Summary

Llevar la clínica a casa: un ecosistema de recopilación de datos multimodal en el hogar para apoyar la estimulación cerebral profunda adaptativa

Published: July 14, 2023
doi:

Summary

El protocolo muestra un prototipo de la plataforma de recopilación de datos multimodal en el hogar que apoya la investigación que optimiza la estimulación cerebral profunda adaptativa (aDBS) para personas con trastornos neurológicos del movimiento. También presentamos los hallazgos clave de la implementación de la plataforma durante más de un año en el hogar de una persona con la enfermedad de Parkinson.

Abstract

La estimulación cerebral profunda adaptativa (aDBS, por sus siglas en inglés) es prometedora para mejorar el tratamiento de trastornos neurológicos como la enfermedad de Parkinson (EP). La aDBS utiliza biomarcadores relacionados con los síntomas para ajustar los parámetros de estimulación en tiempo real para atacar los síntomas con mayor precisión. Para permitir estos ajustes dinámicos, se deben determinar los parámetros de un algoritmo aDBS para cada paciente individual. Esto requiere un ajuste manual que requiere mucho tiempo por parte de los investigadores clínicos, lo que dificulta encontrar una configuración óptima para un solo paciente o escalar a muchos pacientes. Además, la efectividad a largo plazo de los algoritmos de aDBS configurados en la clínica mientras el paciente está en casa sigue siendo una pregunta abierta. Para implementar esta terapia a gran escala, se necesita una metodología para configurar automáticamente los parámetros del algoritmo aDBS mientras se monitorean de forma remota los resultados de la terapia. En este artículo, compartimos un diseño para una plataforma de recolección de datos en el hogar para ayudar al campo a abordar ambos problemas. La plataforma se compone de un ecosistema integrado de hardware y software que es de código abierto y permite la recopilación en el hogar de datos de video neuronales, inerciales y multicámara. Para garantizar la privacidad de los datos identificables del paciente, la plataforma encripta y transfiere datos a través de una red privada virtual. Los métodos incluyen la alineación temporal de los flujos de datos y la extracción de estimaciones de pose de las grabaciones de vídeo. Para demostrar el uso de este sistema, implementamos esta plataforma en el hogar de una persona con EP y recopilamos datos durante tareas clínicas autoguiadas y períodos de comportamiento libre en el transcurso de 1,5 años. Se registraron datos en amplitudes de estimulación subterapéutica, terapéutica y supraterapéutica para evaluar la gravedad de los síntomas motores en diferentes condiciones terapéuticas. Estos datos alineados en el tiempo muestran que la plataforma es capaz de recopilar datos multimodales sincronizados en el hogar para la evaluación terapéutica. Esta arquitectura de sistema se puede utilizar para respaldar la investigación automatizada de la ECP, para recopilar nuevos conjuntos de datos y para estudiar los efectos a largo plazo de la terapia de ECP fuera de la clínica para las personas que padecen trastornos neurológicos.

Introduction

La estimulación cerebral profunda (DBS, por sus siglas en inglés) trata trastornos neurológicos como la enfermedad de Parkinson (EP) mediante la administración de corriente eléctrica directamente a regiones específicas del cerebro. Se estima que hay 8,5 millones de casos de EP en todo el mundo, y la ECP ha demostrado ser una terapia crítica cuando la medicación es insuficiente para controlar los síntomas 1,2. Sin embargo, la eficacia de la ECP puede verse limitada por los efectos secundarios que a veces se producen a partir de la estimulación que se administra convencionalmente a una amplitud, frecuencia y ancho de pulso fijos3. Esta implementación de bucle abierto no responde a las fluctuaciones en el estado de los síntomas, lo que da lugar a entornos de estimulación que no se adaptan adecuadamente a las necesidades cambiantes del paciente. La ECP se ve obstaculizada aún más por el largo proceso de ajuste de los parámetros de estimulación, que actualmente los médicos realizan manualmente para cada paciente individual.

La ECP adaptativa (aDBS) es un enfoque de bucle cerrado que ha demostrado ser una próxima iteración eficaz de la ECP mediante el ajuste de los parámetros de estimulación en tiempo real cada vez que se detectan biomarcadores relacionados con los síntomas 3,4,5. Los estudios han demostrado que las oscilaciones beta (10-30 Hz) en el núcleo subtalámico (STN) ocurren consistentemente durante la bradicinesia, una ralentización del movimiento que es característica de la EP 6,7. De manera similar, se sabe que las oscilaciones gamma altas (50-120 Hz) en la corteza ocurren durante los períodos de discinesia, un movimiento excesivo e involuntario que también se ve comúnmente en la EP8. Trabajos recientes han administrado con éxito aDBS fuera de la clínica durante períodos prolongados5, sin embargo, no se ha establecido la efectividad a largo plazo de los algoritmos de aDBS que se configuraron en la clínica mientras el paciente está en casa.

Se necesitan sistemas remotos para capturar la eficacia variable en el tiempo de estos algoritmos dinámicos para suprimir los síntomas encontrados durante la vida diaria. Si bien el enfoque de estimulación dinámica de la aDBS permite potencialmente un tratamiento más preciso con efectos secundarios reducidos3,9, la aDBS todavía sufre una gran carga para los médicos a la hora de identificar manualmente los parámetros de estimulación para cada paciente. Además del ya amplio conjunto de parámetros que hay que programar durante la DBS convencional, los algoritmos aDBS introducen muchos parámetros nuevos que también deben ajustarse cuidadosamente. Esta combinación de parámetros de estimulación y algoritmos produce un vasto espacio de parámetros con un número inmanejable de combinaciones posibles, lo que impide que la aDBS se amplíe a muchos pacientes10. Incluso en entornos de investigación, el tiempo adicional necesario para configurar y evaluar los sistemas de aDBS dificulta la optimización adecuada de los algoritmos únicamente en la clínica, y es necesaria la actualización remota de los parámetros. Para hacer de aDBS un tratamiento que pueda escalar, se debe automatizar la estimulación y el ajuste de los parámetros del algoritmo. Además, los resultados de la terapia deben analizarse a través de ensayos repetidos para establecer la aDBS como un tratamiento viable a largo plazo fuera de la clínica. Existe la necesidad de una plataforma que pueda recopilar datos para la evaluación remota de la eficacia de la terapia y para implementar de forma remota actualizaciones de los parámetros del algoritmo aDBS.

El objetivo de este protocolo es proporcionar un diseño reutilizable para una plataforma multimodal de recopilación de datos en el hogar para mejorar la efectividad de la aDBS fuera de la clínica y permitir que este tratamiento se amplíe a un mayor número de individuos. Hasta donde sabemos, es el primer diseño de plataforma de recopilación de datos que evalúa de forma remota los resultados terapéuticos utilizando cámaras de video en el hogar, sensores portátiles, grabación de señales neuronales crónicas y retroalimentación impulsada por el paciente para evaluar los sistemas de aDBS durante tareas controladas y comportamiento naturalista.

La plataforma es un ecosistema de componentes de hardware y software construido sobre sistemas previamente desarrollados5. Se puede mantener completamente a través del acceso remoto después de una instalación inicial de hardware mínimo para permitir la recopilación de datos multimodales de una persona en la comodidad de su hogar. Un componente clave es el sistema de neuroestimulación implantable (INS)11 que detecta la actividad neuronal y proporciona estimulación al STN, y registra la aceleración de los implantes torácicos. Para el implante utilizado en el despliegue inicial, la actividad neuronal se registra a partir de derivaciones bilaterales implantadas en el STN y de electrodos de electrocorticografía implantados sobre la corteza motora. Un sistema de grabación de video ayuda a los médicos a monitorear la gravedad de los síntomas y la efectividad de la terapia, que incluye una interfaz gráfica de usuario (GUI) para permitir una fácil cancelación de las grabaciones en curso para proteger la privacidad del paciente. Los videos se procesan para extraer trayectorias cinemáticas de posición en dos dimensiones (2D) o tridimensionales (3D), y los relojes inteligentes se usan en ambas muñecas para capturar información de velocidad angular y aceleración. Es importante destacar que todos los datos se cifran antes de transferirse al almacenamiento en la nube a largo plazo, y solo se puede acceder a la computadora con videos identificables del paciente a través de una red privada virtual (VPN). El sistema incluye dos enfoques para la alineación temporal post-hoc de todos los flujos de datos, y los datos se utilizan para monitorear de forma remota la calidad del movimiento del paciente y para identificar biomarcadores relacionados con los síntomas para refinar los algoritmos de aDBS. La parte de video de este trabajo muestra el proceso de recolección de datos y animaciones de trayectorias cinemáticas extraídas de videos recolectados.

Una serie de consideraciones de diseño guiaron el desarrollo del protocolo:
Garantizar la seguridad de los datos y la privacidad del paciente: La recopilación de datos identificables de los pacientes requiere el máximo cuidado en la transmisión y el almacenamiento para que se cumpla la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA)12,13 y respetar la privacidad del paciente en su propio hogar. En este proyecto, esto se logró mediante la configuración de una VPN personalizada para garantizar la privacidad de todo el tráfico confidencial entre las computadoras del sistema.
Límites de seguridad de los parámetros de estimulación: Es fundamental asegurarse de que el paciente permanezca seguro mientras prueba los algoritmos de aDBS que pueden tener efectos no deseados. El INS del paciente debe ser configurado por un clínico para tener límites seguros para los parámetros de estimulación que no permitan efectos peligrosos de sobreestimulación o subestimulación. Con el sistema INS11 Utilizada en este estudio, esta función es habilitada por un programador clínico.
Asegurar que el paciente vete: Incluso dentro de los límites de los parámetros seguros, la variabilidad diaria de los síntomas y las respuestas de estimulación pueden dar lugar a situaciones desagradables para el paciente en las que no le gusta un algoritmo sometido a prueba y desea volver a la ECP clínica normal de bucle abierto. El sistema INS seleccionado incluye un módulo de telemetría del paciente (PTM) que permite al paciente cambiar manualmente su grupo de estimulación y la amplitud de estimulación en mA. También existe una aplicación de investigación conectada al INS que se utiliza para la configuración remota del INS antes de la recopilación de datos14, lo que también permite al paciente abortar los ensayos de aDBS y controlar su terapia.
Captura de comportamientos complejos y naturales: Los datos de vídeo se incorporaron a la plataforma para permitir a los médicos monitorizar de forma remota la eficacia de la terapia y extraer trayectorias cinemáticas de las estimaciones de las posturas para su uso en los análisis de investigación15. Si bien los sensores portátiles son menos intrusivos, es difícil capturar el rango dinámico completo de movimiento de todo un cuerpo utilizando solo sistemas portátiles. Los videos permiten la grabación simultánea de todo el rango de movimiento del paciente y sus síntomas a lo largo del tiempo.
Facilidad de uso del sistema para los pacientes: La recopilación de datos multimodales en el hogar requiere que se instalen y utilicen múltiples dispositivos en el hogar de un paciente, lo que podría resultar oneroso para los pacientes. Para que el sistema sea fácil de usar y al mismo tiempo garantizar el control del paciente, solo los dispositivos que están implantados o conectados físicamente al paciente (en este caso, incluido el sistema INS y los relojes inteligentes) deben encenderse manualmente antes de iniciar una grabación. En el caso de los dispositivos que están separados del paciente (en este caso, incluye datos grabados por cámaras de vídeo), las grabaciones se inician y finalizan automáticamente sin necesidad de interacción con el paciente. Durante el diseño de la interfaz gráfica de usuario se tuvo cuidado de minimizar el número de botones y evitar árboles de menús profundos para que las interacciones fueran simples. Una vez instalados todos los dispositivos, un coordinador de investigación le mostró al paciente cómo interactuar con todos los dispositivos a través de las interfaces gráficas de usuario orientadas al paciente que forman parte de cada dispositivo, por ejemplo, cómo finalizar las grabaciones en cualquier dispositivo y cómo ingresar su historial de medicamentos e informes de síntomas.
Transparencia en la recopilación de datos: Es imperativo indicar claramente cuándo se encienden las cámaras para que las personas sepan cuándo están siendo grabadas y puedan suspender la grabación si necesitan un momento de privacidad. Para lograr esto, se utiliza una aplicación de sistema de cámara para controlar las grabaciones de video con una interfaz gráfica de usuario orientada al paciente. La interfaz gráfica de usuario se abre automáticamente cuando se inicia la aplicación y muestra la hora y la fecha de la próxima grabación programada. Cuando una grabación está en curso, un mensaje indica cuándo está programada la finalización de la grabación. En el centro de la interfaz gráfica de usuario, se muestra una imagen grande de una luz roja. La imagen muestra que la luz se ilumina intensamente cada vez que hay una grabación en curso y cambia a una imagen no iluminada cuando las grabaciones están desactivadas.

El protocolo detalla los métodos para diseñar, construir e implementar una plataforma de recopilación de datos en el hogar, para verificar la calidad de los datos recopilados para verificar su integridad y solidez, y para el posprocesamiento de datos para su uso en futuras investigaciones.

Figure 1
Figura 1: Flujo de datos. Los datos de cada modalidad se recopilan independientemente de la residencia del paciente antes de procesarlos y agregarlos en un único punto final de almacenamiento remoto. Los datos de cada modalidad se envían automáticamente a un punto de conexión de almacenamiento remoto. Con la ayuda de uno de los miembros del equipo, se puede recuperar, verificar su validez, alinear el tiempo en todas las modalidades, así como someterlo a un preprocesamiento más específico de la modalidad. A continuación, el conjunto de datos compilado se carga en un punto de conexión de almacenamiento remoto al que todos los miembros del equipo pueden acceder de forma segura para un análisis continuo. Todas las máquinas con acceso a datos, especialmente para datos confidenciales como video sin procesar, están encerradas dentro de una VPN que garantiza que todos los datos se transfieran de forma segura y que los datos almacenados estén siempre encriptados. Haga clic aquí para ver una versión más grande de esta figura.

Protocol

Los pacientes se inscriben a través de un estudio más grande aprobado por el IRB y el IDE en el aDBS en la Universidad de California, San Francisco, protocolo # G1800975. El paciente inscrito en este estudio también dio su consentimiento informado específicamente para este estudio. 1. Componentes del sistema en el hogar Servidor central y VPNAdquiera una computadora personal (PC) con un sistema operativo (SO) basado en Linux dedica…

Representative Results

Diseño e implementación de prototipos de plataformaDiseñamos un prototipo de plataforma y lo desplegamos en el domicilio de un solo paciente (Figura 1). Después de la primera instalación de hardware en el hogar, la plataforma se puede mantener y los datos se pueden recopilar completamente a través del acceso remoto. Los dispositivos INS, los relojes inteligentes y las cámaras tienen aplicaciones orientadas al paciente que permiten a los pacientes iniciar y detener…

Discussion

Compartimos el diseño de un prototipo en casa de una plataforma de recopilación de datos multimodal para apoyar futuras investigaciones en la investigación de la neuromodulación. El diseño es de código abierto y modular, de modo que cualquier pieza de hardware puede ser reemplazada, y cualquier componente de software puede ser actualizado o cambiado sin que la plataforma general colapse. Si bien los métodos para recopilar y anonimizar datos neuronales son específicos para el INS seleccionado, los métodos restant…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este material se basa en el trabajo apoyado por el Programa de Becas de Investigación de Posgrado de la Fundación Nacional de Ciencias (DGE-2140004), el Weill Neurohub y el Instituto Nacional de Salud (UH3NS100544). Todas las opiniones, hallazgos, conclusiones o recomendaciones expresadas en este material pertenecen al autor o autores y no reflejan necesariamente los puntos de vista de la Fundación Nacional de Ciencias, el Weill Neurohub o el Instituto Nacional de Salud. Agradecemos a Tianjiao Zhang por sus consultas expertas sobre el diseño de la plataforma y la incorporación de datos de video. Agradecemos especialmente al paciente por su participación en este estudio y por los comentarios y consejos sobre la seguridad de la red y el diseño de la 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