Возвращение клиники домой: мультимодальная экосистема сбора данных на дому для поддержки адаптивной глубокой стимуляции мозга

Глубокая стимуляция мозга (DBS) лечит неврологические расстройства, такие как болезнь Паркинсона (БП), путем подачи электрического тока непосредственно в определенные области мозга. По оценкам, во всем мире насчитывается 8,5 миллиона случаев болезни Паркинсона, и DBS зарекомендовала себя как важнейшая терапия, когда лекарств недостаточно для купирования симптомов ^1,2. Однако эффективность DBS может быть ограничена побочными эффектами, которые иногда возникают при стимуляции, которая обычно проводится с фиксированной амплитудой, частотой и длительностью импульса³. Эта реализация с разомкнутым контуром не реагирует на колебания состояния симптомов, что приводит к тому, что настройки стимуляции не соответствуют изменяющимся потребностям пациента. Кроме того, DBS затрудняется трудоемким процессом настройки параметров стимуляции, который в настоящее время выполняется клиницистами вручную для каждого отдельного пациента.

Адаптивный DBS (aDBS) — это подход с замкнутым циклом, который показал свою эффективность в следующей итерации DBS путем корректировки параметров стимуляции в режиме реального времени при обнаружении биомаркеров, связанных с симптомами ^3,4,5. Исследования показали, что бета-колебания (10-30 Гц) в субталамическом ядре (STN) происходят последовательно во время брадикинезии, замедления движения, характерного для PD ^6,7. Точно так же известно, что осцилляции высокого гамма-излучения (50-120 Гц) в коре головного мозга происходят в периоды дискинезии, чрезмерного и непроизвольного движения, которое также часто наблюдается при БП⁸. В недавних работах было успешно проведено проведение aDBS за пределами клиники в течение длительных периодов времени, однако долгосрочная эффективность алгоритмов aDBS, которые были настроены^в клинике, когда пациент находится дома, не была установлена.

Дистанционные системы необходимы для того, чтобы зафиксировать изменяющуюся во времени эффективность этих динамических алгоритмов в подавлении симптомов, возникающих в повседневной жизни. В то время как подход динамической стимуляции aDBS потенциально позволяет проводить более точное лечение с меньшим количеством побочных эффектов^3,9, aDBS по-прежнему страдает от высокой нагрузки на клиницистов^, которые вручную определяют параметры стимуляции для каждого пациента. В дополнение к уже большому набору параметров для программирования во время обычной DBS, алгоритмы aDBS вводят много новых параметров, которые также должны быть тщательно скорректированы. Такая комбинация параметров стимуляции и алгоритма дает обширное пространство параметров с неуправляемым числом возможных комбинаций, что не позволяет масштабировать aDBS на многих пациентов¹⁰. Даже в исследовательских условиях дополнительное время, необходимое для настройки и оценки систем aDBS, затрудняет адекватную оптимизацию алгоритмов исключительно в клинике, и требуется удаленное обновление параметров. Чтобы сделать aDBS лечением, которое можно масштабировать, стимуляция и настройка параметров алгоритма должны быть автоматизированы. Кроме того, результаты терапии должны быть проанализированы в ходе повторных исследований, чтобы установить, что aDBS является жизнеспособным долгосрочным лечением вне клиники. Существует потребность в платформе, которая может собирать данные для удаленной оценки эффективности терапии, а также для удаленного развертывания обновлений параметров алгоритма aDBS.

Цель этого протокола — обеспечить многоразовую конструкцию мультимодальной платформы сбора данных на дому для повышения эффективности aDBS за пределами клиники и позволить масштабировать это лечение на большее количество людей. Насколько нам известно, это первая платформа для сбора данных, которая дистанционно оценивает терапевтические результаты с помощью домашних видеокамер, носимых датчиков, записи хронических нейронных сигналов и обратной связи с пациентом для оценки систем aDBS во время контролируемых задач и натуралистического поведения.

Платформа представляет собой экосистему аппаратных и программных компонентов, построенных на ранее разработанных системах⁵. Он полностью обслуживается через удаленный доступ после первоначальной установки минимального оборудования, чтобы обеспечить мультимодальный сбор данных от человека, не выходя из дома. Ключевым компонентом является имплантируемая система нейростимуляции (INS)¹¹ , которая определяет нейронную активность и доставляет стимуляцию в STN, а также регистрирует ускорение от грудных имплантатов. Для имплантата, используемого при первоначальном развертывании, нейронная активность регистрируется с помощью билатеральных отведений, имплантированных в STN, и с электродов электрокортикографии, имплантированных в моторную кору. Система видеозаписи помогает врачам контролировать тяжесть симптомов и эффективность терапии, которая включает в себя графический пользовательский интерфейс (GUI), позволяющий легко отменять текущие записи для защиты конфиденциальности пациентов. Видео обрабатываются для извлечения кинематических траекторий положения в двух измерениях (2D) или трехмерных (3D), а смарт-часы надеваются на оба запястья для сбора информации об угловой скорости и ускорении. Важно отметить, что все данные шифруются перед передачей в долгосрочное облачное хранилище, а доступ к компьютеру с видеозаписями, позволяющими идентифицировать пациента, можно получить только через виртуальную частную сеть (VPN). Система включает в себя два подхода для выравнивания всех потоков данных по времени, и данные используются для удаленного мониторинга качества движений пациента, а также для выявления биомаркеров, связанных с симптомами, для уточнения алгоритмов aDBS. Видеочасть этой работы показывает процесс сбора данных и анимацию кинематических траекторий, извлеченных из собранных видео.

При разработке протокола учитывался ряд конструктивных соображений:
Обеспечение безопасности данных и конфиденциальности пациентов: Сбор идентифицируемых данных о пациентах требует особой осторожности при передаче и хранении, чтобы соответствовать Закону о преемственности и подотчетности медицинского страхования (HIPAA)^12,13 соблюдать требования и уважать частную жизнь пациента в его собственном доме. В данном проекте это было достигнуто путем настройки пользовательского VPN для обеспечения конфиденциальности всего конфиденциального трафика между системными компьютерами.
Границы безопасности параметров стимуляции: Очень важно убедиться, что пациент остается в безопасности при тестировании алгоритмов aDBS, которые могут иметь непредвиденные эффекты. ИНС пациента должна быть настроена врачом таким образом, чтобы иметь безопасные границы параметров стимуляции, которые не допускают небезопасных эффектов от чрезмерной или недостаточной стимуляции. С системой INS¹¹ Эта функция, используемая в данном исследовании, включена программистом-клиницистом.
Обеспечение права вето пациента: Даже в пределах безопасных параметров ежедневная вариабельность симптомов и реакций на стимуляцию может привести к неприятным ситуациям для пациента, когда ему не нравится тестируемый алгоритм и он хочет вернуться к нормальному клиническому DBS с открытым контуром. Выбранная система INS включает в себя модуль телеметрии пациента (PTM), который позволяет пациенту вручную изменять группу стимуляции и амплитуду стимуляции в мА. Существует также исследовательское приложение, подключенное к INS, которое используется для удаленной настройки INS перед сбором данных¹⁴, что также позволяет пациенту прервать испытания aDBS и контролировать их терапию.
Фиксация сложного и естественного поведения: Видеоданные были включены в платформу, чтобы позволить клиницистам удаленно контролировать эффективность терапии и извлекать кинематические траектории из оценок поз для использования в исследованиях¹⁵. Несмотря на то, что носимые датчики менее навязчивы, трудно охватить весь динамический диапазон движений всего тела, используя только носимые системы. Видео позволяет одновременно записывать полный диапазон движений пациента и его симптомы с течением времени.
Удобство использования системы для пациентов: Сбор мультимодальных данных на дому требует установки и использования нескольких устройств в доме пациента, что может стать обременительным для пациентов. Чтобы сделать систему простой в использовании и при этом обеспечить контроль над пациентом, перед началом записи необходимо вручную включать только те устройства, которые имплантированы или физически прикреплены к пациенту (в данном случае это система INS и смарт-часы). Для устройств, которые находятся отдельно от пациента (в данном случае это данные, записанные с видеокамер), запись начинается и заканчивается автоматически, не требуя какого-либо вмешательства пациента. При проектировании графического интерфейса мы старались свести к минимуму количество кнопок и избежать глубоких деревьев меню, чтобы взаимодействие было простым. После того, как все устройства установлены, координатор исследований показал пациенту, как взаимодействовать со всеми устройствами с помощью графических интерфейсов, которые являются частью каждого устройства, например, как прервать запись на любом устройстве и как ввести историю приема лекарств и отчеты о симптомах.
Прозрачность сбора данных: Необходимо четко указать, когда камеры включены, чтобы люди знали, когда их записывают, и могли приостановить запись, если им нужен момент уединения. Для этого используется системное приложение для управления видеозаписями с графическим интерфейсом, ориентированным на пациента. Графический интерфейс автоматически открывается при запуске приложения и перечисляет время и дату следующей запланированной записи. Когда запись продолжается, появляется сообщение о том, когда запланировано ее окончание. В центре графического интерфейса отображается большое изображение красного света. На изображении видно, что свет ярко горит, когда идет запись, и меняется на неосвещенное изображение, когда запись выключена.

В протоколе подробно описаны методы проектирования, создания и развертывания домашней платформы сбора данных, проверки качества собранных данных на полноту и надежность, а также постобработки данных для использования в будущих исследованиях.

Рисунок 1: Поток данных. Данные для каждого метода собираются независимо от места жительства пациента, а затем обрабатываются и агрегируются в единую конечную точку удаленного хранения. Данные для каждой модальности автоматически отправляются в конечную точку удаленного хранилища. Затем с помощью одного из членов команды его можно извлечь, проверить на валидность, выровнять по времени в разных модальностях, а также подвергнуть предварительной обработке, более специфичной для конкретной модальности. Затем скомпилированный набор данных загружается в конечную точку удаленного хранилища, к которой все члены команды могут получить безопасный доступ для дальнейшего анализа. Все компьютеры с доступом к данным, особенно к конфиденциальным данным, таким как необработанное видео, заключены в VPN, который обеспечивает безопасную передачу всех данных и постоянное шифрование сохраненных данных. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.