Summary

Ramener la clinique à la maison : un écosystème de collecte de données multimodales à domicile pour soutenir la stimulation cérébrale profonde adaptative

Published: July 14, 2023
doi:

Summary

Le protocole montre un prototype de la plate-forme de collecte de données multimodale à domicile qui soutient la recherche sur l’optimisation de la stimulation cérébrale profonde adaptative (aDBS) pour les personnes atteintes de troubles neurologiques du mouvement. Nous présentons également les principales conclusions du déploiement de la plateforme depuis plus d’un an au domicile d’une personne atteinte de la maladie de Parkinson.

Abstract

La stimulation cérébrale profonde adaptative (SCP) est prometteuse pour améliorer le traitement des troubles neurologiques tels que la maladie de Parkinson (MP). La SCP utilise des biomarqueurs liés aux symptômes pour ajuster les paramètres de stimulation en temps réel afin de cibler les symptômes avec plus de précision. Pour permettre ces ajustements dynamiques, les paramètres d’un algorithme aDBS doivent être déterminés pour chaque patient. Cela nécessite un réglage manuel fastidieux de la part des chercheurs cliniques, ce qui rend difficile la recherche d’une configuration optimale pour un seul patient ou l’adaptation à de nombreux patients. De plus, l’efficacité à long terme des algorithmes de SCP configurés en clinique pendant que le patient est à domicile reste une question ouverte. Pour mettre en œuvre cette thérapie à grande échelle, une méthodologie permettant de configurer automatiquement les paramètres de l’algorithme aDBS tout en surveillant à distance les résultats de la thérapie est nécessaire. Dans cet article, nous partageons la conception d’une plate-forme de collecte de données à domicile pour aider le terrain à résoudre ces deux problèmes. La plate-forme est composée d’un écosystème matériel et logiciel intégré qui est open-source et permet la collecte à domicile de données vidéo neuronales, inertielles et multi-caméras. Pour garantir la confidentialité des données d’identification des patients, la plateforme crypte et transfère les données via un réseau privé virtuel. Les méthodes comprennent l’alignement temporel des flux de données et l’extraction d’estimations de pose à partir d’enregistrements vidéo. Pour démontrer l’utilisation de ce système, nous avons déployé cette plateforme au domicile d’une personne atteinte de la maladie de Parkinson et recueilli des données au cours de tâches cliniques autoguidées et de périodes de comportement libre sur une période d’un an et demi. Les données ont été enregistrées à des amplitudes de stimulation sous-thérapeutique, thérapeutique et supra-thérapeutique afin d’évaluer la sévérité des symptômes moteurs dans différentes conditions thérapeutiques. Ces données alignées dans le temps montrent que la plateforme est capable de collecter des données multimodales synchronisées à domicile pour l’évaluation thérapeutique. Cette architecture de système peut être utilisée pour soutenir la recherche automatisée sur la SCP, pour recueillir de nouveaux ensembles de données et pour étudier les effets à long terme de la thérapie par SCP en dehors de la clinique pour les personnes souffrant de troubles neurologiques.

Introduction

La stimulation cérébrale profonde (SCP) traite les troubles neurologiques tels que la maladie de Parkinson (MP) en délivrant un courant électrique directement à des régions spécifiques du cerveau. On estime à 8,5 millions le nombre de cas de maladie de Parkinson dans le monde, et la SCP s’est avérée être un traitement essentiel lorsque les médicaments sont insuffisants pour gérer les symptômes 1,2. Cependant, l’efficacité de la SCP peut être limitée par des effets secondaires qui surviennent parfois lors d’une stimulation conventionnelle délivrée à une amplitude, une fréquence et une largeur d’impulsion fixes3. Cette mise en œuvre en boucle ouverte ne répond pas aux fluctuations de l’état des symptômes, ce qui entraîne des paramètres de stimulation qui ne sont pas adaptés de manière appropriée aux besoins changeants du patient. La SCP est en outre entravée par le processus fastidieux de réglage des paramètres de stimulation, qui est actuellement effectué manuellement par les cliniciens pour chaque patient.

La SCP adaptative (SCP) est une approche en boucle fermée qui s’est avérée être une prochaine itération efficace de la SCP en ajustant les paramètres de stimulation en temps réel chaque fois que des biomarqueurs liés aux symptômes sont détectés 3,4,5. Des études ont montré que les oscillations bêta (10-30 Hz) dans le noyau sous-thalamique (STN) se produisent systématiquement pendant la bradykinésie, un ralentissement des mouvements caractéristique de la 6,7. De même, on sait que des oscillations gamma élevées (50-120 Hz) dans le cortex se produisent pendant les périodes de dyskinésie, un mouvement excessif et involontaire également couramment observé dans la MP8. Des travaux récents ont permis d’administrer avec succès la SCP à l’extérieur de la clinique pendant des périodes prolongées5, mais l’efficacité à long terme des algorithmes de SCP qui ont été configurés en clinique pendant qu’un patient est à la maison n’a pas été établie.

Des systèmes à distance sont nécessaires pour saisir l’efficacité variable dans le temps de ces algorithmes dynamiques dans la suppression des symptômes rencontrés dans la vie quotidienne. Alors que l’approche de stimulation dynamique de la SCP permet potentiellement un traitement plus précis avec des effets secondaires réduits3,9, la SCP souffre toujours d’une charge élevée pour les cliniciens qui doivent identifier manuellement les paramètres de stimulation pour chaque patient. En plus de l’ensemble déjà important de paramètres à programmer lors d’une SCP conventionnelle, les algorithmes aDBS introduisent de nombreux nouveaux paramètres qui doivent également être soigneusement ajustés. Cette combinaison de paramètres de stimulation et d’algorithme produit un vaste espace de paramètres avec un nombre ingérable de combinaisons possibles, ce qui empêche la SCP de s’étendre à de nombreux patients10. Même dans les milieux de recherche, le temps supplémentaire nécessaire à la configuration et à l’évaluation des systèmes de SCP rend difficile l’optimisation adéquate des algorithmes uniquement en clinique, et la mise à jour à distance des paramètres est nécessaire. Pour faire de l’aDBS un traitement qui peut être mis à l’échelle, la stimulation et le réglage des paramètres de l’algorithme doivent être automatisés. De plus, les résultats du traitement doivent être analysés dans le cadre d’essais répétés afin d’établir la SCP comme un traitement viable à long terme en dehors de la clinique. Il est nécessaire de disposer d’une plate-forme capable de collecter des données pour l’évaluation à distance de l’efficacité du traitement et de déployer à distance des mises à jour des paramètres de l’algorithme aDBS.

L’objectif de ce protocole est de fournir une conception réutilisable pour une plateforme multimodale de collecte de données à domicile afin d’améliorer l’efficacité de la SCP en dehors de la clinique et de permettre à ce traitement d’être étendu à un plus grand nombre d’individus. À notre connaissance, il s’agit de la première conception de plate-forme de collecte de données qui évalue à distance les résultats thérapeutiques à l’aide de caméras vidéo à domicile, de capteurs portables, d’un enregistrement de signaux neuronaux chroniques et d’un retour d’information axé sur le patient pour évaluer les systèmes de SCP pendant les tâches contrôlées et le comportement naturel.

La plate-forme est un écosystème de composants matériels et logiciels construits sur des systèmes précédemment développés5. Il est entièrement possible de le maintenir grâce à un accès à distance après une installation initiale d’un minimum de matériel pour permettre la collecte de données multimodales auprès d’une personne dans le confort de son foyer. Un élément clé est le système de neurostimulation implantable (INS)11 qui détecte l’activité neuronale et fournit une stimulation au STN, et enregistre l’accélération des implants thoraciques. Pour l’implant utilisé dans le déploiement initial, l’activité neuronale est enregistrée à partir de dérivations bilatérales implantées dans le STN et d’électrodes d’électrocorticographie implantées sur le cortex moteur. Un système d’enregistrement vidéo aide les cliniciens à surveiller la gravité des symptômes et l’efficacité du traitement, qui comprend une interface utilisateur graphique (GUI) pour permettre une annulation facile des enregistrements en cours afin de protéger la vie privée des patients. Les vidéos sont traitées pour extraire des trajectoires cinématiques de position en deux dimensions (2D) ou en trois dimensions (3D), et des montres intelligentes sont portées aux deux poignets pour capturer des informations sur la vitesse angulaire et l’accélération. Il est important de noter que toutes les données sont cryptées avant d’être transférées vers un stockage en nuage à long terme, et que l’ordinateur contenant les vidéos identifiables par le patient n’est accessible que via un réseau privé virtuel (VPN). Le système comprend deux approches pour l’alignement temporel post-hoc de tous les flux de données, et les données sont utilisées pour surveiller à distance la qualité des mouvements du patient et pour identifier les biomarqueurs liés aux symptômes afin d’affiner les algorithmes de SCP. La partie vidéo de ce travail montre le processus de collecte de données et les animations de trajectoires cinématiques extraites des vidéos collectées.

Un certain nombre de considérations de conception ont guidé l’élaboration du protocole :
Garantir la sécurité des données et la confidentialité des patients : La collecte de données identifiables sur les patients nécessite le plus grand soin lors de la transmission et du stockage afin de respecter la loi sur la portabilité et la responsabilité de l’assurance maladie (HIPAA)12,13 et de respecter l’intimité du patient à son domicile. Dans ce projet, cela a été réalisé en mettant en place un VPN personnalisé pour assurer la confidentialité de tout le trafic sensible entre les ordinateurs système.
Limites de sécurité des paramètres de stimulation : Il est essentiel de s’assurer que le patient reste en sécurité lorsqu’il essaie des algorithmes de SCP qui peuvent avoir des effets inattendus. L’INS du patient doit être configuré par un clinicien pour avoir des limites sûres pour les paramètres de stimulation qui ne permettent pas les effets dangereux d’une surstimulation ou d’une sous-stimulation. Avec le système INS11 Utilisée dans cette étude, cette fonctionnalité est activée par un programmeur clinicien.
S’assurer que le patient oppose son veto : Même dans les limites des paramètres de sécurité, la variabilité quotidienne des symptômes et des réponses à la stimulation peut entraîner des situations désagréables pour le patient lorsqu’il n’aime pas un algorithme testé et souhaite revenir à une SCP clinique normale en boucle ouverte. Le système INS sélectionné comprend un module de télémétrie patient (PTM) qui permet au patient de modifier manuellement son groupe de stimulation et son amplitude de stimulation en mA. Il existe également une application de recherche connectée à l’INS qui est utilisée pour la configuration à distance de l’INS avant la collecte des données14, ce qui permet également au patient d’interrompre les essais de SCP et de contrôler son traitement.
Capturer des comportements complexes et naturels : Des données vidéo ont été intégrées à la plate-forme pour permettre aux cliniciens de surveiller à distance l’efficacité du traitement et d’extraire des trajectoires cinématiques à partir d’estimations de pose pour une utilisation dans les analyses de recherche15. Bien que les capteurs portables soient moins intrusifs, il est difficile de capturer l’ensemble de l’amplitude dynamique des mouvements d’un corps entier en utilisant uniquement des systèmes portables. Les vidéos permettent l’enregistrement simultané de l’amplitude complète des mouvements du patient et de ses symptômes au fil du temps.
Facilité d’utilisation du système pour les patients: La collecte de données multimodales à domicile nécessite l’installation et l’utilisation de plusieurs appareils au domicile d’un patient, ce qui peut devenir un fardeau pour les patients. Pour rendre le système facile à utiliser tout en assurant le contrôle du patient, seuls les appareils implantés ou physiquement attachés au patient (dans ce cas, il s’agit du système INS et des montres intelligentes) doivent être allumés manuellement avant de lancer un enregistrement. Pour les appareils séparés du patient (dans ce cas, il s’agit de données enregistrées par des caméras vidéo), les enregistrements démarrent et se terminent automatiquement sans nécessiter d’interaction avec le patient. Lors de la conception de l’interface graphique, des précautions ont été prises pour minimiser le nombre de boutons et éviter les arborescences de menus profondes afin que les interactions soient simples. Une fois tous les appareils installés, un coordonnateur de recherche a montré au patient comment interagir avec tous les appareils par le biais d’interfaces graphiques destinées aux patients qui font partie de chaque appareil, par exemple comment mettre fin aux enregistrements sur n’importe quel appareil et comment entrer l’historique de ses médicaments et ses rapports de symptômes.
Transparence de la collecte des données: Il est impératif d’indiquer clairement quand les caméras sont allumées afin que les gens sachent quand ils sont enregistrés et puissent suspendre l’enregistrement s’ils ont besoin d’un moment d’intimité. Pour ce faire, une application de système de caméra est utilisée pour contrôler les enregistrements vidéo avec une interface graphique orientée vers le patient. L’interface graphique s’ouvre automatiquement au démarrage de l’application et indique l’heure et la date du prochain enregistrement programmé. Lorsqu’un enregistrement est en cours, un message indique quand la fin de l’enregistrement est programmée. Au centre de l’interface graphique, une grande image d’une lumière rouge s’affiche. L’image montre que la lumière est fortement éclairée chaque fois qu’un enregistrement est en cours et qu’elle passe à une image non éclairée lorsque les enregistrements sont désactivés.

Le protocole détaille les méthodes de conception, de construction et de déploiement d’une plate-forme de collecte de données à domicile, de vérification de la qualité des données collectées pour en vérifier l’exhaustivité et la robustesse, et de post-traitement des données pour une utilisation dans de futures recherches.

Figure 1
Figure 1 : Flux de données. Les données de chaque modalité sont collectées indépendamment du lieu de résidence du patient avant d’être traitées et agrégées en un seul point de terminaison de stockage à distance. Les données de chaque modalité sont envoyées automatiquement à un point de terminaison de stockage distant. Avec l’aide de l’un des membres de l’équipe, il peut ensuite être récupéré, vérifié pour sa validité, aligné dans le temps sur toutes les modalités, ainsi que soumis à un prétraitement plus spécifique à la modalité. Le jeu de données compilé est ensuite téléchargé sur un point de terminaison de stockage distant auquel tous les membres de l’équipe peuvent accéder en toute sécurité pour une analyse continue. Toutes les machines ayant accès aux données, en particulier pour les données sensibles telles que les vidéos brutes, sont enfermées dans un VPN qui garantit que toutes les données sont transférées en toute sécurité et que les données stockées sont toujours cryptées. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Protocol

Les patients sont recrutés dans le cadre d’une étude plus vaste approuvée par l’IRB et l’IDE sur l’aDBS à l’Université de Californie à San Francisco, protocole # G1800975. Le patient inscrit à cette étude a également donné son consentement éclairé spécifiquement pour cette étude. 1. Composants du système domestique Serveur central et VPNFaites l’acquisition d’un ordinateur personnel (PC) exécutant un syst?…

Representative Results

Conception et déploiement d’une plate-forme prototypeNous avons conçu une plateforme prototype et l’avons déployée au domicile d’un seul patient (Figure 1). Après la première installation du matériel dans la maison, la plate-forme peut être maintenue et les données collectées entièrement via un accès à distance. Les appareils, les montres intelligentes et les caméras de l’INS disposent d’applications destinées aux patients qui leur permettent de …

Discussion

Nous partageons la conception d’un prototype à domicile d’une plateforme de collecte de données multimodale pour soutenir les recherches futures en neuromodulation. La conception est open-source et modulaire, de sorte que n’importe quelle pièce de matériel peut être remplacée et que n’importe quel composant logiciel peut être mis à jour ou modifié sans que l’ensemble de la plate-forme ne s’effondre. Bien que les méthodes de collecte et d’anonymisation des données neuronales soient spécifiques à…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Ce matériel est basé sur des travaux soutenus par le programme de bourses de recherche d’études supérieures de la National Science Foundation (DGE-2140004), le Weill Neurohub et le National Institute of Health (UH3NS100544). Toutes les opinions, constatations et conclusions ou recommandations exprimées dans ce document sont celles de l’auteur ou des auteurs et ne reflètent pas nécessairement les points de vue de la National Science Foundation, du Weill Neurohub ou du National Institute of Health. Nous remercions Tianjiao Zhang pour ses conseils d’expert sur la conception de plateformes et l’intégration de données vidéo. Nous remercions tout particulièrement le patient pour sa participation à cette étude et pour ses commentaires et conseils sur la sécurité du réseau et la conception de la plate-forme.

Materials

Analysis RCS Data Processing OpenMind https://github.com/openmind-consortium/Analysis-rcs-data, open-source
Apple Watches Apple, Inc Use 2 watches for each patient, one on each wrist
BRIO ULTRA HD PRO BUSINESS WEBCAM Logitech 960-001105 Used 3 in our platform design 
DaVinci Resolve video editing software  DaVinci Resolve used to support camera calibration
Dell XPS PC  Dell 2T hard disk drive, 500GB SSD
Dropbox Dropbox
ffmpeg  N/A open-source, install to run the Video Recording App
Gooseneck mounts for webcams N/A
GPU Nvidia A minimum of 8GB GPU memory is recommended to run OpenPose, 12GB is ideal
Java 11 Oracle Install to run the Video Recording App
Microsoft Surface tablet  Microsoft
NoMachine  NoMachine Ideal when using a Linux OS, open-source
OpenPose  N/A open-source
Rclone file transfer program Rclone Encrypts data and copies or moves data to offsite storage, open-source
StrivePD app RuneLabs We installed the app on the Apple Watches to start recordings and upload data to an online portal.
Summit RC+S neuromodulation system Medtronic For investigational use only
touchscreen-compatible monitor N/A
Video for Linux 2 API The Linux Kernel Install if using a Linux OS for video recording 
Wasabi  Wasabi Longterm cloud data storage
WireGuard VPN Protocol WireGuard open-source

References

  1. World Health Organization. . Parkinson disease. , (2022).
  2. Herrington, T. M., Cheng, J. J., Eskandar, E. N. Mechanisms of deep brain stimulation. Journal of Neurophysiology. 115 (1), 19-38 (2016).
  3. Little, S., et al. Adaptive deep brain stimulation for Parkinson’s disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting. Journal of Neurology, Neurosurgery & Psychiatry. 87 (12), 1388-1389 (2016).
  4. Mohammed, A., Bayford, R., Demosthenous, A. Toward adaptive deep brain stimulation in Parkinson’s disease: a review. Neurodegenerative Disease Management. 8 (2), 115-136 (2018).
  5. Gilron, R., et al. Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson’s disease. Nature Biotechnology. 39 (9), 1078-1085 (2021).
  6. Ray, N. J., et al. Local field potential beta activity in the subthalamic nucleus of patients with Parkinson’s disease is associated with improvements in bradykinesia after dopamine and deep brain stimulation. Experimental Neurology. 213 (1), 108-113 (2008).
  7. Neumann, W. J., et al. Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson’s disease. Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).
  8. Swann, N. C., et al. Adaptive deep brain stimulation for Parkinson’s disease using motor cortex sensing. J. Neural Eng. 11, (2018).
  9. Little, S., et al. Adaptive deep brain stimulation in advanced Parkinson disease. Annals of Neurology. 74 (3), 449-457 (2013).
  10. Connolly, M. J., et al. Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson’s disease. Journal of Neural Engineering. 18 (4), 046046 (2021).
  11. Stanslaski, S., et al. Creating neural "co-processors" to explore treatments for neurological disorders. 2018 IEEE International Solid – State Circuits Conference – (ISSCC). , 460-462 (2018).
  12. . Rights (OCR), O. for C. The HIPAA Privacy Rule. HHS.gov. , (2008).
  13. . Rights (OCR), O. for C. The Security Rule. HHS.gov. , (2009).
  14. Perrone, R., Gilron, R. . SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , (2021).
  15. Strandquist, G., et al. . In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).
  16. Donenfeld, J. A. WireGuard: Next Generation Kernel Network Tunnel. Proceedings 2017 Network and Distributed System Security Symposium. , (2017).
  17. etzion. . Ubuntu 20.04 and TPM2 encrypted system disk – Running Systems. , (2021).
  18. Craig-Wood, N. . Rclone. , (2023).
  19. Chen, W., et al. The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies. Frontiers in Human Neuroscience. 15, 717401 (2021).
  20. Hidalgo, G. i. n. &. #. 2. 3. 3. ;. s., et al. . CMU-Perceptual-Computing-Lab/openpose. , (2023).
  21. Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).
  22. Cao, Z. . openpose/calibration_module.md at master · CMU-Perceptual-Computing-Lab/openpose. , (2023).
  23. Sellers, K. K., et al. Analysis-rcs-data: Open-Source Toolbox for the Ingestion, Time-Alignment, and Visualization of Sense and Stimulation Data From the Medtronic Summit RC+S System. Frontiers in Human Neuroscience. 15, 398 (2021).
  24. Ranti, C. . Rune Labs Stream API. , (2023).
  25. . ffmpeg development community. FFmpeg Formats Documentation. , (2023).
  26. Goetz, C. G., et al. Movement Disorder Society-sponsored revision of the Unified Parkinson’s Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results: MDS-UPDRS: Clinimetric Assessment. Movement Disorders. 23 (15), 2129-2170 (2008).

Play Video

Cite This Article
Strandquist, G., Frączek, T., Dixon, T., Ravi, S., Bechtold, R., Lawrence, D., Zeng, A., Gallant, J., Little, S., Herron, J. Bringing the Clinic Home: An At-Home Multi-Modal Data Collection Ecosystem to Support Adaptive Deep Brain Stimulation. J. Vis. Exp. (197), e65305, doi:10.3791/65305 (2023).

View Video