光纖測試儀和一個帶有兩個通道的表面肌電（EMG）組合兩次，用于記錄肘部伸屈肌被動拉伸過程中的運動學和肌肉活動特征，運動學和肌電圖數據中代表痙攣的指標與MAS評分具有密切關聯性［22］。

鐘擺測試是通過視覺評估肌肉對突然施加的外力的拉伸反應，以及通過彎曲和伸展之間產生的振蕩來評估肌肉痙攣程度［35］。W Li 招募了40 名受試者進行擺錘測試和MAS測試，測量膝關節和踝關節痙攣，受試者進行10 米步行實驗，研究發現，從擺錘測試中能夠提取腦卒中患者痙攣步態性能的預測參數，擺錘測試可作為評估痙攣的一種簡單客觀方法［29］。

患者的個體差異對神經生理學和生物力學在痙攣方面的評估有著很大影響，近些年大量學者利用表面肌電，結合慣性傳感器機器人痙攣評估系統、機器學習算法評估痙攣系統、人工神經網絡評估痙攣平臺等，對痙攣評估進行了個性化的研究［20-21，23，31，36］。Xu Zhang等人招募了16名肘屈肌或伸肌痙攣患者和8名健康受試者，采用表面肌電（sEMG）測試法，結合慣性傳感器記錄受試者的EMG信號和慣性數據，并為數據構建了Lambda 模型和運動學模型，提出了一種基于回歸分析肌電信號與可穿戴慣性傳感器數據的指標，用于痙攣評估，該指標經驗證與MAS 有高度相關性［20］。Jung-Yeon Kim 等人提出通過機器學習來確定肘關節痙攣，該方法與MAS具有良好的相關性［22］。Falisse等人提出將肌肉力反饋模型用于痙攣評估［19］。近三年利用神經網絡、深度學習算法研究痙攣評估系統的報道較多，但樣本量不足，需進一步驗證其可行性。遠程醫療評估是臨床醫生通過一個虛擬的框架，使用電信技術指導護理人員來協助進行痙攣評估，研究表明，使用遠程醫療的痙攣患者非常少，但其在臨床運用方面很有前景，尤其是在COVID-19流行期間［37］。

4 結語

從傳統的臨床量表評估到生物力學模型的建立，痙攣評估逐漸精細化。但痙攣的識別和測量仍主要在患者的靜息狀態下進行，而在日常生活中，痙攣可能在隨意運動中發生。因此，痙攣的定量評估是巨大的挑戰，建議進一步根據腦卒中后痙攣的病理生理機制，研究出可全面客觀量化痙攣的方法。并將痙攣評估建立在臨床評估的基礎上，在活動和功能性運動中重復生物力學測量。