מביאים את המרפאה הביתה: מערכת אקולוגית ביתית רב-מודאלית לאיסוף נתונים לתמיכה בגירוי מוחי עמוק אדפטיבי
Özet
הפרוטוקול מציג אב טיפוס של פלטפורמת איסוף נתונים רב-מודאלית ביתית התומכת במחקר הממטב גירוי מוחי עמוק אדפטיבי (aDBS) עבור אנשים עם הפרעות תנועה נוירולוגיות. כמו כן, אנו מציגים ממצאים מרכזיים מפריסת הפלטפורמה במשך למעלה משנה לביתו של אדם עם מחלת פרקינסון.
Abstract
גירוי מוחי עמוק אדפטיבי (aDBS) מראה הבטחה לשיפור הטיפול בהפרעות נוירולוגיות כגון מחלת פרקינסון (PD). aDBS משתמש בסמנים ביולוגיים הקשורים לתסמינים כדי להתאים את פרמטרי הגירוי בזמן אמת כדי להתמקד בסימפטומים בצורה מדויקת יותר. כדי לאפשר התאמות דינמיות אלה, יש לקבוע פרמטרים עבור אלגוריתם aDBS עבור כל מטופל בנפרד. זה דורש כוונון ידני גוזל זמן על ידי חוקרים קליניים, מה שמקשה על מציאת תצורה אופטימלית עבור מטופל בודד או קנה מידה לחולים רבים. יתר על כן, היעילות ארוכת הטווח של אלגוריתמי aDBS המוגדרים במרפאה בזמן שהמטופל בבית נותרה שאלה פתוחה. כדי ליישם טיפול זה בקנה מידה גדול, יש צורך במתודולוגיה להגדרה אוטומטית של פרמטרים של אלגוריתם aDBS תוך ניטור מרחוק של תוצאות הטיפול. במאמר זה, אנו חולקים תכנון עבור פלטפורמת איסוף נתונים ביתית כדי לעזור לשטח לטפל בשתי הבעיות. הפלטפורמה מורכבת מאקוסיסטם משולב של חומרה ותוכנה שהוא קוד פתוח ומאפשר איסוף ביתי של נתוני וידאו עצביים, אינרציאליים ומרובי מצלמות. כדי להבטיח פרטיות עבור נתונים הניתנים לזיהוי מטופלים, הפלטפורמה מצפינה ומעבירה נתונים באמצעות רשת וירטואלית פרטית. השיטות כוללות יישור זמן של זרמי נתונים וחילוץ הערכות תנוחה מהקלטות וידאו. כדי להדגים את השימוש במערכת זו, פרסנו פלטפורמה זו בביתו של אדם עם פרקינסון ואספנו נתונים במהלך משימות קליניות בהדרכה עצמית ותקופות של התנהגות חופשית במשך שנה וחצי. הנתונים נרשמו באמפליטודות גירוי תת-טיפוליות, טיפוליות ועל-טיפוליות כדי להעריך את חומרת הסימפטומים המוטוריים בתנאים טיפוליים שונים. נתונים אלה המותאמים בזמן מראים כי הפלטפורמה מסוגלת לאיסוף נתונים רב-מודאלי מסונכרן בבית לצורך הערכה טיפולית. ארכיטקטורת מערכת זו עשויה לשמש לתמיכה במחקר aDBS אוטומטי, לאיסוף מערכי נתונים חדשים ולחקר ההשפעות ארוכות הטווח של טיפול DBS מחוץ למרפאה עבור אלה הסובלים מהפרעות נוירולוגיות.
Introduction
גירוי מוחי עמוק (DBS) מטפל בהפרעות נוירולוגיות כגון מחלת פרקינסון (PD) על ידי העברת זרם חשמלי ישירות לאזורים ספציפיים במוח. ישנם כ-8.5 מיליון מקרים של פרקינסון ברחבי העולם, ו-DBS הוכיח את עצמו כטיפול קריטי כאשר התרופות אינן מספיקות לניהול תסמינים 1,2. עם זאת, יעילות DBS יכולה להיות מוגבלת על ידי תופעות לוואי המתרחשות לעיתים מגירוי המועבר באופן קונבנציונלי באמפליטודה קבועה, תדירות ורוחב דופק3. יישום לולאה פתוחה זה אינו מגיב לתנודות במצב התסמינים, וכתוצאה מכך הגדרות גירוי שאינן מותאמות כראוי לצרכים המשתנים של המטופל. DBS מעוכב עוד יותר על ידי התהליך הגוזל זמן של כוונון פרמטרים לגירוי, אשר מבוצע כיום באופן ידני על ידי רופאים עבור כל מטופל בנפרד.
DBS אדפטיבי (aDBS) היא גישה בלולאה סגורה שהוכחה כאיטרציה הבאה יעילה של DBS על ידי התאמת פרמטרי גירוי בזמן אמת בכל פעם שסמנים ביולוגיים הקשורים לתסמינים מזוהים 3,4,5. מחקרים הראו כי תנודות בטא (10-30 הרץ) בגרעין התת-תלמי (STN) מתרחשות באופן עקבי במהלך ברדיקינזיה, האטה בתנועה האופיינית ל-PD 6,7. באופן דומה, תנודות גמא גבוהות (50-120 הרץ) בקליפת המוח ידועות כמתרחשות בתקופות של דיסקינזיה, תנועה מוגזמת ולא רצונית הנפוצה גם ב-PD8. עבודות אחרונות ניהלו בהצלחה aDBS מחוץ למרפאה לתקופות ממושכות5, אולם היעילות ארוכת הטווח של אלגוריתמי aDBS שהוגדרו במרפאה בזמן שהמטופל נמצא בבית לא נקבעה.
מערכות מרוחקות נחוצות כדי ללכוד את היעילות משתנה בזמן של אלגוריתמים דינמיים אלה בדיכוי סימפטומים שבהם נתקלים במהלך חיי היומיום. בעוד שגישת הגירוי הדינמי של aDBS עשויה לאפשר טיפול מדויק יותר עם תופעות לוואי מופחתות3,9, aDBS עדיין סובל מעומס גבוה על הרופאים לזהות באופן ידני פרמטרים לגירוי עבור כל מטופל. בנוסף לקבוצה הגדולה כבר של פרמטרים לתכנת במהלך DBS קונבנציונאלי, אלגוריתמים aDBS להציג פרמטרים חדשים רבים אשר חייב גם להיות מותאם בקפידה. שילוב זה של פרמטרי גירוי ואלגוריתם מניב מרחב פרמטרים עצום עם מספר בלתי ניתן לניהול של שילובים אפשריים, המונע מ- aDBS להתרחב למטופלים רבים10. גם במסגרות מחקר, הזמן הנוסף הנדרש להגדרה והערכה של מערכות aDBS מקשה על אופטימיזציה נאותה של אלגוריתמים אך ורק במרפאה, ויש צורך בעדכון מרחוק של פרמטרים. כדי להפוך את aDBS לטיפול שיכול להתרחב, גירוי וכוונון פרמטרים של אלגוריתם חייב להיות אוטומטי. בנוסף, יש לנתח את תוצאות הטיפול על פני ניסויים חוזרים ונשנים כדי לבסס את aDBS כטיפול בר קיימא לטווח ארוך מחוץ למרפאה. יש צורך בפלטפורמה שתוכל לאסוף נתונים לצורך הערכה מרחוק של יעילות הטיפול, ולפריסה מרחוק של עדכונים לפרמטרים של אלגוריתם aDBS.
מטרת פרוטוקול זה היא לספק תכנון לשימוש חוזר עבור פלטפורמת איסוף נתונים רב-מודאלית בבית כדי לשפר את יעילות aDBS מחוץ למרפאה, ולאפשר לטיפול זה להתרחב למספר גדול יותר של אנשים. למיטב ידיעתנו, זהו תכנון פלטפורמת איסוף הנתונים הראשונה המעריכה מרחוק תוצאות טיפוליות באמצעות מצלמות וידאו ביתיות, חיישנים לבישים, הקלטת אותות עצביים כרוניים ומשוב מונחה מטופל כדי להעריך מערכות aDBS במהלך משימות מבוקרות והתנהגות נטורליסטית.
הפלטפורמה היא אקוסיסטם של רכיבי חומרה ותוכנה הבנויים על מערכות שפותחו בעבר5. ניתן לתחזק אותו לחלוטין באמצעות גישה מרחוק לאחר התקנה ראשונית של חומרה מינימלית כדי לאפשר איסוף נתונים רב-מודאלי מאדם בנוחות ביתו. מרכיב מרכזי הוא מערכת הגירוי העצבי המושתלת (INS)11 אשר חשה בפעילות עצבית ומספקת גירוי ל- STN, ורושמת תאוצה משתלי חזה. עבור השתל המשמש בפריסה הראשונית, הפעילות העצבית נרשמת ממוליכים דו-צדדיים שהושתלו ב-STN ומאלקטרודות אלקטרוקורטיקוגרפיה שהושתלו מעל קליפת המוח המוטורית. מערכת הקלטת וידאו מסייעת לרופאים לעקוב אחר חומרת הסימפטומים ויעילות הטיפול, הכוללת ממשק משתמש גרפי (GUI) המאפשר ביטול קל של הקלטות שוטפות כדי להגן על פרטיות המטופלים. סרטונים מעובדים כדי לחלץ מסלולים קינמטיים של מיקום בדו מימדי (2D) או תלת מימדי (3D), ושעונים חכמים נענדים על שני פרקי כף היד כדי ללכוד מהירות זוויתית ומידע על תאוצה. חשוב לציין, כל הנתונים מוצפנים לפני העברתם לאחסון ענן לטווח ארוך, וניתן לגשת למחשב עם סרטונים המזהים את המטופל רק דרך רשת וירטואלית פרטית (VPN). המערכת כוללת שתי גישות ליישור זמן פוסט-הוק של כל זרמי הנתונים, והנתונים משמשים לניטור מרחוק של איכות התנועה של המטופל, ולזיהוי סמנים ביולוגיים הקשורים לתסמינים לצורך זיקוק אלגוריתמים של aDBS. חלק הווידיאו של עבודה זו מציג את תהליך איסוף הנתונים והאנימציות של מסלולים קינמטיים שחולצו מסרטונים שנאספו.
מספר שיקולי עיצוב הנחו את פיתוח הפרוטוקול:
הבטחת אבטחת מידע ופרטיות המטופלים: איסוף נתוני מטופלים הניתנים לזיהוי דורש טיפול מרבי בשידור ובאחסון על מנת להיות חוק ניידות ואחריות של ביטוח בריאות (HIPAA)12,13 לציית ולכבד את פרטיות המטופל בביתו. בפרויקט זה, זה הושג על ידי הגדרת VPN מותאם אישית כדי להבטיח פרטיות של כל התעבורה הרגישה בין מחשבי המערכת.
גבולות הבטיחות של פרמטר הגירוי: זה קריטי להבטיח כי המטופל נשאר בטוח בעת ניסיון אלגוריתמים aDBS שעשויים להיות השפעות לא מכוונות. אח”י של המטופל חייב להיות מוגדר על ידי קלינאי כך שיהיו גבולות בטוחים לפרמטרים של גירוי שאינם מאפשרים השפעות לא בטוחות מגירוי יתר או תת-גירוי. עם מערכת אח”י11 בשימוש במחקר זה, תכונה זו מופעלת על ידי מתכנת קלינאי.
הבטחת וטו למטופל: אפילו בגבולות הפרמטרים הבטוחים, השונות היומית של הסימפטומים ותגובות הגירוי עלולה לגרום למצבים לא נעימים עבור המטופל שבהם הם לא אוהבים אלגוריתם שנבדק ורוצים לחזור ל- DBS קליני פתוח רגיל. מערכת INS שנבחרה כוללת מודול טלמטריה למטופל (PTM) המאפשר למטופל לשנות באופן ידני את קבוצת הגירוי ואת משרעת הגירוי שלו ב-mA. קיים גם יישום מחקר המחובר ל-INS המשמש להגדרה מרחוק של אח”י לפני איסוף הנתונים14אשר גם מאפשר למטופל להפיל ניסויים aDBS ולשלוט בטיפול שלהם.,
לכידת התנהגות מורכבת וטבעית: נתוני וידאו שולבו בפלטפורמה כדי לאפשר לקלינאים לעקוב מרחוק אחר יעילות הטיפול, ולחלץ מסלולים קינמטיים מאומדני תנוחות לשימוש בניתוחי מחקר15. בעוד חיישנים לבישים הם פחות פולשניים, קשה ללכוד את טווח התנועה הדינמי המלא של גוף שלם באמצעות מערכות לבישות בלבד. סרטונים מאפשרים הקלטה סימולטנית של טווח התנועה המלא של המטופל והתסמינים שלו לאורך זמן.
שימושיות המערכת עבור מטופליםאיסוף נתונים רב-מודאליים בבית דורש התקנה ושימוש במספר מכשירים בבית המטופל, מה שעלול להפוך למעיק על המטופלים לנווט בהם.: כדי להפוך את המערכת לקלה לשימוש תוך הבטחת שליטה במטופל, יש להפעיל ידנית רק את המכשירים המושתלים או המחוברים פיזית למטופל (במקרה זה הוא כלל את מערכת אח”י ושעונים חכמים) לפני תחילת ההקלטה. עבור מכשירים נפרדים מהמטופל (במקרה זה הוא כולל נתונים שהוקלטו ממצלמות וידאו), הקלטות מתחילות ומסתיימות באופן אוטומטי ללא צורך באינטראקציה כלשהי עם המטופל. במהלך תכנון ממשק המשתמש הגרפי ננקטה זהירות כדי למזער את מספר הכפתורים ולהימנע מעצי תפריט עמוקים כך שהאינטראקציות יהיו פשוטות. לאחר התקנת כל המכשירים, מתאם מחקר הראה למטופל כיצד לתקשר עם כל המכשירים באמצעות ממשקי משתמש גרפיים הפונים למטופל שהם חלק מכל מכשיר, כגון כיצד להפסיק הקלטות בכל מכשיר וכיצד להזין את היסטוריית התרופות ודוחות הסימפטומים שלהם.
שקיפות איסוף נתוניםציון ברור מתי מצלמות מופעלות הוא הכרחי כדי שאנשים ידעו מתי הן מוקלטות ויוכלו להשעות את ההקלטה אם הם זקוקים לרגע של פרטיות.: כדי להשיג זאת, יישום מערכת מצלמה משמש לשליטה בהקלטות וידאו עם ממשק משתמש גרפי הפונה למטופל. ממשק המשתמש הגרפי נפתח באופן אוטומטי בעת הפעלת היישום ומפרט את השעה והתאריך של ההקלטה המתוזמנת הבאה. כאשר הקלטה נמשכת, מופיעה הודעה המציינת מתי ההקלטה מתוזמנת להסתיים. במרכז ממשק המשתמש הגרפי מוצגת תמונה גדולה של אור אדום. התמונה מראה את האור מואר באור בהיר בכל פעם שהקלטה נמשכת, ומשתנה לתמונה שאינה מוארת כאשר ההקלטות כבויות.
הפרוטוקול מפרט שיטות לתכנון, בנייה ופריסה של פלטפורמה לאיסוף נתונים בבית, לבדיקת איכות הנתונים שנאספו לשלמות וחוסן, ולעיבוד נתונים לאחר עיבוד לשימוש במחקר עתידי.
איור 1: זרימת נתונים. הנתונים עבור כל שיטה נאספים באופן עצמאי ממקום מגורי המטופל לפני שהם מעובדים ומצטברים לנקודת קצה אחת של אחסון מרוחק. הנתונים עבור כל שיטה נשלחים באופן אוטומטי לנקודת קצה של אחסון מרוחק. בעזרתו של אחד מחברי הצוות, ניתן לאחזר אותו, לבדוק את תקפותו, ליישר את הזמן בין האופנים, כמו גם לעבור עיבוד מקדים ספציפי יותר למודאליות. ערכת הנתונים שעברה הידור מועלית לאחר מכן לנקודת קצה של אחסון מרוחק שכל חברי הצוות יכולים לגשת אליה באופן מאובטח לצורך ניתוח מתמשך. כל המחשבים עם גישה לנתונים, במיוחד עבור נתונים רגישים כמו וידאו גולמי, מוקפים בתוך VPN שמבטיח שכל הנתונים מועברים בצורה מאובטחת והנתונים המאוחסנים תמיד מוצפנים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
Protocol
Representative Results
Discussion
אנו חולקים את התכנון של אב טיפוס ביתי של פלטפורמת איסוף נתונים רב-מודאלית לתמיכה במחקר עתידי במחקר נוירומודולציה. העיצוב הוא קוד פתוח ומודולרי, כך שניתן להחליף כל פיסת חומרה, וניתן לעדכן או לשנות כל רכיב תוכנה מבלי שהפלטפורמה הכוללת תקרוס. בעוד שהשיטות לאיסוף וביטול זיהוי של נתונים עצביים…
Açıklamalar
The authors have nothing to disclose.
Acknowledgements
חומר זה מבוסס על עבודה הנתמכת על ידי תוכנית מלגות המחקר לתארים מתקדמים של הקרן הלאומית למדע (DGE-2140004), Weill Neurohub והמכון הלאומי לבריאות (UH3NS100544). כל הדעות, הממצאים, המסקנות או ההמלצות המובעות בחומר זה הן של המחבר(ים) ואינן משקפות בהכרח את הדעות של הקרן הלאומית למדע, Weill Neurohub או המכון הלאומי לבריאות. אנו מודים לטיאנג’יאו ז’אנג על התייעצויותיו המקצועיות בנושא עיצוב פלטפורמה ושילוב נתוני וידאו. אנו מודים במיוחד למטופלים על השתתפותם במחקר זה ועל המשוב והייעוץ בנושא אבטחת רשת ועיצוב פלטפורמות.
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).
