Dynamische digitale Biomarker der motorischen und kognitiven Funktion bei Parkinson
Summary
Dieses Protokoll bietet eine Digitalisierung von Teilen traditioneller klinischer Aufgaben, die häufig zur Messung der Kognition und motorischen Kontrolle bei der Parkinson-Krankheit verwendet werden. Klinische Aufgaben werden digitalisiert, während biophysikalische Rhythmen von verschiedenen funktionellen Ebenen des Nervensystems mitregistriert werden, von freiwillig, spontan, automatisch bis autonom.
Abstract
Da die Parkinson-Krankheit (PD) eine heterogene Erkrankung ist, ist personalisierte Medizin wirklich erforderlich, um die Versorgung zu optimieren. In ihrer aktuellen Form sind Standard-Scores aus Papier- und Bleistift-Symptomen, die traditionell zur Verfolgung des Krankheitsverlaufs verwendet werden, zu grob (diskret), um die Granularität der untersuchten klinischen Phänomene angesichts enormer Symptome zu erfassen. mannigfaltigkeit. Aus diesem Grund werden Sensoren, Wearables und mobile Geräte zunehmend in die PD-Forschung und Routinepflege integriert. Diese digitalen Messgrößen liefern zwar präziser, liefern aber Daten, die weniger standardisiert und interpretierbar sind als herkömmliche Kennzahlen, und folglich bleiben die beiden Arten von Daten weitgehend isoliert. Beide Fragen stellen Hindernisse für die breite klinische Anwendung der präzisesten Bewertungsinstrumente des Feldes dar. Dieses Protokoll behebt beide Probleme. Mit traditionellen Aufgaben zur Messung von Kognition und Motorsteuerung testen wir den Teilnehmer, während wir biophysikalische Signale unauffällig mit Wearables registrieren. Anschließend integrieren wir die Partituren aus traditionellen Papier- und Bleistiftmethoden in die digitalen Daten, die wir kontinuierlich registrieren. Wir bieten eine neue standardisierte Datentyp und vereinheitlichende statistische Plattform, die die dynamische Verfolgung von Veränderungen in den stochastischen Signaturen der Person unter verschiedenen Bedingungen ermöglicht, die verschiedene funktionelle Ebenen der neuromotorischen Steuerung untersuchen, von freiwillig zu autonom. Das Protokoll und der standardisierte statistische Rahmen bieten dynamische digitale Biomarker der physikalischen und kognitiven Funktion in PD, die validierten klinischen Skalen entsprechen und gleichzeitig ihre Präzision deutlich verbessern.
Introduction
Die Präzisionsmedizin (PM) (Abbildung 1) hat sich zu einer leistungsstarken Plattform für die Entwicklung personalisierter zielgerichteter Behandlungen entwickelt. Im Bereich der Krebsforschung war dieses Modell sehr erfolgreich und seine Grundsätze werden den medizinischen Bereich in naher Zukunft revolutionieren1. PM kombiniert mehrere Wissensschichten, die von den Selbstberichten der Patienten bis zur Genomik reichen. Die Integration von Informationen über alle diese Ebenen hinweg führt zu einer personalisierten Bewertung, die eine Interpretation der Daten und präzisere Behandlungsempfehlungen ermöglicht, die darauf abzielen, alle Aspekte des Lebens der Person zu berücksichtigen.
Es gibt mehrere Herausforderungen bei dem Versuch, die PM-Plattform an neuropsychiatrische und neurologische Störungen des Nervensystems anzupassen2,3, und diese Herausforderungen wurden vor kurzem gesprochen4. Dazu gehören die Unterschiede in den erfassten Daten, nämlich diskrete Ergebnisse von klinischen Bleistift-und-Papier-Methoden, die von Beobachtungen geleitet werden, und kontinuierliche biophysikalische Daten, die physisch aus der Ausgabe des Nervensystems gewonnen werden (z. B. mit Biosensoren). Die Daten aus klinischen Werten gehen in der Regel von einem Einheitsmodell aus, das eine einzelne (theoretische) Wahrscheinlichkeitsverteilungsfunktion (PDF) erzwingt. Diese a priori Annahme wird den Daten ohne ordnungsgemäße empirische Validierung auferlegt, da normative Daten überhaupt nicht erfasst und charakterisiert wurden. Als solches gibt es keine richtigen Ähnlichkeits-metrischen Kriterien, die die neurotypischen maturationalen Zustände des menschlichen Nervensystems beschreiben, da die gesunde Person altert und die Wahrscheinlichkeitsräume, die verwendet werden, um diese Parametervariationen zu werfen, sich mit einer gewissen Geschwindigkeit verschieben. Ohne normative Daten und richtige Ähnlichkeitsmetriken ist es nicht möglich, Abweichungen von typischen Zuständen zu messen, da sie sich dynamisch im Leben der Person ändern. Es ist auch nicht möglich, die sensorischen Folgen der bevorstehenden Änderungen vorherzusagen.
Abbildung 1: Präzisionsmedizin-Plattform: Die Lücke zwischen Verhalten und Genomik schließen, um eine gezielte Behandlungsentwicklung in der personalisierten Medizin zu ermöglichen, die auf neurologische und neuropsychiatrische Störungen des Nervensystems übersetzt wird. Die Präzisionsmedizin-Plattform für die Entwicklung personalisierter gezielter Behandlungen kann übersetzt werden, um neurologische und neuropsychiatrische Erkrankungen des Nervensystems zu diagnostizieren und zu behandeln. Im Wissensnetzwerk benötigt die Ebene der Verhaltensanalysen jedoch einen Paradigmenwechsel, um neue aufkommende digitale Ergebnisse aus biophysikalischen Daten mit traditionelleren klinischen Kriterien zu integrieren. Eine Herausforderung besteht darin, statistisch fundierte Methoden und neue intuitive Visualisierungstools für eine solche Integration bereitzustellen und gleichzeitig den Einsatz digitaler Ergebnismaßnahmen durch Ärzte, Patienten und Pflegekräfte zu fördern. Diese Zahl wurde von Hawgood et al.1 mit Genehmigung der American Association for the Advancement of Science geändert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Der aktuelle “GrandAveraging“Ansatz glättet als Rauschen die stochastischen Schwankungen des Individuums in den Daten, d.h. die Signalvariabilität, die sich manifestiert, wenn die Person natürlich altert, wenn die Störung fortschreitet, und wie das Nervensystem der Person Behandlungen zu erhalten und darauf zu reagieren. Der Mangel an normativen Daten (d.h. die Bewertung großer Querschnitts- und Längsanteile der gesunden Bevölkerung) hindert uns daran, die neurotypische Dynamik eines gesunden Alterns zu verstehen. Als solche wird es eine Herausforderung zu wissen, wie man die Folgen einer bestimmten Pathologie allgemeiner antizipieren kann, da diese Pathologie beginnt, sich im Individuum systemisch zu manifestieren. Prädiktive Ansätze sind entscheidend für die Entwicklung regenerativer Therapien und/oder neuroprotektive Therapien, die den degenerativen Prozess verlangsamen. Die Parkinson-Krankheit ist ein gutes Beispiel für Pathologien, bei denen den Manifestationen der Erkrankung viele andere messbare Symptome vorausgehen. Wir wissen heute, dass den sichtbaren motorischen Störungen weniger sichtbare sensorische Probleme wie verminderte Geruchsfunktion5,6, Veränderungen der Sprachmuster, schnelle Augenbewegung (REM) Schlaf7und andere nicht-motorische Symptome im Zusammenhang mit der Funktion des enterischen Nervensystems8. Wenn sich die Störung manifestiert, gibt es bereits eine hohe dopaminerge Erschöpfung im System; Doch nicht-motorische Symptome hätten einige der sichtbaren motorischen Beeinträchtigungen vorhersagen können, anhand derer die Störung derzeit in erster Linie beurteilt wird.
Es ist notwendig, die aktuellen analyseanalytischen Modelle zu ändern und zu berücksichtigen, wie wichtig es ist, empirische Daten über alle Ebenen des Nervensystems hinweg richtig zu charakterisieren, wobei sich biorhythmische Bewegungen manifestieren und dynamisch in Form von Zeitreihen genutzt werden können. mit einer Vielzahl von Sensoren koregistriert. Bewegungsdaten im allgemeineren Sinne sollten sich nicht auf Bewegungen und die von ihnen ausgestrahlten Störungen beschränken. Digitale Daten aus allen Biorhythmen des Nervensystems (einschließlich nicht-bewegungsübergreifender Wellenformen) bieten das Prognosepotenzial, das wir möglicherweise benötigen, um eine schnelle Neurodegeneration zu verhindern oder zu verlangsamen. Doch wenn wir unser Repertoire an Datentypen erweitern, sollten wir die inhärente Annahme parametrischer linearer Modelle für statistische Rückschlüsse und Interpretationen vermeiden, die derzeit zur Analyse solcher Daten verwendet werden. Es wird entscheidend sein, die Angemessenheit solcher linearen Modelle für die Arten von hochgradig nichtlinearen Problemen zu bewerten, die wir in Pathologien des Nervensystems untersuchen, die stochastischen Verschiebungen und dynamischen Veränderungen ausgesetzt sind. Vorbehalte in aktuellen Annahmen-Analyse-Pipeline-Schleifen sind in beiden Datentypen vorhanden, die genutzt werden: die aus den diskreten klinischen Werten und die aus den kontinuierlichen digitalen biophysikalischen Wellenformen. Obwohl sie weiterhin getrennt sind, wird es wichtig sein, neue Rahmen zu entwerfen, die eine ordnungsgemäße Integration beider Arten von Daten in einer Weise ermöglichen, die digitale Ergebnisse an klinische Kriterien anpasst, um die Nutzung neuer digitaler Technologien für Patienten zu erleichtern. Pflegekräfte und Ärzte.
Um einige dieser Herausforderungen zu meistern, haben wir vor kurzem die PM-Plattform in Abbildung 1 angepasst, um eine präzise Phänotypisierung für neurologische und neuropsychiatrische Erkrankungen zu bieten3. Zu diesem Zweck haben wir eine neue Möglichkeit entwickelt, Verhaltensdaten zusammen mit traditionellen klinischen Scoring-Tests zu sammeln, zu analysieren und zu interpretieren, die komplexe Zusammenhänge zwischen kognitiven und motorischen Phänomenen ermitteln. Genauer gesagt haben wir die Bleistift-und-Papier-Methoden digitalisiert. Allein die Daten solcher Methoden sind viel zu grob, um wichtige Informationen zu erfassen, die mit bloßem Auge entfliehen. Aber ihre Verwendung in Kombination mit digitalen Daten aus biophysikalischen Sensoren bietet einen neuen Weg, neue aufkommende digitale Technologien mit klinischen Kriterien zu verbinden, die Kliniker dazu ermutigen können, sie in naher Zukunft einzuführen.
Hier stellen wir die Nutzung digitaler Daten im Rahmen klinischer Bewertungen vor. Da die Person die klinische Aufgabe erfüllt, z.B. beim Zeichnen einer Uhr im Montreal Cognitive Assessment (MoCA)-Test, wird der Biorhythmusoutput des Nervensystems über verschiedene Funktionsschichten hinweg mitregistriert. Dazu gehören Elektroenzephalographie (EEG), Elektrokardiographie (EKG oder EKG), Stimmmuster und Kinematik aus dem Körper, und die kinematische Ausgabe aus dem Handstift, die die Person verwendet, um die Uhr auf einer digitalisierten Tablette zu zeichnen. Wir sammeln auch Videodaten aus dem Gesicht, wenn die Person zeichnet, um Stimmungsanalysen durchzuführen, die emotionale Zustände vorhersagen. Diese Daten werden dann durch die Optik einer neuen statistischen Plattform für die individualisierte Verhaltensanalyse (SPIBA) analysiert und nach den klinischen Kriterien interpretiert, die solchen Tests zugrunde liegen. Genauer gesagt werden die diskreten Werte verwendet, um die Kohorte der Patienten zu median und auf diese Weise die Gruppe auf der Grundlage dieser klinischen Kriterien zu schichten. Auf der Suche nach digital getriebenen stochastischen Kriterien, die eine Teilmenge von Patienten grundlegend von einer anderen trennen, können wir dann die kontinuierlichen biophysikalischen Daten der so identifizierten Gruppen auf der Suche nach digital gesteuerten stochastischen Kriterien untersuchen, die eine Teilmenge von Patienten über mehr als eine parametrische Dimension grundlegend von einer anderen trennen. Darüber hinaus können wir durch die Untersuchung der kontinuierlichen biophysikalischen Daten in ihrem eigenen Recht, entsprechend den inhärenten Schwankungen jeder Person innerhalb der Kohorte und geblendet von den klinischen Kriterien, nach selbst entstehenden Clustern innerhalb der Kohorte suchen und die Ausmaß, in dem solche Cluster denen zugeordnet sind, die die Subtypen, die durch die klinischen Kriterien informiert wurden, ergeben haben.
Dieser Ansatz bietet eine neue Möglichkeit, Parameter innerhalb der Fülle biophysikalischer digitaler Daten zu identifizieren, die die Unterschiede zwischen den Subtypen am effektivsten erfassen und diese Unterschiede als potenziell gute Kandidaten für die Stratifizierung von Patienten mit Parkinson machen. Krankheit (PWP) bei Blinden, d. h. über eine zufällige Abwanderung aus der allgemeinen Bevölkerung. Die Relevanz dieser Methode ist zweifach. Wir können die Behandlungen wirklich personalisieren und gleichzeitig unterschiedliche Datentypen aus Biosensoren und klinischen Kriterien richtig integrieren; d.h. kontinuierliche digitale biophysikalische Daten in Form von Zeitreihen und diskrete klinische Ergebnisse aus herkömmlichen Tests.
Obwohl dies ein allgemeiner Ansatz ist, der auf alle Störungen des Nervensystems anwendbar ist, rahmen wir die Arbeit in den Kontext von PWP ein und bieten neue Möglichkeiten, statistische Rückschlüsse auf die kontinuierlichen digitalen Daten zu ziehen, die während der Leistung solcher klinischen Tests unter Berücksichtigung des diskreten klinischen Bewertungssystems. Als solche ermöglicht die Arbeit eine klinische Interpretation der digitalen Ergebnisse, die im klinischen Umfeld eingesetzt werden können. Schließlich geben wir Empfehlungen, um neue Wege zu entwerfen, um solche individuellen Ergebnisse zu visualisieren, um sie in neue Apps einzubetten, um die Patienten, die Betreuer und das klinische Personal gleichermaßen einfach im häuslichen und klinischen Umfeld zu verwenden.
Protocol
Representative Results
Discussion
Diese Arbeit führt ein neues Protokoll ein, das die Integration traditioneller klinischer Tests mit digitalen Daten aus biophysikalischen Signalen ermöglicht, die vom Nervensystem ausgegeben werden, während die Person solche Tests durchführt. Wir führen den Einsatz von SPIBA und mmS als vereinheitlichende Plattform ein, um unterschiedliche Arten von Daten wie diskrete Partituren aus Bleistift- und Papierbeobachtungsmethoden und kontinuierliche digitale Daten von biophysikalischen Sensoren zu kombinieren. Die Methoden werden anhand einer Kohorte von PWP und alters- und geschlechtsgerechten Kontrollen veranschaulicht, wobei eine zusätzliche junge Kontrolle als ideale gesunde Referenz für den Vergleich verwendet wird. Wir zeigen, dass herkömmliche klinische Tests (z. B. solche, die Teil des MoCA und des MDS-UPDRS sein können) verwendet werden können, um die Kohorte zu median und automatisch aus der inhärenten Variabilität der Punktzahlen der Gruppe Informationen zu extrahieren, die Daten in der digitalen entsprechend klinisch definierten Schweregraden. Solche Niveaus passen gut mit dem Niveau der klinischen MDS-UPDRS und die kognitive / Speicher-Test-Performance. Auf einer anderen Implementierungsebene untersuchen wir dann den Biorhythmus der Nervensysteme, die von der ZNS-, der PNS- und der ANS-Schicht genutzt werden, und charakterisieren so verschiedene Ebenen der Autonomie und Kontrolle. Wir liefern Beispieldaten und stochastische Signaturen, die aus solchen Daten abgeleitet werden und durch die Optik der klinischen Kriterien untersucht werden. Bei einem solchen Ansatz können wir die Patienten von den gesunden Kontrollen unterscheiden; und durch digitale Biorhythmen innerhalb der PWP über ihren klinisch definierten Schweregrad unterscheiden.
Indem wir die biophysikalischen digitalen Daten auf diese Weise an die klinischen Kriterien anpassen, bieten wir einen interpretierbaren Satz von Kriterien, die individualisierte Verschiebungen der Ergebnisse dynamischer verfolgen können. Wir prägt diese neuen Ergebnisse, die dynamische digitale Biomarker darstellen, da sie auf digitalen Daten basieren, aber interpretierbare Ergebnisse nach etablierten und validierten klinischen Kriterien liefern. Sie sind aus den Zeitreihen der Prozesse des Nervensystems abgeleitet, und sie erfassen die dynamische Natur solcher. Insbesondere sind wir in der Lage, sowohl motorische als auch nicht-motorische Kriterien zu verwenden. Als solche können wir beginnen, nicht-motorische Aspekte der PD zu quantifizieren, die jetzt bekannt sind, um der Verschlechterung der motorischen Symptome vorauszugehen, die die Störung bisher konventionell definiert haben. Zum Beispiel könnten Gesichtsanalysen, wie sie hier vorgestellt werden, verwendet werden, um spontane Mikrogesten während des REM-Schlafes zu untersuchen, um ein Repertoire von solchen aufzubauen, die die Verschlechterung der motorischen Aktivitäten vorhersagen könnten. Ebenso könnten wir diese Methoden verwenden, um die Schmerzniveaus während der täglichen Aktivitäten zu untersuchen und ihre potenziellen Korrelationen mit Aktivitäten während der REM-Schlafzeit zu bewerten. Dies ist wichtig, da sowohl REM-Schlaf als auch Schmerzdysregulation bekanntermaßen motorischen Problemen vorausgehen, die später den Schweregrad von PD5,6,7definieren. Mit unserer Digitalisierung der verschiedenen traditionellen klinischen Aufgaben wurden hier andere nicht-motorische Aktivitäten, die in die klinischen Aufgaben eingebettet waren, die zur Untersuchung kognitiver und Gedächtnisfähigkeiten eingesetzt wurden, charakterisiert und Indizes solcher Aktivitäten den motorischen Symptomen zugeordnet. Diese Methoden sind zugänglich, um Grundlagenforschung und klinische Praktiken bei der Parkinson-Krankheit zu verbinden. Sie können auch auf andere Erkrankungen des Nervensystems ausgedehnt werden.
Neben der motorischen Ausgabe aus dem Gesicht können wir während des REM-Schlafs Gesichtsgesten in natürlichen sozialen Situationen im Rahmen von Selbsterkennung oder kinesthetischem Reafference untersuchen, um das Niveau des reafferenten Feedbacks zu messen, das das Gehirn des Patienten höchstwahrscheinlich erhält. Hier konnte trotz der sehr subtilen Unterschiede in den Mikrogesten in den Gesichtsbereichen, die den trigeminalen Affeffernregionen V1, V2, V3 entsprechen, im repräsentativen Teilnehmer festgestellt werden, welcher Bereich des Gesichts die stochastische Signaturen beim Übergang zwischen neutralen und natürlich lächelnden Zuständen. Dies deutet darauf hin, dass wir mit dem SPIBA und dem MMS in der Lage sein werden, andere nicht-motorische (sensorische) Aspekte von PD im Zusammenhang mit Schwierigkeiten mit sensorischen Eingaben von kinesthetischen Berührungskanälen zu bewerten. Diese haben sich bei PD als problematisch erwiesen, auch in frühen Stadien der Störung24. Da sensorische und motorische Hand in Hand gehen, könnten diese Informationen uns helfen, offensichtlichere motorische Probleme vorherzusagen, die später im Fortschreiten dieser Störung auftauchen1,7. Wir gehen davon aus, dass diese kinesthetischen Kanäle entlang trigeminaler Bereiche des Gesichts uns auch helfen können, verschiedene Arten von Schmerzdysregulation zu dissoziieren, einschließlich derjenigen, die mit Schlafveränderungen zusammenhängen5,6.
Die derzeitigen Methoden bieten eine neue Möglichkeit, die biophysikalischen Signale, die aus dem zentralen, peripheren und autonomen Nervensystem gewonnen werden, im Tandem zu untersuchen, unter verschiedenen Bedingungen, die unterschiedliche kognitive Fähigkeiten und unterschiedliche Autonomieniveaus erfordern und neuromotorische Kontrolle. Mit Hilfe des SPIBA-Frameworks, in dem stochastische Analysen und paarweise Netzwerkanalysen auf die standardisierten MMS-Daten angewendet werden, ist es auch möglich, kognitive Aktivitäten objektiv zu charakterisieren. Die fünfzehn Aufgaben, die in diesem Experiment verwendet wurden, erfordern verschiedene Arten von kognitiven Fähigkeiten (z. B. visuo-bauliche Fähigkeiten, visuelles Gedächtnis, Wahrnehmungs-Scanning-Fähigkeiten) und verschiedene Ebenen der kognitiven Kontrolle (z. B. bewisl die Geschwindigkeit, beschleunigen Sie die Atemfrequenz wie angewiesen). Aus diesem Grund können die Stochastizitäts- und Konnektivitätsmuster der CNS-PNS-ANS-Informationsübertragung biophysikalischer Signale, die während dieser Aufgaben gezeigt werden, verwendet werden, um verschiedene Ebenen kognitiver Belastungen und deren Auswirkungen auf die Motorleistung zu charakterisieren.
Während wir die Vorteile unserer neuen Analysemethoden und Protokolle unterstreichen, weisen wir auch auf Vorbehalte und praktische Einschränkungen hin, die bei der Einführung unserer Aufzeichnungsplattform für die synchrone Datenerfassung berücksichtigt werden sollten. Dies liegt daran, dass in dieser Einrichtung mehrere Aufzeichnungssoftwaretypen auf einem einzelnen Computer zu Synchronisierungszwecken gestreamt werden, was eine hohe Rechenleistung des Computers erfordert, da eine Datenverlust, ein Einfrieren des Computers und/oder einen Überschuss verursachen könnte. geräusch. Im aktuellen Design wurden zwei Streaming-Software (EEG und Motion Capture) und LSL auf einem einzigen Computer ausgeführt. Daher mussten wir auf die Verarbeitung von Überlastung und möglichem Einfrieren des Computers achten. Dies war einer der Gründe, warum wir einen der EEG-Kanäle verwendet haben, um die EKG-Signale zu extrahieren. Computer mit höherer Speicherkapazität und schnelleren Prozessoren können möglicherweise eine separate EKG-Software gleichzeitig mit dem EEG und dem Sensorraster der Kinematik verarbeiten. Diese Fragen sind praktischer Natur und unabhängig von den analysemethoden (SPIBA) und Standarddatentypen (MMS), die wir anbieten. Wir halten es jedoch für wichtig, den Endbenutzer vor dem Entwerfen des Protokolls für die Datenkoregistrierung aus mehreren Streams auf die Notwendigkeit aufmerksam zu machen, die Rechenleistung zu bewerten.
Eine weitere Einschränkung, auf die wir hinweisen, ist, dass die 15 im Protokoll dargestellten Aufgaben eine Teilmenge dessen sind, was zur Entwicklung dynamischer digitaler Biomarker verwendet werden kann. Für die Zwecke dieses Papiers haben wir uns aus Platzgründen auf einige Aufgaben beschränkt und diejenigen ausgewählt, die unterschiedliche Kontroll- und Körperbewegungen beinhalteten, und in der Tat können wir andere Aufgaben hinzufügen, die nicht in diesem Papier enthalten sind. Unser Ziel ist es, eine kleinere Teilmenge von Aufgaben abzuleiten, die weniger Zeit und Aufwand erfordern würden. In der Tat, aus unserem Labor, Zeigeaufgaben (Aufgaben 10-12) sind eine Reihe von Aufgaben, die wir fanden, um eine effektive und effiziente Möglichkeit, die stochastischen Signaturen von Biorhythmen variiert durch unterschiedliche Niveaus der freiwilligen Kontrolle und neurologische Störungen, einschließlich PD 24 , 30.
Die repräsentativen Ergebnisse dieser Studie sind eine kleine Teilmenge dessen, was mit den MMS-Datensätzen getan werden kann, die aus Biosensoren-Wellenformen und der Bewegungsbeschriftung von Kameras abgeleitet werden können, wobei SPIBA-Methoden verwendet werden. Zur Veranschaulichung untersuchten wir das MMS in Amplitude und konzentrierten uns auf die Schwankungen der linearen Geschwindigkeitsamplitude, die vom COM der Person abgeleitet wurde. Das COM ist ein Zusammenfassendsignal aus allen 17 Von uns registrierten Körpersensoren. Wir könnten die Analysen jedoch auf andere Rotationsparameter und auf andere kinetische Variablen (z. B. Kräfte und Druck) ausdehnen, die Zeitreihen schwankender Parameter erzeugen (z. B. wie bei den Gesichtsdaten). Auch aus Platzgründen haben wir die Analyse von EEG-Daten nur anhand seiner Kopfhautamplitudeninformationen illustriert, aber wir können diese Analysen auch auf Daten anwenden, die aus dem Quellraum31abgeleitet wurden. Für alle Datenmodi konnten wir auch die Stoceherität der Zeiten zwischen Spitzen (anstelle der Spitzenamplitude) untersuchen, die auch Zeitreihen erzeugen. Andere Zeitreihen von Parametern können aus solchen Wellenformen abgeleitet werden, und ihr MMS kann verwendet werden, um Kohäsivität und Konnektivität aus dem Netzwerk zu ermitteln, das32,33,34konstruiert wurde. Darüber hinaus können diese Analysen auch auf den Frequenzbereich34ausgedehnt werden. Neben der analyse des gegenseitigen Informationsnetzwerks hätten wir uns auf andere topologische Merkmale des Netzwerks konzentrieren können, um PWP und Kontrollen zu differenzieren und PWP zu schichten. Für die Zwecke dieses Beitrags konzentrieren wir uns auf die Nützlichkeit dieser Analysen als Werkzeug, aber durch diese Art der Charakterisierung werden wir Wissen gewinnen, um klinisch informierte Interpretationen der digitalen Daten bereitzustellen, die diese Analysetools bereitstellen.
Die in dieser Studie beschriebenen aktuellen Methoden dienen dazu, einige der vielen Möglichkeiten vorzustellen, wie SPIBA und MMS auf die klinische und digitale Datenintegration angewendet werden können. Wir bieten diese vereinheitlichende Plattform, standardisierten Datentyp und experimentelles Protokoll in der Hoffnung, digitale Daten endlich über klinische Kriterien zu informieren und auch den herkömmlichen Bleistift-und-Papier-Methoden mehr Präzision von den digitalen Daten zu verleihen. Eine solche Verbesserung wird 1) eine genauere Nachverfolgung der Symptomänderung als Reaktion auf die Behandlung ermöglichen, 2) das Verständnis der natürlichen PD-Progression im Laufe der Zeit verbessern und 3) die Schichtung der PD-Symptome-Präsentation erleichtern (was einzigartige klinische Empfehlungen für jede Untergruppe). Als solche hoffen wir, diese Methoden auf die weitere Forschung in PD anzuwenden, aber auch in der klinischen Anwendung nützlich zu sein. Mit kommerziellen Geräten wie Mobiltelefonen können biophysikalische Daten abgerufen werden, um die Analysen durchzuführen, die wir in diesem Papier veranschaulicht haben. Derzeit gibt es Bestrebungen, solche digitalen Daten in größerem Maßstab zu sammeln, wie die mPower-App-Studie von der University of Rochester (https://parkinsonmpower.org) und Kaggle. Tatsächlich konnten wir mit diesen Open-Access-Daten-Repositorys PD und normale alternde Personen aus Beschleunigungsmesserdaten von Mobiltelefonen schichten und Aktivitäten, die in den hier vorgestellten klinischen Tests eingebettet sind, automatisch klassifizieren. 35.
Als nächsten Schritt wollen wir mehr Daten aus einer breiteren Palette von PWP-Populationen und deren abgestimmten Kontrollteilnehmern sammeln und zu verschiedenen Zeitpunkten aufzeichnen, um sowohl eine Querschnitts- als auch eine Längsschnittanalyse mit unseren Methoden durchführen zu können. Wir gehen davon aus, dass solche gesammelten digitalen Daten viel mehr bieten würden als die Summe ihrer Teile, und wirklich die Grundsätze der Präzisionsmedizin in der Neurologie und Psychiatrie realisieren.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Diese Forschung wird zum Teil vom Rutgers Discovery Informatics Institute an JR, den Rutgers University TechAdvance Funds to EBT und JV, dem New Jersey Governor es Council for the Research and Treatments of Autism to EBT und der Michael J Fox Foundation to RD finanziert.
Materials
| Enobio 32 | NE Neuroelectrics | NE006WF | wearable, wireless electrophysiology sensor system for the recording of EEG. |
| Inking Pen | Wacom | KP1302 | tablet pen |
| Intuos Pro | Wacom | PTH451 | pen tablet |
| Lab Stream Layer System | n/a | n/a | open source software to synchronize different devices |
| Microphone | Zaffiro | B07BDFP6XC | computer microphone |
| MovAlyzeR | Neuroscript | Version 6.1.0.0. | pen movement caption software |
| MTw Awinda wireless motion tracker | Xsens | MTw Awinda | motion capture system |
| MVN Analyze | Xsens | Version 2019 | motion-tracking software |
| NIC 2.0 | NE Neuroelectrics | NE001SW2 | Neuroelectrics Instrument Controller (NIC) EEG streaming software |
| OpenPose | n/a | n/a | open source machine learning software to extract facial information |
References
- Hawgood, S., Hook-Barnard, I. G., O’Brien, T. C., Yamamoto, K. R. Precision medicine: Beyond the inflection point. Science Translational Medicine. 7 (300), 300ps317 (2015).
- Torres, E. B., Whyatt, C. . Autism: The Movement Sensing Perspective. , (2018).
- Torres, E. B., et al. Toward Precision Psychiatry: Statistical Platform for the Personalized Characterization of Natural Behaviors. Frontiers in Neurology. 7, 8 (2016).
- Espay, A. J., et al. Technology in Parkinson’s disease: Challenges and opportunities. Movement Disorders. 31 (9), 1272-1282 (2016).
- Ponsen, M. M., Stoffers, D., Wolters, E. C., Booij, J., Berendse, H. W. Olfactory testing combined with dopamine transporter imaging as a method to detect prodromal Parkinson’s disease. Journal of Neurology, Neurosurgery & Psychiatry. 81 (4), 396-399 (2010).
- Ponsen, M. M., et al. Idiopathic hyposmia as a preclinical sign of Parkinson’s disease. Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society. 56 (2), 173-181 (2004).
- Oudre, L., Jakubowicz, J., Bianchi, P., Simon, C. Classification of periodic activities using the Wasserstein distance. IEEE Transactions on Biomedical Engineering. 59 (6), 1610-1619 (2012).
- Derkinderen, P., et al. Parkinson disease: the enteric nervous system spills its guts. Neurology. 77 (19), 1761-1767 (2011).
- Roetenberg, D., Luinge, H., Slycke, P. Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors. Xsens Motion Technologies BV, Tech. Rep. 1, (2009).
- Possin, K. L., Laluz, V. R., Alcantar, O. Z., Miller, B. L., Kramer, J. H. Distinct neuroanatomical substrates and cognitive mechanisms of figure copy performance in Alzheimer’s disease and behavioral variant frontotemporal dementia. Neuropsychologia. 49 (1), 43-48 (2011).
- Army, U. Army individual test battery. Manual of Directions and Scoring. , (1944).
- Nasreddine, Z. S., et al. The Montreal Cognitive Assessment, MoCA: a brief screening tool for mild cognitive impairment. Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).
- Beekly, D. L., et al. The National Alzheimer’s Coordinating Center (NACC) database: the uniform data set. Alzheimer Disease & Associated Disorders. 21 (3), 249-258 (2007).
- Torres, E. B. . Objective Biometric Methods for the Diagnosis and Treatment of Nervous System Disorders. , (2018).
- Ryu, J., Torres, E. B. . Fourth International Symposium on Movement and Computing, MOCO’17. , 1-8 (2017).
- Torres, E. B., Donnellan, A. M. . Autism: The movement perspective. , (2015).
- Torres, E. B., Vero, J., Rai, R. Statistical Platform for Individualized Behavioral Analyses Using Biophysical Micro-Movement Spikes. Sensors (Basel). 18 (4), (2018).
- Torres, E. B., Denisova, K. Motor noise is rich signal in autism research and pharmacological treatments. Scientific Reports. 6, (2016).
- Shannon, C. A mathematical theory of communication. Bell System Technical Journal. 27, 379-423 (1948).
- Silverstein, S. M., Wibral, M., Phillips, W. A. Implications of information theory for computational modeling of schizophrenia. Computational Psychiatry. 1, 82-101 (2017).
- Jeong, J., Gore, J. C., Peterson, B. S. Mutual information analysis of the EEG in patients with Alzheimer’s disease. Clinical Neurophysiology. 112 (5), 827-835 (2001).
- Torres, E. B., et al. Autism: the micro-movement perspective. Frontiers in Integrative Neuroscience. 7, 32 (2013).
- Von Holst, E., Mittelstaedt, H., Dodwell, P. C. . Perceptual Processing: Stimulus equivalence and pattern recognition. , 41-72 (1950).
- Torres, E. B., Cole, J., Poizner, H. Motor output variability, deafferentation, and putative deficits in kinesthetic reafference in Parkinson’s disease. Frontiers in Human Neuroscience. 8, 823 (2014).
- Yanovich, P., Isenhower, R. W., Sage, J., Torres, E. B. Spatial-orientation priming impedes rather than facilitates the spontaneous control of hand-retraction speeds in patients with Parkinson’s disease. PLoS One. 8 (7), e66757 (2013).
- Torres, E. B. The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson’s disease. Frontiers in Integrative Neuroscience. 7, 50 (2013).
- Torres, E. B., Heilman, K. M., Poizner, H. Impaired endogenously evoked automated reaching in Parkinson’s disease. Journal of Neuroscience. 31 (49), 17848-17863 (2011).
- Nguyen, J., Majmudar, U., Papathomas, T. V., Silverstein, S. M., Torres, E. B. Schizophrenia: The micro-movements perspective. Neuropsychologia. 85, 310-326 (2016).
- Torres, E. B. Atypical signatures of motor variability found in an individual with ASD. Neurocase. 19 (2), 150-165 (2013).
- Torres, E. B. Signatures of movement variability anticipate hand speed according to levels of intent. Behavioral Brain Functions. 9, 10 (2013).
- Lai, M., Demuru, M., Hillebrand, A., Fraschini, M. A comparison between scalp-and source-reconstructed EEG networks. Scientific Reports. 8 (1), 12269 (2018).
- Sporns, O. . Networks of the Brain. , (2010).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Kalampratsidou, V., Torres, E. B. Peripheral Network Connectivity Analyses for the Real-Time Tracking of Coupled Bodies in Motion. Sensors (Basel). 18 (9), 3117 (2018).
- Torres, E. The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson’s disease. Frontiers in Integrative Neuroscience. 7 (50), (2013).
