Die Klinik nach Hause bringen: Ein multimodales Ökosystem für die Datenerfassung zu Hause zur Unterstützung der adaptiven tiefen Hirnstimulation

Die Tiefe Hirnstimulation (THS) behandelt neurologische Erkrankungen wie die Parkinson-Krankheit (PD), indem elektrischer Strom direkt an bestimmte Regionen im Gehirn abgegeben wird. Weltweit gibt es schätzungsweise 8,5 Millionen Fälle von Parkinson, und die THS hat sich als wichtige Therapie erwiesen, wenn die Medikation zur Behandlung der Symptome nicht ausreicht ^1,2. Die Wirksamkeit der THS kann jedoch durch Nebenwirkungen eingeschränkt werden, die manchmal bei einer Stimulation auftreten, die herkömmlicherweise mit fester Amplitude, Frequenz und Pulsbreite verabreicht wird³. Diese Open-Loop-Implementierung reagiert nicht auf Schwankungen des Symptomzustands, was zu Stimulationseinstellungen führt, die nicht angemessen auf die sich ändernden Bedürfnisse des Patienten abgestimmt sind. Erschwert wird die THS zusätzlich durch den zeitaufwändigen Prozess der Abstimmung der Stimulationsparameter, der derzeit von den Ärzten für jeden einzelnen Patienten manuell durchgeführt wird.

Die adaptive THS (aDBS) ist ein geschlossener Ansatz, der sich als effektive nächste Iteration der THS erwiesen hat, indem die Stimulationsparameter in Echtzeit angepasst werden, wenn symptombezogene Biomarker erkannt werden ^3,4,5. Studien haben gezeigt, dass Beta-Oszillationen (10-30 Hz) im Nucleus subthalamicus (STN) während der Bradykinesie, einer Verlangsamung der Bewegung, die für PD ^6,7 charakteristisch ist, konsistent auftreten. In ähnlicher Weise ist bekannt, dass High-Gamma-Oszillationen (50-120 Hz) im Kortex während Perioden der Dyskinesie auftreten, einer exzessiven und unwillkürlichen Bewegung, die auch häufig bei PD⁸ beobachtet wird. In neueren Arbeiten wurde aDBS erfolgreich über längere Zeiträume außerhalb der Klinik verabreicht⁵, die langfristige Wirksamkeit von aDBS-Algorithmen, die in der Klinik konfiguriert wurden, während ein Patient zu Hause ist, wurde jedoch nicht nachgewiesen.

Remote-Systeme werden benötigt, um die zeitlich variierende Wirksamkeit dieser dynamischen Algorithmen bei der Unterdrückung von Symptomen zu erfassen, die im täglichen Leben auftreten. Während der dynamische Stimulationsansatz der aDBS potenziell eine präzisere Behandlung mit reduzierten Nebenwirkungen ermöglicht^3,9, leidet die aDBS immer noch unter einer hohen Belastung für Kliniker^, die Stimulationsparameter für jeden Patienten manuell zu identifizieren. Zusätzlich zu den bereits großen Parametern, die bei herkömmlichen DBS programmiert werden müssen, führen aDBS-Algorithmen viele neue Parameter ein, die ebenfalls sorgfältig angepasst werden müssen. Diese Kombination von Stimulations- und Algorithmusparametern ergibt einen riesigen Parameterraum mit einer unüberschaubaren Anzahl möglicher Kombinationen, der eine Skalierung der aDBS auf viele Patienten verhindert¹⁰. Selbst in der Forschung erschwert der zusätzliche Zeitaufwand für die Konfiguration und Bewertung von aDBS-Systemen die aadäquate Optimierung von Algorithmen allein in der Klinik, und es ist eine Fernaktualisierung von Parametern erforderlich. Um aDBS zu einer skalierbaren Behandlung zu machen, müssen die Stimulation und die Abstimmung der Algorithmusparameter automatisiert werden. Darüber hinaus müssen die Ergebnisse der Therapie in wiederholten Studien analysiert werden, um die aTHS als praktikable Langzeitbehandlung außerhalb der Klinik zu etablieren. Es besteht ein Bedarf an einer Plattform, die Daten für die Fernbewertung der Therapiewirksamkeit und für die Remote-Bereitstellung von Aktualisierungen der aDBS-Algorithmusparameter sammeln kann.

Das Ziel dieses Protokolls ist es, ein wiederverwendbares Design für eine multimodale Datenerfassungsplattform für zu Hause bereitzustellen, um die Wirksamkeit der aDBS außerhalb der Klinik zu verbessern und diese Behandlung auf eine größere Anzahl von Personen zu übertragen. Unseres Wissens nach handelt es sich um die erste Datenerfassungsplattform, die therapeutische Ergebnisse mithilfe von Videokameras zu Hause, tragbaren Sensoren, chronischer neuronaler Signalaufzeichnung und patientengesteuertem Feedback aus der Ferne auswertet, um aDBS-Systeme bei kontrollierten Aufgaben und naturalistischem Verhalten zu bewerten.

Die Plattform ist ein Ökosystem von Hardware- und Softwarekomponenten, die auf zuvor entwickelten Systemen^{aufbauen 5}. Es ist vollständig per Fernzugriff nach einer Erstinstallation minimaler Hardware wartbar, um eine multimodale Datenerfassung von einer Person bequem von zu Hause aus zu ermöglichen. Eine Schlüsselkomponente ist das implantierbare Neurostimulationssystem (INS)¹¹ , das die neuronale Aktivität erfasst und die Stimulation an das STN abgibt und die Beschleunigung von Brustimplantaten aufzeichnet. Für das Implantat, das bei der anfänglichen Entfaltung verwendet wird, wird die neuronale Aktivität von bilateralen Elektroden, die in das STN implantiert werden, und von Elektrokortikographie-Elektroden, die über den motorischen Kortex implantiert werden, aufgezeichnet. Ein Videoaufzeichnungssystem hilft Ärzten, die Schwere der Symptome und die Wirksamkeit der Therapie zu überwachen, einschließlich einer grafischen Benutzeroberfläche (GUI), die eine einfache Löschung laufender Aufzeichnungen zum Schutz der Privatsphäre der Patienten ermöglicht. Videos werden verarbeitet, um kinematische Positionstrajektorien zweidimensional (2D) oder dreidimensional (3D) zu extrahieren, und Smartwatches werden an beiden Handgelenken getragen, um Winkelgeschwindigkeits- und Beschleunigungsinformationen zu erfassen. Wichtig ist, dass alle Daten verschlüsselt werden, bevor sie in einen langfristigen Cloud-Speicher übertragen werden, und auf den Computer mit patientenidentifizierbaren Videos kann nur über ein virtuelles privates Netzwerk (VPN) zugegriffen werden. Das System umfasst zwei Ansätze für die nachträgliche zeitliche Ausrichtung aller Datenströme, und die Daten werden verwendet, um die Bewegungsqualität des Patienten aus der Ferne zu überwachen und symptombezogene Biomarker für die Verfeinerung von aDBS-Algorithmen zu identifizieren. Der Videoteil dieser Arbeit zeigt den Datenerhebungsprozess und Animationen kinematischer Trajektorien, die aus den gesammelten Videos extrahiert wurden.

Bei der Entwicklung des Protokolls gab es eine Reihe von Designüberlegungen:
Gewährleistung der Datensicherheit und der Privatsphäre der Patienten: Das Sammeln identifizierbarer Patientendaten erfordert äußerste Sorgfalt bei der Übertragung und Speicherung, um dem Health Insurance Portability and Accountability Act (HIPAA) gerecht zu werden^12,13 und die Privatsphäre des Patienten in seinem eigenen Zuhause zu respektieren. In diesem Projekt wurde dies durch die Einrichtung eines benutzerdefinierten VPN erreicht, um den Schutz des gesamten sensiblen Datenverkehrs zwischen Systemcomputern zu gewährleisten.
Sicherheitsgrenzen der Stimulationsparameter: Es ist wichtig, sicherzustellen, dass der Patient sicher bleibt, während er aDBS-Algorithmen ausprobiert, die unbeabsichtigte Auswirkungen haben können. Das INS des Patienten muss von einem Arzt so konfiguriert werden, dass es sichere Grenzen für Stimulationsparameter hat, die keine unsicheren Auswirkungen von Über- oder Unterstimulation zulassen. Mit dem INS-System¹¹ Diese Funktion, die in dieser Studie verwendet wird, wird von einem klinischen Programmierer aktiviert.
Sicherstellung des Vetorechts des Patienten: Selbst innerhalb sicherer Parametergrenzen kann die tägliche Variabilität der Symptome und Stimulationsreaktionen zu unangenehmen Situationen für den Patienten führen, in denen er einen zu testenden Algorithmus nicht mag und zu einer normalen klinischen Open-Loop-THS zurückkehren möchte. Das ausgewählte INS-System enthält ein Patiententelemetriemodul (PTM), mit dem der Patient seine Stimulationsgruppe und Stimulationsamplitude in mA manuell ändern kann. Es gibt auch eine mit dem INS verbundene Forschungsanwendung, die für die Fernkonfiguration des INS vor der Datenerfassung verwendet wird¹⁴, was es dem Patienten auch ermöglicht, aDBS-Versuche abzubrechen und seine Therapie zu kontrollieren.
Komplexes und natürliches Verhalten erfassen: Videodaten wurden in die Plattform integriert, um es Klinikern zu ermöglichen, die Wirksamkeit der Therapie aus der Ferne zu überwachen und kinematische Trajektorien aus Posenschätzungen für die Verwendung in Forschungsanalysen zu extrahieren¹⁵. Tragbare Sensoren sind zwar weniger aufdringlich, aber es ist schwierig, den vollen dynamischen Bewegungsumfang eines gesamten Körpers allein mit tragbaren Systemen zu erfassen. Videos ermöglichen die gleichzeitige Erfassung des gesamten Bewegungsumfangs des Patienten und seiner Symptome im Zeitverlauf.
Benutzerfreundlichkeit des Systems für Patienten: Die Erfassung multimodaler Daten zu Hause erfordert, dass mehrere Geräte im Haus eines Patienten installiert und verwendet werden, was für die Patienten mühsam werden kann. Um die Bedienung des Systems zu vereinfachen und gleichzeitig die Kontrolle des Patienten zu gewährleisten, müssen nur die Geräte, die implantiert oder physisch am Patienten befestigt sind (in diesem Fall das INS-System und die Smartwatches), vor dem Starten einer Aufzeichnung manuell eingeschaltet werden. Bei Geräten, die vom Patienten getrennt sind (in diesem Fall handelt es sich um Daten, die von Videokameras aufgezeichnet wurden), beginnen und enden die Aufzeichnungen automatisch, ohne dass eine Interaktion mit dem Patienten erforderlich ist. Beim GUI-Design wurde darauf geachtet, die Anzahl der Schaltflächen zu minimieren und tiefe Menübäume zu vermeiden, damit die Interaktionen einfach sind. Nachdem alle Geräte installiert waren, zeigte ein Forschungskoordinator dem Patienten, wie er mit allen Geräten über patientenorientierte GUIs interagieren kann, die Teil jedes Geräts sind, z. B. wie man Aufzeichnungen auf einem beliebigen Gerät beendet und wie man seinen Medikationsverlauf und seine Symptomberichte eingibt.
Transparenz bei der Datenerfassung: Es ist unerlässlich, deutlich anzugeben, wann die Kameras eingeschaltet sind, damit die Leute wissen, wann sie aufgezeichnet werden, und die Aufnahme unterbrechen können, wenn sie einen Moment der Privatsphäre benötigen. Um dies zu erreichen, wird eine Kamerasystemanwendung verwendet, um Videoaufzeichnungen mit einer patientenorientierten GUI zu steuern. Die GUI öffnet sich automatisch, wenn die Anwendung gestartet wird, und listet die Uhrzeit und das Datum der nächsten geplanten Aufnahme auf. Wenn eine Aufzeichnung läuft, wird eine Meldung angezeigt, die angibt, wann die Aufzeichnung beendet werden soll. In der Mitte der GUI wird ein großes Bild eines roten Lichts angezeigt. Das Bild zeigt, dass das Licht hell leuchtet, wenn eine Aufnahme läuft, und wechselt zu einem nicht beleuchteten Bild, wenn die Aufzeichnungen ausgeschaltet sind.

Das Protokoll beschreibt Methoden für den Entwurf, den Aufbau und den Einsatz einer Datenerfassungsplattform für zu Hause, für die Qualitätsprüfung der gesammelten Daten auf Vollständigkeit und Robustheit und für die Nachbearbeitung von Daten für die Verwendung in zukünftigen Forschungsarbeiten.

Abbildung 1: Datenfluss. Die Daten für jede Modalität werden unabhängig vom Wohnort des Patienten gesammelt, bevor sie verarbeitet und in einem einzigen Remote-Speicherendpunkt aggregiert werden. Die Daten für jede Modalität werden automatisch an einen Remotespeicherendpunkt gesendet. Mit Hilfe eines der Teammitglieder kann es dann abgerufen, auf Gültigkeit geprüft, modalitätsübergreifend zeitlich abgestimmt sowie einer modalitätsspezifischeren Vorverarbeitung unterzogen werden. Der kompilierte Datensatz wird dann auf einen Remote-Speicherendpunkt hochgeladen, auf den alle Teammitglieder zur weiteren Analyse sicher zugreifen können. Alle Geräte mit Datenzugriff, insbesondere für sensible Daten wie Rohvideos, sind in einem VPN eingeschlossen, das sicherstellt, dass alle Daten sicher übertragen und gespeicherte Daten immer verschlüsselt sind. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.