Portare la clinica a casa: un ecosistema di raccolta dati multimodale a domicilio per supportare la stimolazione cerebrale profonda adattiva

Summary

Il protocollo mostra un prototipo della piattaforma di raccolta dati multimodale a domicilio che supporta la ricerca che ottimizza la stimolazione cerebrale profonda adattiva (aDBS) per le persone con disturbi neurologici del movimento. Presentiamo anche i risultati chiave dell’implementazione della piattaforma per oltre un anno a casa di un individuo con malattia di Parkinson.

Abstract

La stimolazione cerebrale profonda adattiva (aDBS) è promettente per migliorare il trattamento dei disturbi neurologici come il morbo di Parkinson (PD). aDBS utilizza biomarcatori correlati ai sintomi per regolare i parametri di stimolazione in tempo reale per indirizzare i sintomi in modo più preciso. Per abilitare queste regolazioni dinamiche, è necessario determinare i parametri per un algoritmo aDBS per ogni singolo paziente. Ciò richiede una lunga messa a punto manuale da parte dei ricercatori clinici, rendendo difficile trovare una configurazione ottimale per un singolo paziente o scalare per molti pazienti. Inoltre, l’efficacia a lungo termine degli algoritmi aDBS configurati in clinica mentre il paziente è a casa rimane una questione aperta. Per implementare questa terapia su larga scala, è necessaria una metodologia per configurare automaticamente i parametri dell’algoritmo aDBS monitorando a distanza i risultati della terapia. In questo documento, condividiamo un progetto per una piattaforma di raccolta dati a domicilio per aiutare il settore ad affrontare entrambi i problemi. La piattaforma è composta da un ecosistema hardware e software integrato che è open-source e consente la raccolta domestica di dati video neurali, inerziali e multi-camera. Per garantire la privacy dei dati identificabili dai pazienti, la piattaforma crittografa e trasferisce i dati attraverso una rete privata virtuale. I metodi includono l’allineamento temporale dei flussi di dati e l’estrazione di stime di posa dalle registrazioni video. Per dimostrare l’uso di questo sistema, abbiamo implementato questa piattaforma a casa di un individuo con PD e abbiamo raccolto dati durante attività cliniche autoguidate e periodi di comportamento libero nel corso di 1,5 anni. I dati sono stati registrati ad ampiezze di stimolazione sub-terapeutica, terapeutica e sovra-terapeutica per valutare la gravità dei sintomi motori in diverse condizioni terapeutiche. Questi dati allineati nel tempo mostrano che la piattaforma è in grado di raccogliere dati multimodali sincronizzati a casa per la valutazione terapeutica. Questa architettura di sistema può essere utilizzata per supportare la ricerca automatizzata sull’aDBS, per raccogliere nuovi set di dati e per studiare gli effetti a lungo termine della terapia DBS al di fuori della clinica per coloro che soffrono di disturbi neurologici.

Introduction

La stimolazione cerebrale profonda (DBS) tratta i disturbi neurologici come il morbo di Parkinson (PD) fornendo corrente elettrica direttamente a specifiche regioni del cervello. Si stima che ci siano 8,5 milioni di casi di malattia di Parkinson in tutto il mondo e la DBS ha dimostrato di essere una terapia critica quando i farmaci sono insufficienti per gestire i sintomi ^1,2. Tuttavia, l’efficacia della DBS può essere limitata dagli effetti collaterali che a volte si verificano dalla stimolazione che viene convenzionalmente erogata ad ampiezza, frequenza e larghezza di impulso^{fisse 3}. Questa implementazione a circuito aperto non risponde alle fluttuazioni dello stato dei sintomi, con conseguenti impostazioni di stimolazione che non sono adeguatamente adattate alle mutevoli esigenze del paziente. La DBS è ulteriormente ostacolata dal lungo processo di regolazione dei parametri di stimolazione, che attualmente viene eseguito manualmente dai medici per ogni singolo paziente.

La DBS adattiva (aDBS) è un approccio a circuito chiuso che ha dimostrato di essere un’efficace iterazione successiva della DBS, regolando i parametri di stimolazione in tempo reale ogni volta che vengono rilevati biomarcatori correlati ai sintomi ^3,4,5. Gli studi hanno dimostrato che le oscillazioni beta (10-30 Hz) nel nucleo subtalamico (STN) si verificano costantemente durante la bradicinesia, un rallentamento del movimento caratteristico della PD ^6,7. Allo stesso modo, è noto che le oscillazioni ad alta gamma (50-120 Hz) nella corteccia si verificano durante i periodi di discinesia, un movimento eccessivo e involontario comunemente osservato anche nel PD⁸. Lavori recenti hanno somministrato con successo aDBS al di fuori della clinica per periodi prolungati⁵, tuttavia l’efficacia a lungo termine degli algoritmi aDBS che sono stati configurati in clinica mentre un paziente è a casa non è stata stabilita.

I sistemi remoti sono necessari per catturare l’efficacia variabile nel tempo di questi algoritmi dinamici nel sopprimere i sintomi incontrati durante la vita quotidiana. Mentre l’approccio di stimolazione dinamica dell’aDBS consente potenzialmente un trattamento più preciso con effetti collaterali ridotti^3,9, l’aDBS soffre ancora di un elevato onere per i medici di identificare manualmente i parametri di stimolazione per ogni paziente. Oltre al già ampio set di parametri da programmare durante la DBS convenzionale, gli algoritmi aDBS introducono molti nuovi parametri che devono essere regolati con attenzione. Questa combinazione di parametri di stimolazione e algoritmi produce un vasto spazio di parametri con un numero ingestibile di possibili combinazioni, impedendo all’aDBS di espandersi a molti pazienti¹⁰. Anche in ambito di ricerca, il tempo aggiuntivo necessario per configurare e valutare i sistemi aDBS rende difficile ottimizzare adeguatamente gli algoritmi esclusivamente in clinica ed è necessario l’aggiornamento remoto dei parametri. Per rendere l’aDBS un trattamento scalabile, la stimolazione e la regolazione dei parametri dell’algoritmo devono essere automatizzate. Inoltre, i risultati della terapia devono essere analizzati attraverso studi ripetuti per stabilire che l’aDBS è un trattamento praticabile a lungo termine al di fuori della clinica. C’è bisogno di una piattaforma in grado di raccogliere dati per la valutazione remota dell’efficacia della terapia e per distribuire da remoto gli aggiornamenti dei parametri dell’algoritmo aDBS.

L’obiettivo di questo protocollo è quello di fornire un design riutilizzabile per una piattaforma di raccolta dati multimodale a domicilio per migliorare l’efficacia dell’aDBS al di fuori della clinica e per consentire a questo trattamento di scalare a un numero maggiore di individui. Per quanto ne sappiamo, è la prima piattaforma di raccolta dati progettata che valuta a distanza i risultati terapeutici utilizzando videocamere domestiche, sensori indossabili, registrazione del segnale neurale cronico e feedback guidato dal paziente per valutare i sistemi aDBS durante compiti controllati e comportamento naturalistico.

La piattaforma è un ecosistema di componenti hardware e software costruiti su sistemi sviluppati in precedenza⁵. È manutenibile interamente tramite accesso remoto dopo un’installazione iniziale di hardware minimo per consentire la raccolta di dati multimodali da una persona nel comfort della propria casa. Un componente chiave è il sistema di neurostimolazione impiantabile (INS)¹¹ che rileva l’attività neurale e fornisce la stimolazione all’STN e registra l’accelerazione degli impianti toracici. Per l’impianto utilizzato nella distribuzione iniziale, l’attività neurale viene registrata da elettrocateteri bilaterali impiantati nell’STN e da elettrodi per elettrocorticografia impiantati sulla corteccia motoria. Un sistema di registrazione video aiuta i medici a monitorare la gravità dei sintomi e l’efficacia della terapia, che include un’interfaccia utente grafica (GUI) per consentire una facile cancellazione delle registrazioni in corso per proteggere la privacy del paziente. I video vengono elaborati per estrarre le traiettorie cinematiche della posizione in due dimensioni (2D) o tridimensionali (3D) e gli smartwatch vengono indossati su entrambi i polsi per acquisire informazioni sulla velocità angolare e sull’accelerazione. È importante sottolineare che tutti i dati vengono crittografati prima di essere trasferiti nell’archiviazione cloud a lungo termine e che il computer con i video identificabili dal paziente è accessibile solo tramite una rete privata virtuale (VPN). Il sistema include due approcci per l’allineamento temporale post-hoc di tutti i flussi di dati e i dati vengono utilizzati per monitorare a distanza la qualità del movimento del paziente e per identificare i biomarcatori correlati ai sintomi per perfezionare gli algoritmi aDBS. La parte video di questo lavoro mostra il processo di raccolta dei dati e le animazioni delle traiettorie cinematiche estratte dai video raccolti.

Lo sviluppo del protocollo è stato guidato da una serie di considerazioni progettuali:
Garantire la sicurezza dei dati e la privacy dei pazienti: La raccolta di dati identificabili dei pazienti richiede la massima attenzione nella trasmissione e nell’archiviazione per essere Health Insurance Portability and Accountability Act (HIPAA)^12,13 e di rispettare la privacy del paziente nella propria abitazione. In questo progetto, questo risultato è stato raggiunto impostando una VPN personalizzata per garantire la privacy di tutto il traffico sensibile tra i computer del sistema.
Limiti di sicurezza dei parametri di stimolazione: È fondamentale garantire che il paziente rimanga al sicuro durante la prova degli algoritmi aDBS che potrebbero avere effetti indesiderati. L’INS del paziente deve essere configurato da un medico in modo da avere confini sicuri per i parametri di stimolazione che non consentono effetti pericolosi da sovrastimolazione o sottostimolazione. Con il sistema INS¹¹ Utilizzata in questo studio, questa funzione è abilitata da un programmatore clinico.
Garantire il veto del paziente: Anche entro i limiti dei parametri di sicurezza, la variabilità giornaliera dei sintomi e delle risposte di stimolazione può portare a situazioni spiacevoli per il paziente in cui non gradisce un algoritmo in fase di test e desidera tornare alla normale DBS clinica ad anello aperto. Il sistema INS selezionato include un modulo di telemetria del paziente (PTM) che consente al paziente di modificare manualmente il gruppo di stimolazione e l’ampiezza di stimolazione in mA. Esiste anche un’applicazione di ricerca collegata all’INS che viene utilizzata per la configurazione remota dell’INS prima della raccolta dei dati¹⁴, che consente inoltre al paziente di interrompere gli studi sulla aDBS e di controllare la terapia.
Cattura di comportamenti complessi e naturali: I dati video sono stati incorporati nella piattaforma per consentire ai medici di monitorare a distanza l’efficacia della terapia e di estrarre traiettorie cinematiche dalle stime di posa da utilizzare nelle analisi di ricerca¹⁵. Sebbene i sensori indossabili siano meno intrusivi, è difficile catturare l’intera gamma dinamica di movimento di un intero corpo utilizzando solo i sistemi indossabili. I video consentono la registrazione simultanea dell’intera gamma di movimenti del paziente e dei suoi sintomi nel tempo.
Usabilità del sistema per i pazienti: la raccolta di dati multimodali a casa richiede l’installazione e l’utilizzo di più dispositivi nella casa di un paziente, il che potrebbe diventare oneroso per i pazienti. Per rendere il sistema facile da usare e garantire il controllo del paziente, solo i dispositivi impiantati o fisicamente collegati al paziente (in questo caso il sistema INS e gli smartwatch) devono essere accesi manualmente prima di avviare una registrazione. Per i dispositivi separati dal paziente (in questo caso si tratta di dati registrati da videocamere), le registrazioni iniziano e terminano automaticamente senza richiedere alcuna interazione con il paziente. Durante la progettazione della GUI è stata prestata attenzione a ridurre al minimo il numero di pulsanti e ad evitare alberi di menu profondi in modo che le interazioni fossero semplici. Dopo che tutti i dispositivi sono stati installati, un coordinatore della ricerca ha mostrato al paziente come interagire con tutti i dispositivi attraverso le interfacce grafiche rivolte al paziente che fanno parte di ciascun dispositivo, ad esempio come terminare le registrazioni su qualsiasi dispositivo e come inserire la cronologia dei farmaci e i rapporti sui sintomi.
Trasparenza della raccolta dei dati: Indicare chiaramente quando le telecamere sono accese è fondamentale in modo che le persone sappiano quando vengono registrate e possano sospendere la registrazione se hanno bisogno di un momento di privacy. Per raggiungere questo obiettivo, viene utilizzata un’applicazione di sistema di telecamere per controllare le registrazioni video con un’interfaccia grafica rivolta al paziente. La GUI si apre automaticamente all’avvio dell’applicazione ed elenca l’ora e la data della successiva registrazione pianificata. Quando una registrazione è in corso, un messaggio indica quando è programmata la fine della registrazione. Al centro della GUI, viene visualizzata un’immagine di grandi dimensioni di una luce rossa. L’immagine mostra la luce che è intensamente accesa ogni volta che è in corso una registrazione e cambia in un’immagine non illuminata quando le registrazioni sono spente.

Il protocollo descrive in dettaglio i metodi per la progettazione, la costruzione e l’implementazione di una piattaforma di raccolta dati a domicilio, per il controllo della qualità dei dati raccolti per verificarne la completezza e la robustezza e per la post-elaborazione dei dati da utilizzare nella ricerca futura.

Figura 1: Flusso di dati. I dati per ogni modalità vengono raccolti indipendentemente dalla residenza del paziente prima di essere elaborati e aggregati in un unico endpoint di archiviazione remota. I dati per ogni modalità vengono inviati automaticamente a un endpoint di archiviazione remota. Con l’aiuto di uno dei membri del team, può quindi essere recuperato, controllato per la validità, allineato nel tempo tra le modalità e sottoposto a una pre-elaborazione più specifica per la modalità. Il set di dati compilato viene quindi caricato in un endpoint di archiviazione remota a cui tutti i membri del team possono accedere in modo sicuro per un’analisi continua. Tutte le macchine con accesso ai dati, in particolare per i dati sensibili come i video grezzi, sono racchiuse all’interno di una VPN che garantisce che tutti i dati vengano trasferiti in modo sicuro e che i dati archiviati siano sempre crittografati. Fare clic qui per visualizzare una versione più grande di questa figura.

Protocol

I pazienti vengono arruolati attraverso uno studio più ampio approvato dall’IRB e dall’IDE nell’aDBS presso l’Università della California, San Francisco, protocollo # G1800975. Il paziente arruolato in questo studio ha inoltre fornito il consenso informato specificamente per questo studio. 1. Componenti del sistema a casa Server centrale e VPNProcurati un personal computer (PC) con un sistema operativo (OS) basato su Linux dedicato a…

Representative Results

Progettazione e implementazione di prototipi di piattaformeAbbiamo progettato un prototipo di piattaforma e l’abbiamo distribuito a casa di un singolo paziente (Figura 1). Dopo la prima installazione dell’hardware in casa, la piattaforma può essere mantenuta e i dati raccolti interamente tramite accesso remoto. I dispositivi INS, gli orologi intelligenti e le telecamere sono dotati di applicazioni rivolte ai pazienti che consentono ai pazienti di avviare e interrompere …

Discussion

Condividiamo la progettazione di un prototipo a domicilio di una piattaforma di raccolta dati multimodale per supportare la ricerca futura nella ricerca sulla neuromodulazione. Il design è open-source e modulare, in modo tale che qualsiasi componente hardware possa essere sostituito e qualsiasi componente software possa essere aggiornato o modificato senza che l’intera piattaforma collassino. Mentre i metodi per la raccolta e la deidentificazione dei dati neurali sono specifici per l’INS selezionato, i metodi rimanenti …

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