Many patients receive suboptimal rehabilitation therapy doses after stroke owing to limited access to therapists and difficulty with transportation, and their knowledge about stroke is often limited. Telehealth can potentially address these issues.To determine whether treatment targeting arm movement delivered via a home-based telerehabilitation (TR) system has comparable efficacy with dose-matched, intensity-matched therapy delivered in a traditional in-clinic (IC) setting, and to examine whether this system has comparable efficacy for providing stroke education.In this randomized, assessor-blinded, noninferiority trial across 11 US sites, 124 patients who had experienced stroke 4 to 36 weeks prior and had arm motor deficits (Fugl-Meyer [FM] score, 22-56 of 66) were enrolled between September 18, 2015, and December 28, 2017, to receive telerehabilitation therapy in the home (TR group) or therapy at an outpatient rehabilitation therapy clinic (IC group). Primary efficacy analysis used the intent-to-treat population.Participants received 36 sessions (70 minutes each) of arm motor therapy plus stroke education, with therapy intensity, duration, and frequency matched across groups.Change in FM score from baseline to 4 weeks after end of therapy and change in stroke knowledge from baseline to end of therapy.A total of 124 participants (34 women and 90 men) had a mean (SD) age of 61 (14) years, a mean (SD) baseline FM score of 43 (8) points, and were enrolled a mean (SD) of 18.7 (8.9) weeks after experiencing a stroke. Among those treated, patients in the IC group were adherent to 33.6 of the 36 therapy sessions (93.3%) and patients in the TR group were adherent to 35.4 of the 36 assigned therapy sessions (98.3%). Patients in the IC group had a mean (SD) FM score change of 8.36 (7.04) points from baseline to 30 days after therapy (P < .001), while those in the TR group had a mean (SD) change of 7.86 (6.68) points (P < .001). The covariate-adjusted mean FM score change was 0.06 (95% CI, -2.14 to 2.26) points higher in the TR group (P = .96). The noninferiority margin was 2.47 and fell outside the 95% CI, indicating that TR is not inferior to IC therapy. Motor gains remained significant when patients enrolled early (<90 days) or late (≥90 days) after stroke were examined separately.Activity-based training produced substantial gains in arm motor function regardless of whether it was provided via home-based telerehabilitation or traditional in-clinic rehabilitation. The findings of this study suggest that telerehabilitation has the potential to substantially increase access to rehabilitation therapy on a large scale.ClinicalTrials.gov identifier: NCT02360488.

The application of neuroimaging-based biomarkers in stroke has enriched our understanding of post-stroke recovery mechanisms, including alterations in functional connectivity based on synchronous oscillatory activity across various cortical regions. Phase-amplitude coupling, a type of cross-frequency coupling, may provide additional mechanistic insight.

A biopsychosocial approach entailing person-centered factors provides valuable insight to post-stroke rehabilitation potential. The consideration of an individual's belief in their capabilities, known as self-efficacy, may prove especially informative in the inpatient rehabilitation setting where motor learning often occurs.

Perceptual decision making has several underlying components including stimulus encoding, perceptual categorization, response selection, and response execution. Evidence accumulation is believed to be the underlying mechanism of decision-making and plays a decisive role in determining response time. Previous studies in animals and humans have shown parietal cortex activity that exhibits characteristics of evidence accumulation in tasks requiring difficult perceptual categorization to reach a decision. In this study, we made use of a task where the challenge for the participants is to identify the stimulus and then from memory apply an abstract rule to select one of two possible actions. The task was designed so that stimulus identification was easy but response selection required cognitive computations and working memory. In simultaneous EEG recordings, we find a one-to-one relationship between the duration of the readiness potential observed prior to the response over motor areas, and decision-making time estimated by a drift-diffusion model of the response time distribution. This close relationship implies that the readiness potential reflects an evidence accumulation process for response selection, and supports the notion that evidence accumulation is a general neural implementation of decision-making. The evidence accumulation process that captures variability in decision-making time will depend on the location of the bottleneck in information processing.

Abstract Sensorimotor performance after stroke is strongly related to focal injury measures such as corticospinal tract lesion load. However, the role of global brain health is less clear. Here, we examined the impact of brain age, a measure of neurobiological aging derived from whole brain structural neuroimaging, on sensorimotor outcomes. We hypothesized that stroke lesion damage would result in older brain age, which would in turn be associated with poorer sensorimotor outcomes. We also expected that brain age would mediate the impact of lesion damage on sensorimotor outcomes and that these relationships would be driven by post-stroke secondary atrophy (e.g., strongest in the ipsilesional hemisphere in chronic stroke). We further hypothesized that structural brain resilience, which we define in the context of stroke as the brain’s ability to maintain its global integrity despite focal lesion damage, would differentiate people with better versus worse outcomes. We analyzed cross-sectional high-resolution brain MRI and outcomes data from 963 people with stroke from 38 cohorts worldwide using robust linear mixed-effects regressions to examine the relationship between sensorimotor behavior, lesion damage, and brain age. We used a mediation analysis to examine whether brain age mediates the impact of lesion damage on stroke outcomes and if associations are driven by ipsilesional measures in chronic (≥180 days) stroke. We assessed the impact of brain resilience on sensorimotor outcome using logistic regression with propensity score matching on lesion damage. Stroke lesion damage was associated with older brain age, which in turn was associated with poorer sensorimotor outcomes. Brain age mediated the impact of corticospinal tract lesion load on sensorimotor outcomes most strongly in the ipsilesional hemisphere in chronic stroke. Greater brain resilience, as indexed by younger brain age, explained why people have better versus worse sensorimotor outcomes when lesion damage was fixed. We present novel evidence that global brain health is associated with superior post-stroke sensorimotor outcomes and modifies the impact of focal damage. This relationship appears to be due to post-stroke secondary degeneration. Brain resilience provides insight into why some people have better outcomes after stroke, despite similar amounts of focal injury. Inclusion of imaging-based assessments of global brain health may improve prediction of post-stroke sensorimotor outcomes compared to focal injury measures alone. This investigation is important because it introduces the potential to apply novel therapeutic interventions to prevent or slow brain aging from other fields (e.g., Alzheimer’s disease) to stroke.

Chronic motor impairments are a leading cause of disability after stroke. Previous studies have predicted motor outcomes based on the degree of damage to predefined structures in the motor system, such as the corticospinal tract. However, such theory-based approaches may not take full advantage of the information contained in clinical imaging data. The present study uses data-driven approaches to predict chronic motor outcomes after stroke and compares the accuracy of these predictions to previously-identified theory-based biomarkers. Using a cross-validation framework, regression models were trained using lesion masks and motor outcomes data from 789 stroke patients (293 female/496 male) from the ENIGMA Stroke Recovery Working Group (age 64.9±18.0 years; time since stroke 12.2±0.2 months; normalised motor score 0.7±0.5 (range [0,1]). The out-of-sample prediction accuracy of two theory-based biomarkers was assessed: lesion load of the corticospinal tract, and lesion load of multiple descending motor tracts. These theory-based prediction accuracies were compared to the prediction accuracy from three data-driven biomarkers: lesion load of lesion-behaviour maps, lesion load of structural networks associated with lesion-behaviour maps, and measures of regional structural disconnection. In general, data-driven biomarkers had better prediction accuracy - as measured by higher explained variance in chronic motor outcomes - than theory-based biomarkers. Data-driven models of regional structural disconnection performed the best of all models tested (R2 = 0.210, p < 0.001), performing significantly better than predictions using the theory-based biomarkers of lesion load of the corticospinal tract (R2 = 0.132, p< 0.001) and of multiple descending motor tracts (R2 = 0.180, p < 0.001). They also performed slightly, but significantly, better than other data-driven biomarkers including lesion load of lesion-behaviour maps (R2 =0.200, p < 0.001) and lesion load of structural networks associated with lesion-behaviour maps (R2 =0.167, p < 0.001). Ensemble models - combining basic demographic variables like age, sex, and time since stroke - improved prediction accuracy for theory-based and data-driven biomarkers. Finally, combining both theory-based and data-driven biomarkers with demographic variables improved predictions, and the best ensemble model achieved R2 = 0.241, p < 0.001. Overall, these results demonstrate that models that predict chronic motor outcomes using data-driven features, particularly when lesion data is represented in terms of structural disconnection, perform better than models that predict chronic motor outcomes using theory-based features from the motor system. However, combining both theory-based and data-driven models provides the best predictions.