Les accidents vasculaires cérébraux ischémiques (AVC) touchant une région responsable de l’activité motrice entraînent une déficience motrice de sévérité variable. Plusieurs mois après la lésion, certains patients ont totalement récupéré leurs capacités motrices alors que d’autres n’ont pratiquement pas progressé. Il est désormais établi que le volume de la lésion, la sévérité du déficit initial, ainsi que le degré d’asymétrie du tractus cortico-spinal (TCS) - des variables que nous appellerons variables de référence – influencent de manière significative la prédiction de la récupération motrice. Le volume de la lésion ainsi que le degré d’asymétrie du TCS sont des variables neuroradiologiques dites focales, car elles représentent des atteintes locales. Des travaux récents suggèrent que l’incapacité motrice suite à un AVC résulte non seulement de changements structurels focaux, mais également d’altérations de la structure globale du cerveau. Certains modèles prédictifs intégrant des mesures de la connectivité cérébrale globale post-AVC obtiennent de meilleures prédictions du rétablissement des patients. Cependant, obtenir des mesures de connectivité globale nécessite de reconstruire les fibres de matière blanche à partir d’imageries de diffusion, un processus chronophage, coûteux et difficile à réaliser dans la phase subaiguë d’un AVC. Dans ce travail, nous présentons une méthode permettant d’obtenir des mesures de connectivité globale en utilisant un masque de la lésion ischémique pour introduire des lésions virtuelles dans 60 connectomes de tractographie structurelle sains. Cette estimation indirecte de l’impact d’un AVC sur le connectome global est bien plus pratique et rapide à obtenir que des mesures directes de la connectivité structurelle dérivée d’une imagerie de diffusion. Pour montrer leur utilité, nous calculons ces mesures dans un groupe de 37 patients ayant subi un AVC ischémique du membre supérieur et les combinons avec les variables de référence pour construire un modèle prédisant la récupération fonctionnelle atteinte trois mois après la lésion. Notre modèle prédictif est construit en sélectionnant les mesures les plus importantes selon leur facteur d’inflation de variance (variance inflating factor), puis en utilisant un modèle de régression ridge dans un schéma de validation croisée d’un contre tous (leave-one-out cross-validation). Conformément à notre hypothèse, nous obtenons une plus grande précision avec ce modèle (R2=0.68) qu’en utilisant uniquement les variables de référence (R2=0.38). Cette amélioration dans la prédiction de la récupération fonctionnelle pourrait apporter des bénéfices cliniques en traçant des trajectoires de récupération individuelles et en permettant un meilleur choix de programme de réhabilitation.