Summary

Trazendo a clínica para casa: um ecossistema de coleta de dados multimodal em casa para apoiar a estimulação cerebral profunda adaptativa

Published: July 14, 2023
doi:

Summary

O protocolo mostra um protótipo da plataforma de coleta de dados multimodal em casa que apoia pesquisas otimizando a estimulação cerebral profunda adaptativa (aDBS) para pessoas com distúrbios neurológicos do movimento. Também apresentamos as principais descobertas da implantação da plataforma por mais de um ano na casa de um indivíduo com doença de Parkinson.

Abstract

A estimulação cerebral profunda adaptativa (aDBS) mostra-se promissora para melhorar o tratamento de distúrbios neurológicos, como a doença de Parkinson (DP). O aDBS usa biomarcadores relacionados a sintomas para ajustar os parâmetros de estimulação em tempo real para atingir os sintomas com mais precisão. Para permitir esses ajustes dinâmicos, os parâmetros para um algoritmo de aDBS devem ser determinados para cada paciente individual. Isso requer um ajuste manual demorado por parte dos pesquisadores clínicos, tornando difícil encontrar uma configuração ideal para um único paciente ou dimensionar para muitos pacientes. Além disso, a eficácia a longo prazo dos algoritmos aDBS configurados na clínica enquanto o paciente está em casa permanece uma questão em aberto. Para implementar essa terapia em larga escala, é necessária uma metodologia para configurar automaticamente os parâmetros do algoritmo aDBS enquanto monitora remotamente os resultados da terapia. Neste artigo, compartilhamos um projeto para uma plataforma de coleta de dados em casa para ajudar o campo a abordar ambas as questões. A plataforma é composta por um ecossistema integrado de hardware e software que é de código aberto e permite a coleta domiciliar de dados de vídeo neural, inercial e multicâmera. Para garantir a privacidade dos dados identificáveis pelo paciente, a plataforma criptografa e transfere dados por meio de uma rede privada virtual. Os métodos incluem o alinhamento de tempo de fluxos de dados e a extração de estimativas de pose de gravações de vídeo. Para demonstrar o uso desse sistema, implantamos essa plataforma na casa de um indivíduo com DP e coletamos dados durante tarefas clínicas autoguiadas e períodos de comportamento livre ao longo de 1,5 anos. Os dados foram registrados em amplitudes de estimulação subterapêutica, terapêutica e supraterapêutica para avaliar a gravidade dos sintomas motores em diferentes condições terapêuticas. Esses dados alinhados ao tempo mostram que a plataforma é capaz de coletar dados multimodais sincronizados em casa para avaliação terapêutica. Essa arquitetura de sistema pode ser usada para apoiar a pesquisa automatizada de aDBS, para coletar novos conjuntos de dados e para estudar os efeitos de longo prazo da terapia com DBS fora da clínica para aqueles que sofrem de distúrbios neurológicos.

Introduction

A estimulação cerebral profunda (DBS) trata distúrbios neurológicos, como a doença de Parkinson (DP), fornecendo corrente elétrica diretamente para regiões específicas do cérebro. Estima-se que existam 8,5 milhões de casos de DP em todo o mundo, e a EEP tem se mostrado uma terapia crítica quando a medicação é insuficiente para o manejo dos sintomas 1,2. No entanto, a efetividade da EEP pode ser limitada por efeitos colaterais que às vezes ocorrem a partir da estimulação convencionalmente administrada em amplitude, frequência e largura de pulso fixas3. Essa implementação em malha aberta não responde às flutuações no estado de sintomas, resultando em configurações de estimulação que não são apropriadamente adaptadas às necessidades em mudança do paciente. A EEP é ainda mais prejudicada pelo demorado processo de ajuste dos parâmetros de estimulação, que atualmente é realizado manualmente pelos médicos para cada paciente individual.

A EEP adaptativa (EEPa) é uma abordagem de circuito fechado que se mostrou uma próxima iteração eficaz da EEP, ajustando parâmetros de estimulação em tempo real sempre que biomarcadores relacionados a sintomas são detectados 3,4,5. Estudos têm demonstrado que as oscilações beta (10-30 Hz) no núcleo subtalâmico (NST) ocorrem consistentemente durante a bradicinesia, uma lentificação do movimento característica da DP 6,7. Da mesma forma, sabe-se que altas oscilações gama (50-120 Hz) no córtex ocorrem durante períodos de discinesia, um movimento excessivo e involuntário também comumente observado naDP8. Trabalhos recentes administraram com sucesso aDBS fora da clínica por períodos prolongados5, no entanto, a eficácia a longo prazo dos algoritmos de aDBS que foram configurados na clínica enquanto um paciente está em casa não foi estabelecida.

Sistemas remotos são necessários para capturar a eficácia variável no tempo desses algoritmos dinâmicos na supressão de sintomas encontrados durante a vida diária. Embora a abordagem de estimulação dinâmica da EEPa potencialmente permita um tratamento mais preciso com efeitos colaterais reduzidos3,9, a EEP ainda sofre de uma alta carga sobre os médicos para identificar manualmente os parâmetros de estimulação para cada paciente. Além do já grande conjunto de parâmetros para programar durante o DBS convencional, os algoritmos aDBS introduzem muitos novos parâmetros que também devem ser cuidadosamente ajustados. Essa combinação de parâmetros de estimulação e algoritmo produz um vasto espaço de parâmetros com um número incontrolável de combinações possíveis, proibindo o dimensionamento de aDBS para muitos pacientes10. Mesmo em ambientes de pesquisa, o tempo adicional necessário para configurar e avaliar sistemas aDBS dificulta a otimização adequada de algoritmos apenas na clínica, e a atualização remota de parâmetros é necessária. Para tornar o aDBS um tratamento que possa escalar, a estimulação e o ajuste de parâmetros do algoritmo devem ser automatizados. Além disso, os resultados da terapia devem ser analisados em ensaios repetidos para estabelecer a EEP como um tratamento viável a longo prazo fora da clínica. Há necessidade de uma plataforma que possa coletar dados para avaliação remota da eficácia da terapia e implantar remotamente atualizações nos parâmetros do algoritmo aDBS.

O objetivo deste protocolo é fornecer um design reutilizável para uma plataforma multimodal de coleta de dados em casa para melhorar a eficácia do aDBS fora da clínica e permitir que esse tratamento seja dimensionado para um maior número de indivíduos. Até onde sabemos, é o primeiro projeto de plataforma de coleta de dados que avalia remotamente os resultados terapêuticos usando câmeras de vídeo em casa, sensores vestíveis, gravação crônica de sinais neurais e feedback orientado ao paciente para avaliar sistemas aDBS durante tarefas controladas e comportamento naturalista.

A plataforma é um ecossistema de componentes de hardware e software construído sobre sistemas previamente desenvolvidos5. É totalmente sustentável através de acesso remoto após uma instalação inicial de hardware mínimo para permitir a coleta de dados multi-modal de uma pessoa no conforto de sua casa. Um componente-chave é o sistema de neuroestimulação implantável (SNI)11 , que detecta a atividade neural e estimula a NST, registrando a aceleração dos implantes torácicos. Para o implante utilizado na implantação inicial, a atividade neural é registrada a partir de eletrodos bilaterais implantados no NST e de eletroeletrocorticogramas implantados sobre o córtex motor. Um sistema de gravação de vídeo ajuda os médicos a monitorar a gravidade dos sintomas e a eficácia da terapia, que inclui uma interface gráfica do usuário (GUI) para permitir o cancelamento fácil de gravações em andamento para proteger a privacidade do paciente. Os vídeos são processados para extrair trajetórias cinemáticas de posição em duas dimensões (2D) ou tridimensionais (3D), e relógios inteligentes são usados em ambos os pulsos para capturar informações de velocidade angular e aceleração. É importante ressaltar que todos os dados são criptografados antes de serem transferidos para o armazenamento em nuvem de longo prazo, e o computador com vídeos identificáveis pelo paciente só pode ser acessado por meio de uma rede privada virtual (VPN). O sistema inclui duas abordagens para alinhamento de tempo post-hoc de todos os fluxos de dados, e os dados são usados para monitorar remotamente a qualidade do movimento do paciente e para identificar biomarcadores relacionados a sintomas para refinar algoritmos aDBS. A parte em vídeo deste trabalho mostra o processo de coleta de dados e animações de trajetórias cinemáticas extraídas dos vídeos coletados.

Várias considerações de design orientaram o desenvolvimento do protocolo:
Garantindo a segurança dos dados e a privacidade do paciente: A coleta de dados identificáveis de pacientes requer o máximo de cuidado na transmissão e armazenamento para ser um ato de portabilidade e responsabilidade do seguro de saúde (HIPAA)12,13 cumprir e respeitar a privacidade do paciente em sua própria casa. Neste projeto, isso foi alcançado através da configuração de uma VPN personalizada para garantir a privacidade de todo o tráfego sensível entre os computadores do sistema.
Limites de segurança dos parâmetros de estimulação: É fundamental garantir que o paciente permaneça seguro ao experimentar algoritmos aDBS que podem ter efeitos não intencionais. O INS do paciente deve ser configurado por um clínico para ter limites seguros para parâmetros de estimulação que não permitam efeitos inseguros de superestimulação ou subestimulação. Com o sistema INS11 Utilizado neste estudo, esse recurso é habilitado por um programador clínico.
Garantindo o veto do paciente: Mesmo dentro dos limites dos parâmetros seguros, a variabilidade diária dos sintomas e das respostas de estimulação pode resultar em situações desagradáveis para o paciente, onde ele não gosta de um algoritmo em teste e deseja retornar à EEP clínica normal de malha aberta. O sistema INS selecionado inclui um módulo de telemetria do paciente (PTM) que permite ao paciente alterar manualmente seu grupo de estimulação e amplitude de estimulação em mA. Há também um aplicativo de pesquisa conectado ao INS que é usado para configuração remota do INS antes da coleta de dados14, que também permite que o paciente aborte os ensaios de aDBS e controle sua terapia.
Capturando comportamentos complexos e naturais: Os dados de vídeo foram incorporados à plataforma para permitir que os médicos monitorem remotamente a eficácia da terapia e extraiam trajetórias cinemáticas de estimativas de pose para uso em análises de pesquisa15. Embora os sensores vestíveis sejam menos intrusivos, é difícil capturar toda a amplitude dinâmica de movimento de um corpo inteiro usando apenas sistemas vestíveis. Os vídeos permitem a gravação simultânea de toda a amplitude de movimento do paciente e seus sintomas ao longo do tempo.
Usabilidade do sistema para pacientes: A coleta de dados multimodais em casa requer que vários dispositivos sejam instalados e utilizados na casa do paciente, o que pode se tornar oneroso para os pacientes navegarem. Para tornar o sistema fácil de usar e, ao mesmo tempo, garantir o controle do paciente, apenas os dispositivos implantados ou fisicamente conectados ao paciente (neste caso, incluindo o sistema INS e relógios inteligentes) devem ser ativados manualmente antes de iniciar uma gravação. Para dispositivos que são separados do paciente (neste caso, inclui dados gravados de câmeras de vídeo), as gravações começam e terminam automaticamente sem exigir qualquer interação com o paciente. Durante o design da GUI, foi tomado cuidado para minimizar o número de botões e evitar árvores de menu profundas para que as interações fossem simples. Depois que todos os dispositivos são instalados, um coordenador de pesquisa mostrou ao paciente como interagir com todos os dispositivos por meio de GUIs voltadas para o paciente que fazem parte de cada dispositivo, como encerrar gravações em qualquer dispositivo e como inserir seu histórico de medicação e relatórios de sintomas.
Transparência da coleta de dados: Indicar claramente quando as câmeras estão ligadas é imprescindível para que as pessoas saibam quando estão sendo gravadas e possam suspender a gravação se precisarem de um momento de privacidade. Para conseguir isso, um aplicativo de sistema de câmera é usado para controlar gravações de vídeo com uma GUI voltada para o paciente. A GUI é aberta automaticamente quando o aplicativo é iniciado e lista a hora e a data da próxima gravação agendada. Quando uma gravação está em andamento, uma mensagem informa quando a gravação está programada para terminar. No centro da GUI, uma imagem grande de uma luz vermelha é exibida. A imagem mostra a luz sendo acesa sempre que uma gravação está em andamento e muda para uma imagem não iluminada quando as gravações estão DESLIGADAS.

O protocolo detalha métodos para projetar, construir e implantar uma plataforma de coleta de dados em casa, para verificar a qualidade dos dados coletados quanto à completude e robustez e para o pós-processamento de dados para uso em pesquisas futuras.

Figure 1
Figura 1: Fluxo de dados. Os dados de cada modalidade são coletados independentemente da residência do paciente antes de serem processados e agregados em um único endpoint de armazenamento remoto. Os dados de cada modalidade são enviados automaticamente para um ponto de extremidade de armazenamento remoto. Com a ajuda de um dos membros da equipe, ele pode ser recuperado, verificado quanto à validade, alinhado ao tempo entre as modalidades, bem como submetido a um pré-processamento mais específico da modalidade. O conjunto de dados compilado é carregado em seguida em um ponto de extremidade de armazenamento remoto que pode ser acessado com segurança por todos os membros da equipe para análise contínua. Todas as máquinas com acesso a dados, especialmente para dados confidenciais, como vídeo bruto, estão dentro de uma VPN que garante que todos os dados sejam transferidos com segurança e que os dados armazenados sejam sempre criptografados. Clique aqui para ver uma versão maior desta figura.

Protocol

Os pacientes são inscritos através de um estudo maior aprovado pelo IRB e IDE no aDBS da Universidade da Califórnia, São Francisco, protocolo # G1800975. O paciente incluído neste estudo também forneceu consentimento informado especificamente para este estudo. 1. Componentes do sistema em casa Servidor central e VPNAdquira um computador pessoal (PC) executando um sistema operacional (SO) baseado em Linux dedicado a servir uma VPN…

Representative Results

Projeto e implantação de protótipos de plataformaProjetamos um protótipo de plataforma e a implantamos na casa de um único paciente (Figura 1). Após a primeira instalação de hardware em casa, a plataforma pode ser mantida, e os dados coletados inteiramente através de acesso remoto. Os dispositivos INS, relógios inteligentes e câmeras têm aplicativos voltados para o paciente, permitindo que os pacientes iniciem e parem gravações. O hardware de coleta de víd…

Discussion

Compartilhamos o projeto de um protótipo caseiro de uma plataforma multimodal de coleta de dados para apoiar pesquisas futuras em pesquisa em neuromodulação. O design é de código aberto e modular, de modo que qualquer peça de hardware pode ser substituída, e qualquer componente de software pode ser atualizado ou alterado sem que a plataforma geral entre em colapso. Enquanto os métodos de coleta e desidentificação de dados neurais são específicos para o INS selecionado, os métodos restantes e a abordagem gera…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este material é baseado em trabalhos apoiados pelo National Science Foundation Graduate Research Fellowship Program (DGE-2140004), pelo Weill Neurohub e pelo National Institute of Health (UH3NS100544). Quaisquer opiniões, descobertas e conclusões ou recomendações expressas neste material são do(s) autor(es) e não refletem necessariamente as opiniões da National Science Foundation, do Weill Neurohub ou do National Institute of Health. Agradecemos a Tianjiao Zhang por suas consultas especializadas em design de plataforma e incorporação de dados de vídeo. Agradecemos especialmente ao paciente por sua participação neste estudo e pelo feedback e conselhos sobre segurança de rede e design de plataforma.

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