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

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 reducidos^3,9, 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.

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.