Dynamische digitale biomarkers van motorische en cognitieve functie bij de ziekte van Parkinson
Summary
Dit protocol biedt een digitalisatie van delen van traditionele klinische taken die vaak worden gebruikt om cognitie en motorische controle bij de ziekte van Parkinson te meten. Klinische taken worden gedigitaliseerd terwijl biofysische ritmes samen worden geregistreerd vanuit verschillende functionele niveaus van het zenuwstelsel, variërend van vrijwillig, spontaan, automatisch tot autonoom.
Abstract
Aangezien de ziekte van Parkinson (PD) een heterogene aandoening is, is gepersonaliseerde geneeskunde echt nodig om de zorg te optimaliseren. In hun huidige vorm zijn standaard scores van papier en potlood symptoom-maatregelen die traditioneel worden gebruikt om ziekteprogressie te volgen te grof (disc geen) om de granulariteit van de klinische fenomenen te vangen, in het gezicht van een enorm symptoom Diversiteit. Om deze reden worden sensoren, wearables en mobiele apparaten steeds meer opgenomen in PD-onderzoek en routinematige zorg. Deze digitale maatregelen, terwijl preciezer, opleveren gegevens die minder gestandaardiseerd en interpreteerbaar zijn dan traditionele maatregelen, en bijgevolg blijven de twee soorten gegevens grotendeels siloed. Beide kwesties vormen belemmeringen voor de brede klinische toepassing van de meest precieze beoordelingsinstrumenten van het veld. Dit protocol lost beide problemen op. Door gebruik te maken van traditionele taken om cognitie en motorische controle te meten, testen we de deelnemer en registreren we biofysische signalen onopvallend met Wearables. Vervolgens integreren we de scores van traditionele papier-en-potlood methodes met de digitale data die we continu registreren. We bieden een nieuw gestandaardiseerd gegevenstype en een verenigend statistisch platform dat de dynamische tracking van veranderingen in de stochastische handtekeningen van de persoon mogelijk maakt onder verschillende omstandigheden die verschillende functionele niveaus van neuromotorische controle controleren, variërend van vrijwillig aan autonoom. Het protocol en gestandaardiseerd statistisch kader bieden dynamische digitale biomarkers van fysieke en cognitieve functie in PD die corresponderen met gevalideerde klinische weegschalen, terwijl ze hun precisie aanzienlijk verbeteren.
Introduction
Precision Medicine (PM) (Figuur 1) is ontstaan als een krachtig platform om gepersonaliseerde gerichte behandelingen te ontwikkelen. Op het gebied van kankeronderzoek, dit model is zeer succesvol geweest en de principes zijn gebonden aan een revolutie in de medische veld in de nabije toekomst1. PM combineert meerdere lagen van kennis, variërend van zelf rapportages van patiënten tot Genomics. Het integreren van informatie in al deze lagen resulteert in een gepersonaliseerde beoordeling die de interpretatie van de gegevens mogelijk maakt en nauwkeuriger behandelings aanbevelingen die gericht zijn op het overwegen van alle aspecten van het leven van de persoon.
Er zijn verschillende uitdagingen bij het aanpassen van het pm-platform aan neuropsychiatrische en neurologische aandoeningen van het zenuwstelsel2,3, en deze uitdagingen zijn onlangs geuit4. Onder deze zijn de ongelijkheid in de gegevens die worden verworven, namelijk discrete scores van klinische potlood-en-papier methoden geleid door observatie, en continue biofysische gegevens fysiek verkregen uit de uitvoer van het zenuwstelsel (bijvoorbeeld met behulp van biosensoren). De gegevens van klinische scores hebben de neiging om een eenformaat-fits all statisch model te veronderstellen dat een enkele (theoretische) kansverdelings functie (PDF) afdwingt. Dit a priori aanname wordt opgelegd aan de gegevens zonder behoorlijke empirische validatie, omdat normatieve gegevens niet zijn verworven en gekarakteriseerd in de eerste plaats. Als zodanig, er is geen goede gelijkenis-metrische gebaseerde criteria beschrijven de neurotypische maturatie toestanden van het menselijk zenuwstelsel, als de gezonde persoon leeftijden en de waarschijnlijkheids ruimten gebruikt voor het werpen van deze parameter variaties verschuiving in een bepaald tempo. Zonder normatieve gegevens en juiste gelijkenis statistieken, is het niet mogelijk om te meten van vertrek van typische Staten als ze dynamisch veranderen in het leven van de persoon. Het is ook niet mogelijk om de sensorische gevolgen van de aankomende veranderingen te voorspellen.
Figuur 1: precisie geneesmiddel platform: vullen van de kloof tussen gedragingen en genomics om gerichte behandeling ontwikkeling in gepersonaliseerde geneeskunde vertaald naar neurologische en neuropsychiatrische aandoeningen van het zenuwstelsel mogelijk te maken. Het platform voor precisie geneeskunde voor de ontwikkeling van gepersonaliseerde gerichte behandelingen kan worden vertaald om neurologische en neuropsychiatrische aandoeningen van het zenuwstelsel te diagnosticeren en te behandelen. In het kennisnetwerk heeft de laag van gedragsanalyses echter een paradigmaverschuiving nodig om nieuwe opkomende digitale uitkomsten te integreren uit biofysische gegevens met meer traditionele klinische criteria. Een uitdaging voor de toekomst is het bieden van statistisch verantwoorde methoden en nieuwe intuïtieve visualisatietools voor dergelijke integratie, terwijl het gebruik van digitale uitkomst maatregelen door clinici, patiënten en verzorgers wordt aangemoedigd. Dit cijfer is gewijzigd van Hawgood et al.1 met toestemming van de American Association for the vooruitgang van de wetenschap. Klik hier om een grotere versie van dit cijfer te bekijken.
De huidige “Grand middelaging“-aanpak verzacht als ruis de stochastische fluctuaties van het individu in de gegevens, d.w.z. de signaal variabiliteit die zich manifesteert naarmate de persoon van nature veroudert, naarmate de aandoening vordert, en als het zenuwstelsel van de persoon behandelingen te ontvangen en te beantwoorden. Het ontbreken van normatieve gegevens (d.w.z. het beoordelen van grote cross-sectionele en longitudinale gedeelten van de gezonde populatie) voorkomt dat we de neurotypische dynamiek van gezonde veroudering begrijpen. Als zodanig wordt het een uitdaging om te weten hoe je meer in het algemeen op de gevolgen van een bepaalde pathologie moet anticiperen, omdat die pathologie systematisch in het individu begint te manifesteren. Voorspellende benaderingen zijn essentieel voor het ontwerpen van regeneratieve therapieën en/of neuroprotectieve therapieën die het degeneratieve proces vertragen. De ziekte van Parkinson is een goed voorbeeld van pathologieën waarbij de manifestaties van de aandoening worden voorafgegaan door vele andere meetbare symptomen. We weten vandaag dat de zichtbare motorische stoornissen werden voorafgegaan door minder zichtbare zintuiglijke problemen zoals verminderde olfactorische functie5,6, veranderingen in spraakpatronen, Rapid Eye Movement (rem) slaap7, en andere niet-motor symptomen die verband houden met de werking van het enterisch zenuwstelsel8. Tegen de tijd dat de aandoening manifesteert, er is al hoge Dopaminerge uitputting in het systeem; Toch hadden niet-motorische symptomen een aantal zichtbare motorische beperkingen kunnen voorspuiten, waardoor de aandoening momenteel primair wordt beoordeeld.
Er is een noodzaak om de huidige analytische modellen te veranderen en te overwegen het belang van het goed karakteriseren van empirische gegevens op alle niveaus van het zenuwstelsel, waarbij van bewegingen manifesteren en kan dynamisch worden benut in de vorm van tijdreeksen mede-geregistreerd met een veelheid aan sensoren. Bewegingsgegevens in algemenere zin mogen niet beperkt blijven tot bewegingen en de door hen uitgezonden aandoeningen. Digitale gegevens van alle bioritme van het zenuwstelsel (inclusief niet-bewegings golfvormen) bieden het Voorspellings potentieel dat we mogelijk nodig hebben om snelle neurodegeneratie te helpen voorkomen of vertragen. Toch moeten we, naarmate we ons repertoire van gegevenstypen vergroten, de inherente aanname van parametrische lineaire modellen vermijden voor statistische deductie en interpretatie die momenteel wordt gebruikt om dergelijke gegevens te analyseren. Het is van cruciaal belang om de toereikendheid van dergelijke lineaire modellen te evalueren voor de soorten zeer niet-lineaire problemen die we bestuderen in pathologieën van het zenuwstelsel die onderhevig zijn aan stochastische verschuivingen en dynamicale veranderingen. Voorbehoud in de huidige veronderstelling-analyse pijplijn lussen zijn aanwezig in beide gegevenstypen worden benut: die van de discrete klinische scores en die van de continue digitale biofysische golfvormen. Hoewel ze niet verbonden blijven, is het belangrijk om nieuwe kaders te ontwerpen die de juiste integratie van beide soorten gegevens mogelijk maken, op manieren die digitale uitkomsten afstemmen op klinische criteria om het gebruik van opkomende digitale technologieën door patiënten te vergemakkelijken, zorgverleners en clinici.
Om een aantal van deze uitdagingen te overwinnen, hebben we onlangs het PM-platform in Figuur 1 aangepast om nauwkeurige fenotypes te bieden voor neurologische en neuropsychiatrische aandoeningen3. Daartoe hebben we een nieuwe manier ontworpen om gedragsgegevens te verzamelen, analyseren en interpreteren in combinatie met traditionele klinische scoring tests die complexe relaties tussen cognitieve en motorische verschijnselen vaststellen. Preciezer gezegd hebben we de potlood-en papier methodes gedigitaliseerd. De gegevens van dergelijke methoden alleen zijn veel te grof om belangrijke informatie te vangen die ontsnapt aan het blote oog. Maar het gebruik ervan in combinatie met digitale gegevens van biofysische sensoren biedt een nieuwe weg om nieuwe opkomende digitale technologieën aan te sluiten met klinische criteria die artsen kunnen aanmoedigen om ze in de nabije toekomst aan te nemen.
Hier introduceren we het gebruik van digitale gegevens in het kader van klinische evaluaties. Namelijk, als de persoon de klinische taak uitvoert, bijvoorbeeld het tekenen van een klok in de Montreal cognitieve Assessment (MoCA) test, de bioritme-uitgang door het zenuwstelsel zijn mede geregistreerd in verschillende functionele lagen. Deze omvatten elektro-encefalografie (EEG), elektrocardiografie (ECG of EKG), stem patronen en kinematica uit het lichaam, en de kinematische uitgang van de handheld pen die de persoon gebruikt om de klok op een gedigitaliseerde Tablet te tekenen. We verzamelen ook videogegevens van het gezicht als de persoon tekent, om sentiment analyses uit te voeren die voorspellend zijn voor emotionele toestanden. Deze gegevens worden vervolgens geanalyseerd via de optiek van een nieuw statistisch platform voor geïndividualiseerde gedragsanalyse (SPIBA) en geïnterpreteerd volgens de klinische criteria die aan deze tests zijn verbonden. Specifieker, de discrete scores worden gebruikt om mediaan-rang de cohort van patiënten en op deze manier, van de groep op basis van die klinische criteria. We kunnen dan de continue biofysische gegevens van de aldus geïdentificeerde groepen onderzoeken, op zoek naar digitaal-gedreven stochastische criteria die één subset van patiënten van een ander fundamenteel scheiden, over meer dan één parametrische dimensie. Door de voortdurende biofysische gegevens op zichzelf te onderzoeken, afhankelijk van de inherente schommelingen van elke persoon in de cohort en verblind van de klinische criteria, kunnen we bovendien zoeken naar zelf opkomende clusters binnen de cohort en de de mate waarin dergelijke clusters in kaart worden gebracht met de subtypen die door de klinische criteria op de hoogte zijn gesteld.
Deze aanpak biedt een nieuwe manier om parameters binnen de rijkdom van biofysische digitale gegevens te identificeren, die het meest effectief de verschillen tussen subtypen vastleggen en deze verschillen als potentieel goede kandidaten voor het stratificeren van patiënten met de ziekte van Parkinson ziekte (PWP) in de blinde, d.w.z. over een willekeurige trekking van de algemene populatie. De relevantie van deze methode is tweeledig. We kunnen de behandelingen echt personaliseren, terwijl we op de juiste manier uiteenlopende gegevenstypen van biosensoren en klinische criteria integreren; d.w.z. continue digitale biofysische gegevens in de vorm van tijdreeksen, en discrete klinische scores van traditionele tests.
Hoewel dit een algemene benadering is, die van toepassing is op alle aandoeningen van het zenuwstelsel, vormen we het werk in het kader van PWP en bieden we nieuwe manieren om statistische deducties te maken over de continue digitale gegevens die samen worden geregistreerd tijdens de uitvoering van dergelijke klinische tests gezien het discrete klinische scoresysteem. Als zodanig maakt het werk een klinische interpretatie mogelijk van de digitale resultaten die kunnen worden gebruikt in klinische instellingen. Ten slotte geven we aanbevelingen om te beginnen met het ontwerpen van nieuwe manieren om dergelijke individuele uitkomsten te visualiseren in nieuwe apps voor gebruiksgemak in de huis-en klinische instellingen door de patiënten, de verzorgers en het klinisch personeel.
Protocol
Representative Results
Discussion
Dit werk introduceert een nieuw protocol waarmee de integratie van traditionele klinische tests met digitale gegevens uit biofysische signalen uitvoer door het zenuwstelsel als de persoon die dergelijke tests uitvoert. We introduceren het gebruik van SPIBA en de MMS als een Unifying-platform om verschillende soorten gegevens te combineren, zoals discrete scores van potlood-en-papier observationele methoden en continue digitale gegevens van biofysische sensoren. De methoden worden geïllustreerd aan de hand van een cohort van PWP-en leeftijds-en seksueel afgestemde controles, met een extra jonge controle als de ideale gezonde referentie voor vergelijking. We laten zien dat traditionele klinische tests (bijv. degenen die deel kunnen uitmaken van de MoCA en de MDS-UPDRS) gebruikt kunnen worden om de cohort mediaan te rangschikken en automatisch te extraheren, van de inherente variabiliteit van de scores van de groep, informatie die gegevens in de digitale volgens klinisch bepaalde niveaus van ernst. Dergelijke niveaus uitlijnen goed met niveaus van klinische MDS-UPDRS en de cognitieve/geheugentest prestaties. Bij een andere laag van implementatie onderzoeken we vervolgens het bioritme van het zenuwstelsel dat wordt aangewend vanuit het CZS, de PNS en de ANS-lagen, waardoor verschillende niveaus van autonomie en controle worden karakteriseren. We bieden voorbeeldgegevens en stochastische handtekeningen die zijn afgeleid van dergelijke gegevens, die worden onderzocht door de optiek van de klinische criteria. Onder dergelijke aanpak kunnen we de patiënten onderscheiden van de gezonde controles; en via digitale bioritme, differentiëren binnen de PWP, op hun klinisch gedefinieerde niveaus van ernst.
Door de biofysische digitale gegevens op deze manier op de klinische criteria af te stellen, bieden we een interpreteerbare reeks criteria die de geïndividualiseerde verschuivingen in uitkomsten dynamisch kunnen volgen. We munten deze nieuwe uitkomst meet dynamische digitale biomarkers, omdat ze zijn gebaseerd op digitale gegevens, maar ze bieden interpretabel resultaten volgens goed vastgelegde en gevalideerde klinische criteria. Ze zijn afgeleid van de tijdreeks van zenuwstelsel processen, en ze vangen de dynamische aard van dergelijke. In het bijzonder zijn we in staat om zowel motor-als niet-motorische criteria te gebruiken. Als zodanig kunnen we beginnen met het kwantificeren van niet-motorische aspecten van PD waarvan nu bekend is dat ze voorafgaan aan de verslechtering van motorische symptomen die conventioneel de aandoening tot dusver hebben gedefinieerd. Gezichts analyses zoals die hier worden gepresenteerd, kunnen bijvoorbeeld worden gebruikt om spontane gezichts-micro gebaren tijdens de REM-slaap te onderzoeken om een repertoire te bouwen van diegenen die de verslechtering van de motorische activiteiten zouden kunnen voorspellen. Evenzo kunnen we deze methoden gebruiken om de niveaus van pijn tijdens de dagelijkse activiteiten te onderzoeken en hun potentiële correlaten met activiteiten tijdens de REM-slaaptijd te beoordelen. Dit is belangrijk, omdat zowel REM-slaap en pijn disregulatie bekend zijn bij de motorische problemen die later bepalend zijn voor het niveau van de ernst van PD5,6,7. Met behulp van onze digitalisering van de verschillende traditionele klinische taken, andere niet-motorische activiteiten ingebed in de klinische taken gebruikt voor de sonde cognitieve en geheugencapaciteiten werden hier gekenmerkt, en indexen van dergelijke activiteiten toegewezen aan motorische symptomen. Deze methoden zijn vatbaar voor het verbinden van fundamenteel onderzoek en klinische praktijken bij de ziekte van Parkinson. Ze kunnen ook worden uitgebreid naar andere aandoeningen van het zenuwstelsel.
Naast de motor output van het gezicht, tijdens de REM-slaap, kunnen we gezichts gebaren onderzoeken tijdens natuurlijke sociale situaties binnen het frame van zelf sensing of kinesthetische reafferentie om de niveaus van reafferente feedback te meten die de hersenen van de patiënt het meest waarschijnlijk krijgt. Hier, ondanks de zeer subtiele verschillen in micro gebaren over de gelaats gebieden die corresponderen met de trigeminus afferente regio’s v1, v2, v3, was het mogelijk om te lokaliseren in de representatieve deelnemer, welke regio van het gezicht maximaal verschoven de stochastische handtekeningen bij het overstappen tussen neutrale en natuurlijk lachende toestanden. Dit suggereert dat we met behulp van de SPIBA en de MMS in staat zullen zijn om andere niet-motorische (sensorische) aspecten van PD te evalueren die verband houden met problemen met sensorische input van kinesthetische-Touch-kanalen. Deze bleken problematisch te zijn in PD, zelfs in de vroege stadia van de aandoening24. Omdat sensorische en motor gaan hand in hand, deze informatie kan ons helpen voorspelling meer voor de hand liggende motorische problemen die later in deprogressie van deze aandoening1,7. We posit dat deze kinesthetische kanalen langs trigeminus gebieden van het gezicht kunnen ook helpen ons dissociëren verschillende soorten pijn disregulatie, met inbegrip van die verband houden met slaap veranderingen5,6.
De huidige methoden bieden een nieuwe manier om de biofysische signalen van het centrale, perifere en autonome zenuwstelsel in tandem te onderzoeken, onder verschillende omstandigheden die verschillende cognitieve vaardigheden en verschillende niveaus van autonomie vereisen en neuromotorische controle. Met behulp van het SPIBA-Framework, waar stochastische analyses en pair-Wise netwerkanalyses worden toegepast op de gestandaardiseerde MMS-gegevens, is het ook mogelijk om de cognitieve activiteiten objectief te karakteriseren. De vijftien taken die in dit experiment werden gebruikt, vereisen verschillende soorten cognitieve vaardigheden (bijv. visuo-constructionele vaardigheden, visueel geheugen, perceptuele Scanning vaardigheden) en verschillende niveaus van cognitieve controle (bijv. bewust het tempo van de snelheid, tempo de ademhalingssnelheid zoals geïnstrueerd). Om die reden, de stochasticiteit en connectiviteit patronen van CNS-PNS-ans informatieoverdracht van biofysische signalen tentoongesteld tijdens deze taken, kan worden gebruikt om te karakteriseren verschillende niveaus van cognitieve belastingen en hun invloed op de motor output.
Hoewel we de voordelen van onze nieuwe analytische methoden en protocollen onderstrepen, wijzen we ook op kanttekeningen en praktische beperkingen die moeten worden overwogen bij het vaststellen van ons opname platform voor het verzamelen van synchrone gegevens. Dit komt omdat er in deze set-up meerdere opname software typen zijn die op één computer worden gestreamt voor synchronisatiedoeleinden, waarbij de rekenkracht van de computer hoog moet zijn, anders kan men gegevensverlies, computer bevriezing en/of overmatige Lawaai. In het huidige ontwerp, twee streaming-software (EEG en motion capture) en LSL werden uitgevoerd op een enkele computer. Als zodanig moesten we ons bewust zijn van het verwerken van overbelasting en mogelijk bevriezen van de computer. Dit was een van de redenen waarom we een van de EEG-kanalen gebruikten om de ECG-signalen te extraheren. Computers met een hogere geheugencapaciteit en snellere processors kunnen mogelijk een afzonderlijke ECG-software gelijktijdig streamen met het EEG-en sensor raster van kinematica. Deze zaken zijn praktisch van aard en onafhankelijk van de analytische methodes (SPIBA) en standaard data types (MMS) die wij aanbieden. Toch vinden wij het belangrijk om de eindgebruiker te waarschuwen voor de noodzaak om de rekenkracht te beoordelen voordat het protocol voor de registratie van gegevens uit meerdere streams wordt ontwerpen.
Een ander voorbehoud we wijzen erop is dat, de 15 taken geïllustreerd in het protocol zijn een subset van wat kan worden gebruikt voor het ontwikkelen van dynamische digitale biomarkers. Voor de toepassing van dit document hebben we beperkt tot een aantal taken vanwege ruimte beperking, en kozen degenen die verschillende niveaus van controle en lichamelijke beweging betrokken, en inderdaad kunnen we andere taken toevoegen die niet in dit document zijn opgenomen. Ons doel is om een kleinere subset van taken af te leiden die minder tijd en moeite vergen. Vanuit ons lab zijn aanwijs taken (taken 10 − 12) een reeks taken die we hebben gevonden om een effectieve en efficiënte manier te zijn om de stochastische handtekeningen van bioritme te karakteriseren, gevarieerd door verschillende niveaus van vrijwillige controle en neurologische aandoeningen, waaronder PD 24 , 30.
De representatieve resultaten die in deze studie worden getoond, zijn een kleine subset van wat kan worden gedaan met de MMS-gegevenssets die zijn afgeleid van biosensoren golfvormen en bewegings bijschrift van camera’s, met behulp van spiba-methoden. Voor illustratieve doeleinden onderzochten we het MMS in amplitude en concentreerden we ons op de schommelingen in de lineaire snelheids amplitude die is afgeleid van de COM van de persoon. De COM is een samenvattend signaal van alle 17 Body sensors grid die we samen hebben geregistreerd. We kunnen de analyses echter uitbreiden naar andere rotatie parameters en naar andere kinetische variabelen (bijv. krachten en druk) die tijdreeksen van fluctuerende parameters genereren (bijvoorbeeld, zoals we deden met de gezichtsgegevens). Ook, vanwege de ruimte beperking, we alleen geïllustreerd de analyse van EEG-gegevens op basis van de informatie over de amplitude van de hoofdhuid, maar we kunnen deze analyses ook toepassen op gegevens die zijn afgeleid van de bron ruimte31. Voor alle gegevens modi kunnen we ook de stochasticiteit van de tijden tussen pieken (in plaats van piek amplitude) onderzoeken, die ook tijdreeksen genereren. Andere tijdreeksen van parameters kunnen worden afgeleid van dergelijke golfvormen, en hun MMS kan worden gebruikt voor het vaststellen van de cohesie en connectiviteit van het netwerk dat werd gebouwd32,33,34. Bovendien kunnen deze analyses ook worden uitgebreid naar het frequentiedomein34. Naast de wederzijdse informatienetwerk analyse, hadden we ons kunnen concentreren op andere topologische kenmerken van het netwerk om PWP en Controls te differentiëren en PWP te stratificeren. Voor de toepassing van dit artikel richten we ons op het nut van deze analyses als een instrument, maar door dit type karakterisatie zullen we kennis opdoen om klinisch geïnformeerde interpretaties te geven van de digitale data die deze analytische tools bieden.
De huidige methoden die in deze studie worden beschreven, dienen om enkele van de vele mogelijke manieren te introduceren waarop SPIBA en de MMS kunnen worden toegepast op klinische en digitale gegevensintegratie. Wij bieden dit Unifying-platform, gestandaardiseerd gegevenstype en experimenteel protocol in de hoop om eindelijk digitale gegevens van klinische criteria te informeren, en ook meer precisie van de digitale gegevens toe te voegen aan de traditionele potlood-en-papier methoden. Een dergelijke verbetering zal 1) het nauwkeuriger volgen van symptoom verandering in reactie op de behandeling mogelijk maken, 2) het inzicht in de natuurlijke PD-progressie na verloop van tijd verbeteren, en 3) de stratificatie van de PD-symptoom presentatie vergemakkelijken (die unieke klinische aanbevelingen voor elke subgroep). Als zodanig, we hopen om deze methoden toe te passen op verder onderzoek in PD, maar ook nut in klinische toepassing te zien, alsmede. Met behulp van commerciële apparaten zoals mobiele telefoons, kunnen biofysische gegevens worden verkregen om de analyses uit te voeren die we in dit document hebben geïllustreerd. Momenteel zijn er inspanningen om dergelijke digitale gegevens op grotere schaal te verzamelen, zoals de mPower app Study van University of Rochester (https://parkinsonmpower.org) en Kaggle. Inderdaad, met behulp van deze open-access data repositories, we waren in staat om te stratificeren PD en normale veroudering individuen van versnellingsmeter gegevens verkregen van mobiele telefoons, en om automatisch te classificeren activiteiten die zijn ingebed in de klinische tests gepresenteerd hier 35.
Als volgende stap willen we meer gegevens verzamelen van een breder scala aan PWP-populatie en hun overeenkomende controle deelnemers en deze op verschillende tijdstippen opnemen om met behulp van onze methoden zowel een cross-sectionele als een longitudinale analyse te kunnen uitvoeren. We voorzien dat dergelijke verzamelde digitale gegevens veel meer zouden bieden dan de som van hun onderdelen, en echt de beginselen van precisie geneeskunde in neurologie en psychiatrie realiseren.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dit onderzoek wordt deels gefinancierd door het Rutgers Discovery Informatics Institute aan JR, de Rutgers University TechAdvance funds aan EBT en JV, de Council van de gouverneur van New Jersey voor onderzoek en behandelingen van autisme tot EBT en de Michael J Fox Foundation naar RD.
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).
