Kliniği Eve Getirmek: Uyarlanabilir Derin Beyin Stimülasyonunu Desteklemek için Evde Çok Modlu Veri Toplama Ekosistemi
Özet
Protokol, nörolojik hareket bozukluğu olan kişiler için uyarlanabilir derin beyin stimülasyonunu (aDBS) optimize eden araştırmaları destekleyen evde çok modlu veri toplama platformunun bir prototipini göstermektedir. Ayrıca, platformun bir yıldan fazla bir süredir Parkinson hastalığı olan bir bireyin evine konuşlandırılmasından elde edilen önemli bulguları da sunuyoruz.
Abstract
Adaptif derin beyin stimülasyonu (aDBS), Parkinson hastalığı (PH) gibi nörolojik bozuklukların tedavisini iyileştirmek için umut vaat ediyor. aDBS, semptomları daha kesin bir şekilde hedeflemek için stimülasyon parametrelerini gerçek zamanlı olarak ayarlamak için semptomla ilgili biyobelirteçleri kullanır. Bu dinamik ayarlamaları etkinleştirmek için, her bir hasta için bir aDBS algoritmasının parametreleri belirlenmelidir. Bu, klinik araştırmacılar tarafından zaman alıcı manuel ayarlamalar gerektirir ve bu da tek bir hasta için en uygun konfigürasyonu bulmayı veya birçok hastaya ölçeklendirmeyi zorlaştırır. Ayrıca, hasta evdeyken klinikte yapılandırılan aDBS algoritmalarının uzun vadeli etkinliği açık bir soru olmaya devam etmektedir. Bu tedaviyi büyük ölçekte uygulamak için, tedavi sonuçlarını uzaktan izlerken aDBS algoritma parametrelerini otomatik olarak yapılandıracak bir metodolojiye ihtiyaç vardır. Bu yazıda, alanın her iki sorunu da ele almasına yardımcı olmak için evde veri toplama platformu için bir tasarım paylaşıyoruz. Platform, açık kaynaklı ve evde sinirsel, ataletsel ve çok kameralı video verilerinin toplanmasına izin veren entegre bir donanım ve yazılım ekosisteminden oluşur. Hasta tarafından tanımlanabilir verilerin gizliliğini sağlamak için platform, verileri sanal bir özel ağ üzerinden şifreler ve aktarır. Yöntemler, veri akışlarının zamana göre hizalanmasını ve video kayıtlarından poz tahminlerinin çıkarılmasını içerir. Bu sistemin kullanımını göstermek için, bu platformu PH’li bir bireyin evine yerleştirdik ve 1,5 yıl boyunca kendi kendine yönlendirilen klinik görevler ve serbest davranış dönemleri sırasında veri topladık. Veriler, farklı terapötik koşullar altında motor semptom şiddetini değerlendirmek için alt terapötik, terapötik ve supra-terapötik stimülasyon amplitüdlerinde kaydedildi. Bu zamana göre ayarlanmış veriler, platformun terapötik değerlendirme için evde senkronize edilmiş çok modlu veri toplama yeteneğine sahip olduğunu göstermektedir. Bu sistem mimarisi, otomatik aDBS araştırmalarını desteklemek, yeni veri kümeleri toplamak ve nörolojik bozukluklardan muzdarip olanlar için klinik dışında DBS tedavisinin uzun vadeli etkilerini incelemek için kullanılabilir.
Introduction
Derin beyin stimülasyonu (DBS), Parkinson hastalığı (PD) gibi nörolojik bozuklukları, elektrik akımını doğrudan beyindeki belirli bölgelere ileterek tedavi eder. Dünya çapında tahmini 8,5 milyon PD vakası vardır ve DBS’nin semptomları yönetmek için ilaç yetersiz kaldığında kritik bir tedavi olduğu kanıtlanmıştır 1,2. Bununla birlikte, DBS etkinliği, bazen geleneksel olarak sabit genlik, frekans ve nabız genişliğinde verilen stimülasyondan kaynaklanan yan etkilerle sınırlandırılabilir3. Bu açık döngü uygulaması, semptom durumundaki dalgalanmalara yanıt vermez ve bu da hastanın değişen ihtiyaçlarına uygun şekilde eşleşmeyen stimülasyon ayarlarıyla sonuçlanır. DBS, şu anda klinisyenler tarafından her bir hasta için manuel olarak gerçekleştirilen stimülasyon parametrelerinin ayarlanmasının zaman alıcı süreci tarafından daha da engellenmektedir.
Uyarlanabilir DBS (aDBS), semptomla ilişkili biyobelirteçler tespit edildiğinde stimülasyon parametrelerini gerçek zamanlı olarak ayarlayarak DBS’nin etkili bir sonraki yinelemesi olduğu gösterilen kapalı döngü bir yaklaşımdır 3,4,5. Çalışmalar, subtalamik çekirdekteki (STN) beta salınımlarının (10-30 Hz), PD 6,7’nin karakteristiği olan hareketin yavaşlaması olan bradikinezi sırasında tutarlı bir şekilde meydana geldiğini göstermiştir. Benzer şekilde, korteksteki yüksek gama salınımlarının (50-120 Hz), PD8’de de yaygın olarak görülen aşırı ve istemsiz bir hareket olan diskinezi dönemlerinde meydana geldiği bilinmektedir. Son zamanlarda yapılan çalışmalar, aDBS’yi klinik dışında uzun süreler boyunca başarılı bir şekilde uygulamıştır5, ancak bir hasta evdeyken klinikte yapılandırılan aDBS algoritmalarının uzun vadeli etkinliği belirlenmemiştir.
Bu dinamik algoritmaların günlük yaşamda karşılaşılan semptomları baskılamada zamanla değişen etkinliğini yakalamak için uzak sistemlere ihtiyaç vardır. aDBS’nin dinamik stimülasyon yaklaşımı, azaltılmış yan etkilerle potansiyel olarak daha kesin bir tedaviyi mümkün kılarken,3,9, aDBS, klinisyenlerin her hasta için stimülasyon parametrelerini manuel olarak tanımlaması için hala yüksek bir yükten muzdariptir. Konvansiyonel DBS sırasında programlanacak çok sayıda parametreye ek olarak, aDBS algoritmaları da dikkatli bir şekilde ayarlanması gereken birçok yeni parametre sunar. Stimülasyon ve algoritma parametrelerinin bu kombinasyonu, yönetilemeyen sayıda olası kombinasyonla geniş bir parametre alanı sağlar ve aDBS’nin birçok hastaya ölçeklenmesini yasaklar10. Araştırma ortamlarında bile, aDBS sistemlerini yapılandırmak ve değerlendirmek için gereken ek süre, algoritmaları yalnızca klinikte yeterince optimize etmeyi zorlaştırır ve parametrelerin uzaktan güncellenmesi gerekir. aDBS’yi ölçeklenebilen bir tedavi haline getirmek için stimülasyon ve algoritma parametresi ayarlaması otomatikleştirilmelidir. Ek olarak, aDBS’yi klinik dışında uygulanabilir uzun süreli bir tedavi olarak kurmak için tedaviden elde edilen sonuçlar tekrarlanan çalışmalarda analiz edilmelidir. Tedavi etkinliğinin uzaktan değerlendirilmesi için veri toplayabilen ve aDBS algoritma parametrelerine yönelik güncellemeleri uzaktan dağıtabilen bir platforma ihtiyaç vardır.
Bu protokolün amacı, klinik dışında aDBS etkinliğini artırmak ve bu tedavinin daha fazla sayıda kişiye ölçeklenmesini sağlamak için çok modlu bir evde veri toplama platformu için yeniden kullanılabilir bir tasarım sağlamaktır. Bildiğimiz kadarıyla, kontrollü görevler ve doğal davranış sırasında aDBS sistemlerini değerlendirmek için ev içi video kameralar, giyilebilir sensörler, kronik nöral sinyal kaydı ve hasta odaklı geri bildirim kullanarak terapötik sonuçları uzaktan değerlendiren ilk veri toplama platformu tasarımıdır.
Platform, daha önce geliştirilmiş sistemler üzerine inşa edilmiş donanım ve yazılım bileşenlerinden oluşan bir ekosistemdir5. Bir kişiden evinin rahatlığında çok modlu veri toplamaya izin vermek için minimum donanımın ilk kurulumundan sonra tamamen uzaktan erişim yoluyla bakımı yapılabilir. Önemli bir bileşen, nöral aktiviteyi algılayan ve STN’ye stimülasyon sağlayan ve göğüs implantlarından gelen ivmeyi kaydeden implante edilebilir nörostimülasyon sistemidir (INS)11 . İlk yerleştirmede kullanılan implant için, STN’ye implante edilen bilateral derivasyonlardan ve motor korteks üzerine implante edilen elektrokortikografi elektrotlarından nöral aktivite kaydedilir. Bir video kayıt sistemi, klinisyenlerin semptom şiddetini ve tedavi etkinliğini izlemesine yardımcı olur ve hasta gizliliğini korumak için devam eden kayıtların kolayca iptal edilmesini sağlayan bir grafik kullanıcı arayüzü (GUI) içerir. Videolar, iki boyutlu (2D) veya üç boyutlu (3D) konumun kinematik yörüngelerini çıkarmak için işlenir ve açısal hız ve ivme bilgilerini yakalamak için akıllı saatler her iki bileğe takılır. Daha da önemlisi, tüm veriler uzun vadeli bulut depolamaya aktarılmadan önce şifrelenir ve hastayı tanımlayabilen videolara sahip bilgisayara yalnızca bir sanal özel ağ (VPN) üzerinden erişilebilir. Sistem, tüm veri akışlarının post-hoc zaman hizalaması için iki yaklaşım içerir ve veriler, hastanın hareket kalitesini uzaktan izlemek ve aDBS algoritmalarını iyileştirmek için semptomla ilgili biyobelirteçleri tanımlamak için kullanılır. Bu çalışmanın video kısmı, veri toplama sürecini ve toplanan videolardan çıkarılan kinematik yörüngelerin animasyonlarını göstermektedir.
Protokolün geliştirilmesine bir dizi tasarım hususu rehberlik etti:
Veri güvenliği ve hasta mahremiyetinin sağlanması: Tanımlanabilir hasta verilerinin toplanması, sağlık sigortası taşınabilirlik ve sorumluluk yasası (HIPAA) olması için iletim ve depolamada azami özen gerektirir12,13 uyumlu ve hastanın kendi evindeki mahremiyetine saygı göstermek. Bu projede bu, sistem bilgisayarları arasındaki tüm hassas trafiğin gizliliğini sağlamak için özel bir VPN kurularak başarıldı.
Stimülasyon parametresi güvenlik sınırları: İstenmeyen etkileri olabilecek aDBS algoritmalarını denerken hastanın güvende kalmasını sağlamak çok önemlidir. Hastanın INS’si, bir klinisyen tarafından, aşırı stimülasyon veya yetersiz stimülasyondan kaynaklanan güvenli olmayan etkilere izin vermeyen stimülasyon parametreleri için güvenli sınırlara sahip olacak şekilde yapılandırılmalıdır. INS sistemi ile11 Bu çalışmada kullanılan bu özellik, bir klinisyen programcı tarafından etkinleştirilmiştir.
Hasta vetosunun sağlanması: Güvenli parametre sınırları içinde bile, semptomların ve stimülasyon yanıtlarının günlük değişkenliği, hasta için test edilen bir algoritmadan hoşlanmadıkları ve normal klinik açık döngü DBS’ye dönmek istedikleri hoş olmayan durumlara neden olabilir. Seçilen INS sistemi, hastanın stimülasyon grubunu ve mA cinsinden stimülasyon genliğini manuel olarak değiştirmesine izin veren bir hasta telemetri modülü (PTM) içerir. Ayrıca, veri toplamadan önce INS’nin uzaktan yapılandırılması için kullanılan INS bağlantılı bir araştırma uygulaması da vardır14, bu da hastanın aDBS denemelerini iptal etmesini ve tedavisini kontrol etmesini sağlar.
Karmaşık ve doğal davranışları yakalamak: Klinisyenlerin tedavi etkinliğini uzaktan izlemelerini ve araştırma analizlerinde kullanılmak üzere poz tahminlerinden kinematik yörüngeleri çıkarmasını sağlamak için video verileri platforma dahil edildi15. Giyilebilir sensörler daha az müdahaleci olsa da, yalnızca giyilebilir sistemleri kullanarak tüm vücudun tam dinamik hareket aralığını yakalamak zordur. Videolar, hastanın tüm hareket açıklığının ve zaman içindeki semptomlarının aynı anda kaydedilmesini sağlar.
Hastalar için sistem kullanılabilirliği: Evde çok modlu verilerin toplanması, bir hastanın evinde birden fazla cihazın kurulmasını ve kullanılmasını gerektirir ve bu da hastaların gezinmesi için külfetli hale gelebilir. Hasta kontrolünü sağlarken sistemin kullanımını kolaylaştırmak için, bir kayıt başlatılmadan önce yalnızca hastaya implante edilen veya fiziksel olarak takılan cihazlar (bu durumda INS sistemi ve akıllı saatler dahil) manuel olarak AÇILMALıdır. Hastadan ayrı cihazlar için (bu durumda video kameralardan kaydedilen verileri içerir), kayıtlar herhangi bir hasta etkileşimi gerektirmeden otomatik olarak başlar ve biter. GUI tasarımı sırasında düğme sayısını en aza indirmeye ve etkileşimlerin basit olması için derin menü ağaçlarından kaçınmaya özen gösterildi. Tüm cihazlar kurulduktan sonra, bir araştırma koordinatörü hastaya, herhangi bir cihazdaki kayıtların nasıl sonlandırılacağı ve ilaç geçmişinin ve semptom raporlarının nasıl girileceği gibi, her cihazın bir parçası olan hastaya yönelik GUI’ler aracılığıyla tüm cihazlarla nasıl etkileşime gireceğini gösterdi.
Veri toplama şeffaflığı: Kameraların ne zaman AÇIK olduğunu açıkça belirtmek zorunludur, böylece insanlar ne zaman kaydedildiklerini bilirler ve bir anlık mahremiyete ihtiyaç duyarlarsa kaydı askıya alabilirler. Bunu başarmak için, hastaya dönük bir GUI ile video kayıtlarını kontrol etmek için bir kamera sistemi uygulaması kullanılır. GUI, uygulama başlatıldığında otomatik olarak açılır ve bir sonraki programlanmış kaydın saatini ve tarihini listeler. Bir kayıt devam ederken, kaydın ne zaman biteceğinin planlandığını belirten bir mesaj görüntülenir. GUI’nin ortasında, kırmızı ışığın büyük bir görüntüsü görüntülenir. Görüntü, bir kayıt devam ederken ışığın parlak bir şekilde yandığını gösterir ve kayıtlar KAPALI olduğunda ışıksız bir görüntüye dönüşür.
Protokol, evde veri toplama platformu tasarlama, oluşturma ve dağıtma, toplanan verilerin eksiksizlik ve sağlamlık açısından kalite kontrolü ve gelecekteki araştırmalarda kullanılmak üzere işlem sonrası veriler için yöntemleri detaylandırır.
Şekil 1: Veri akışı. Her modalite için veriler, işlenmeden önce hastanın ikametgahından bağımsız olarak toplanır ve tek bir uzak depolama uç noktasında toplanır. Her modalite için veriler otomatik olarak uzak depolama uç noktasına gönderilir. Ekip üyelerinden birinin yardımıyla, daha sonra alınabilir, geçerliliği kontrol edilebilir, modaliteler arasında zaman uyumlu hale getirilebilir ve ayrıca modaliteye özgü daha fazla ön işleme tabi tutulabilir. Derlenen veri kümesi daha sonra sürekli analiz için tüm ekip üyeleri tarafından güvenli bir şekilde erişilebilen bir uzak depolama uç noktasına yüklenir. Özellikle ham video gibi hassas veriler için veri erişimi olan tüm makineler, tüm verilerin güvenli bir şekilde aktarılmasını ve depolanan verilerin her zaman şifrelenmesini sağlayan bir VPN içine alınır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Protocol
Representative Results
Discussion
Nöromodülasyon araştırmalarında gelecekteki araştırmaları desteklemek için çok modlu bir veri toplama platformunun evde prototipinin tasarımını paylaşıyoruz. Tasarım açık kaynaklı ve modülerdir, böylece herhangi bir donanım parçası değiştirilebilir ve herhangi bir yazılım bileşeni, genel platform çökmeden güncellenebilir veya değiştirilebilir. Nöral verilerin toplanması ve kimliksizleştirilmesi yöntemleri seçilen INS’ye özgü olsa da, geri kalan yöntemler ve davranışsal veri top…
Açıklamalar
The authors have nothing to disclose.
Acknowledgements
Bu materyal, Ulusal Bilim Vakfı Lisansüstü Araştırma Burs Programı (DGE-2140004), Weill Neurohub ve Ulusal Sağlık Enstitüsü (UH3NS100544) tarafından desteklenen çalışmalara dayanmaktadır. Bu materyalde ifade edilen herhangi bir görüş, bulgu ve sonuç veya tavsiye yazar(lar)a aittir ve Ulusal Bilim Vakfı, Weill Neurohub veya Ulusal Sağlık Enstitüsü’nün görüşlerini yansıtmayabilir. Tianjiao Zhang’a platform tasarımı ve video verilerinin dahil edilmesi konusundaki uzman istişareleri için teşekkür ederiz. Hastaya bu çalışmaya katılımları ve ağ güvenliği ve platform tasarımı ile ilgili geri bildirim ve tavsiyeleri için özellikle teşekkür ederiz.
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 |
Referanslar
- World Health Organization. . Parkinson disease. , (2022).
- Herrington, T. M., Cheng, J. J., Eskandar, E. N. Mechanisms of deep brain stimulation. Journal of Neurophysiology. 115 (1), 19-38 (2016).
- 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).
- 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).
- 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).
- 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).
- 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).
- Swann, N. C., et al. Adaptive deep brain stimulation for Parkinson’s disease using motor cortex sensing. J. Neural Eng. 11, (2018).
- Little, S., et al. Adaptive deep brain stimulation in advanced Parkinson disease. Annals of Neurology. 74 (3), 449-457 (2013).
- 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).
- 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).
- . Rights (OCR), O. for C. The HIPAA Privacy Rule. HHS.gov. , (2008).
- . Rights (OCR), O. for C. The Security Rule. HHS.gov. , (2009).
- Perrone, R., Gilron, R. . SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , (2021).
- Strandquist, G., et al. . In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).
- Donenfeld, J. A. WireGuard: Next Generation Kernel Network Tunnel. Proceedings 2017 Network and Distributed System Security Symposium. , (2017).
- etzion. . Ubuntu 20.04 and TPM2 encrypted system disk – Running Systems. , (2021).
- Craig-Wood, N. . Rclone. , (2023).
- 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).
- Hidalgo, G. i. n. &. #. 2. 3. 3. ;. s., et al. . CMU-Perceptual-Computing-Lab/openpose. , (2023).
- 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).
- Cao, Z. . openpose/calibration_module.md at master · CMU-Perceptual-Computing-Lab/openpose. , (2023).
- 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).
- Ranti, C. . Rune Labs Stream API. , (2023).
- . ffmpeg development community. FFmpeg Formats Documentation. , (2023).
- 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).
