クリニックを自宅に持ち帰る:適応型脳深部刺激療法をサポートする在宅マルチモーダルデータ収集エコシステム
Summary
このプロトコルは、神経学的運動障害を持つ人々のための適応的脳深部刺激療法(aDBS)を最適化する研究をサポートする在宅マルチモーダルデータ収集プラットフォームのプロトタイプを示しています。また、パーキンソン病患者の自宅に1年以上にわたってプラットフォームを導入した結果、重要な調査結果も紹介します。
Abstract
適応的脳深部刺激療法(aDBS)は、パーキンソン病(PD)などの神経疾患の治療改善に期待されています。aDBSは、症状に関連するバイオマーカーを使用して、刺激パラメータをリアルタイムで調整し、症状をより正確にターゲットにします。これらの動的な調整を可能にするには、aDBSアルゴリズムのパラメータを個々の患者ごとに決定する必要があります。これには、臨床研究者による時間のかかる手動調整が必要であり、1人の患者に最適な構成を見つけたり、多くの患者に拡張したりすることが困難でした。さらに、患者が自宅にいる間にクリニック内で構成されたaDBSアルゴリズムの長期的な有効性は、未解決の問題のままです。この治療法を大規模に実施するためには、治療結果を遠隔でモニタリングしながら、aDBSアルゴリズムのパラメータを自動的に設定する方法論が必要です。このホワイトペーパーでは、この2つの問題に対処するために、在宅データ収集プラットフォームの設計を共有します。このプラットフォームは、オープンソースのハードウェアとソフトウェアの統合エコシステムで構成されており、ニューラル、慣性、およびマルチカメラのビデオデータを自宅で収集できます。患者を特定できるデータのプライバシーを確保するために、プラットフォームはデータを暗号化し、仮想プライベートネットワークを介して転送します。この手法には、データストリームの時間調整や、ビデオ録画からの姿勢推定値の抽出が含まれます。このシステムの使用を実証するために、このプラットフォームをPDの個人の自宅に展開し、1.5年間にわたって自主的な臨床タスクと自由行動の期間中にデータを収集しました。データは、さまざまな治療条件下で運動症状の重症度を評価するために、治療下、治療上、および治療上刺激の振幅で記録されました。これらの時間軸合わせデータは、このプラットフォームが治療評価のために、自宅でのマルチモーダルデータ収集を同期できることを示しています。このシステムアーキテクチャは、自動化されたaDBS研究をサポートし、新しいデータセットを収集し、神経疾患に苦しむ人々に対するクリニック外でのDBS療法の長期的な効果を研究するために使用できます。
Introduction
脳深部刺激療法(DBS)は、脳内の特定の領域に直接電流を流すことにより、パーキンソン病(PD)などの神経疾患を治療します。世界中で推定850万人のPD症例があり、DBSは、症状を管理するのに薬物療法が不十分な場合に重要な治療法であることが証明されています1,2。しかし、DBSの有効性は、従来固定された振幅、周波数、およびパルス幅で送達される刺激から時々発生する副作用によって制約され得る3。このオープンループの実装は、症状状態の変動に反応しないため、患者の変化するニーズに適切に適合しない刺激設定が生じます。DBSは、現在、臨床医が個々の患者ごとに手動で行っている刺激パラメータの調整という時間のかかるプロセスによってさらに妨げられています。
適応型DBS(aDBS)は、症状に関連するバイオマーカーが検出されるたびに刺激パラメータをリアルタイムで調整することにより、DBSの効果的な次の反復であることが示されているクローズドループアプローチです3,4,5。研究によると、視床下核(STN)のベータ振動(10〜30 Hz)は、PD 6,7に特徴的な運動の鈍化である運動緩慢中に一貫して発生します。同様に、皮質における高ガンマ振動(50-120 Hz)は、PD8でも一般的に見られる過度で不随意運動であるジスキネジアの期間中に発生することが知られています。最近の研究では、診療所外で長期間aDBSを投与することに成功していますが5、患者が在宅中に診療所内で構成されたaDBSアルゴリズムの長期的な有効性は確立されていません。
日常生活で遭遇する症状を抑制する上で、これらの動的アルゴリズムの時間とともに変化する効果を捉えるには、リモートシステムが必要です。aDBSの動的刺激アプローチは、副作用を抑えたより正確な治療を可能にする可能性がありますが3,9、aDBSは依然として、各患者の刺激パラメータを手動で特定する臨床医の大きな負担に悩まされています。従来のDBSでプログラムするパラメータのセットがすでに大きいことに加えて、aDBSアルゴリズムには多くの新しいパラメータが導入されており、これも慎重に調整する必要があります。この刺激パラメータとアルゴリズムパラメータの組み合わせは、制御不能な数の組み合わせを持つ広大なパラメータ空間を生み出し、aDBSが多くの患者にスケーリングすることを妨げます10。研究現場でも、aDBSシステムの構成と評価に時間がかかるため、臨床だけでアルゴリズムを適切に最適化することは困難であり、パラメータのリモート更新が必要です。aDBSをスケーリング可能な治療法にするには、刺激とアルゴリズムのパラメータ調整を自動化する必要があります。さらに、aDBSを臨床外での実行可能な長期治療として確立するために、治療の結果を反復試験にわたって分析する必要があります。治療効果をリモートで評価するためのデータを収集し、aDBSアルゴリズムパラメータの更新をリモートで展開できるプラットフォームが必要です。
このプロトコルの目標は、マルチモーダルな在宅データ収集プラットフォームの再利用可能なデザインを提供して、クリニック外での aDBS の有効性を向上させ、この治療をより多くの個人に拡大できるようにすることです。私たちの知る限り、家庭用ビデオカメラ、ウェアラブルセンサー、慢性神経信号記録、患者主導のフィードバックを使用して治療結果をリモートで評価し、制御されたタスクと自然な行動中のaDBSシステムを評価する最初のデータ収集プラットフォーム設計です。
このプラットフォームは、以前に開発されたシステム5に基づいて構築されたハードウェアおよびソフトウェアコンポーネントのエコシステムです。最小限のハードウェアを最初にインストールした後、リモートアクセスによって完全に保守できるため、自宅で快適に人からマルチモーダルなデータ収集を行うことができます。その鍵となるのが、神経活動を感知してSTNに刺激を与え、胸部インプラントからの加速度を記録する植込み型神経刺激システム(INS)11 です。最初の展開で使用されるインプラントの場合、神経活動は、STNに埋め込まれた両側リード線と、運動皮質に埋め込まれた皮質電図電極から記録されます。ビデオ録画システムは、臨床医が症状の重症度と治療効果を監視するのに役立ち、グラフィカルユーザーインターフェース(GUI)を備えており、進行中の録画を簡単にキャンセルして患者のプライバシーを保護できます。ビデオを処理して、2次元(2D)または3次元(3D)の位置の運動学的軌跡を抽出し、スマートウォッチを両手首に装着して角速度と加速度の情報を取得します。重要なのは、すべてのデータは暗号化されてから長期クラウドストレージに転送され、患者を特定できるビデオがあるコンピューターには仮想プライベートネットワーク(VPN)を介してのみアクセスできることです。このシステムには、すべてのデータストリームを事後的にタイムアライメントするための2つのアプローチが含まれており、データを使用して患者の動きの質をリモートで監視し、aDBSアルゴリズムを改良するための症状関連のバイオマーカーを特定します。この作品のビデオ部分は、データ収集プロセスと、収集されたビデオから抽出された運動学的軌跡のアニメーションを示しています。
プロトコルの開発には、いくつかの設計上の考慮事項が導かれました。
データセキュリティと患者のプライバシーの確保: 識別可能な患者データを収集するには、医療保険の相互運用性と説明責任に関する法律 (HIPAA) であるため、送信と保存に細心の注意を払う必要があります12,13 準拠し、自宅で患者のプライバシーを尊重する。このプロジェクトでは、システムコンピュータ間のすべての機密性の高いトラフィックのプライバシーを確保するためのカスタムVPNを設定することで、これを実現しました。
刺激パラメータの安全限界: 意図しない影響をもたらす可能性のあるaDBSアルゴリズムを試している間、患者の安全を確保することが重要です。患者のINSは、過剰な刺激または過小刺激による危険な影響を許容しない刺激パラメータの安全な境界を持つように臨床医によって構成されなければなりません。INSシステムの場合11 この研究で使用されるこの機能は、臨床医のプログラマーによって有効になります。
患者が拒否権を行使できるようにする: 安全なパラメータ範囲内であっても、症状と刺激反応の日々の変動性は、患者がテスト中のアルゴリズムを嫌い、通常の臨床的オープンループDBSに戻りたいという不快な状況をもたらす可能性があります。選択されたINSシステムには、患者が刺激グループと刺激振幅をmA単位で手動で変更できる患者テレメトリモジュール(PTM)が含まれています。また、データ収集に先立ってINSをリモートで設定するために使用されるINS接続の研究アプリケーションもあります14これにより、患者はaDBS試験を中止し、治療を管理することもできます。
複雑で自然な動作をキャプチャする: ビデオデータは、臨床医が治療効果をリモートで監視し、研究分析で使用するために姿勢推定から運動学的軌跡を抽出できるように、プラットフォームに組み込まれました15.ウェアラブルセンサーは邪魔になりませんが、ウェアラブルシステムのみを使用して全身のダイナミックな可動域を完全にキャプチャすることは困難です。ビデオにより、患者の全可動域と症状を経時的に同時に記録することができます。
患者にとってのシステムの使い勝手:在宅マルチモーダルデータを収集するには、患者の自宅に複数のデバイスを設置して活用する必要があり、患者の移動が煩雑になる可能性があります。患者のコントロールを確保しながらシステムを使いやすくするには、記録を開始する前に、患者に埋め込まれている、または物理的に取り付けられているデバイス(この場合はINSシステムとスマートウォッチを含む)のみを手動でオンにする必要があります。患者とは別のデバイス(この場合、ビデオカメラから記録されたデータを含む)の場合、患者の操作を必要とせずに、録画が自動的に開始および終了します。GUIの設計では、ボタンの数を最小限に抑え、深いメニューツリーを避けて、操作がシンプルになるように注意が払われました。すべてのデバイスがインストールされた後、研究コーディネーターは、任意のデバイスで記録を終了する方法や、投薬履歴と症状レポートを入力する方法など、各デバイスの一部である患者向けGUIを介してすべてのデバイスを操作する方法を患者に示しました。
データ収集の透明性:カメラの電源がオンになっていることを明確に示すことは、人々がいつ録画されているかを知り、プライバシーの瞬間が必要な場合は録画を一時停止できるようにするために不可欠です。これを実現するために、カメラシステムアプリケーションを使用して、患者向けのGUIでビデオ録画を制御します。アプリケーションを起動すると、GUI が自動的に開き、次にスケジュールされた録画の日時が一覧表示されます。記録が進行中の場合は、記録の終了が予定されていることを示すメッセージが表示されます。GUIの中央には、赤いライトの大きな画像が表示されます。この画像は、録画中は常に明るく点灯しているライトを示しており、録画がオフのときは点灯していない画像に変わります。
このプロトコルでは、在宅データ収集プラットフォームの設計、構築、展開、収集されたデータの完全性と堅牢性の品質チェック、および将来の研究で使用するためのデータの後処理の方法を詳しく説明しています。
図1:データフロー 各モダリティのデータは、患者の居住地から独立して収集され、処理され、単一のリモートストレージエンドポイントに集約されます。各モダリティのデータは、リモート・ストレージ・エンドポイントに自動的に送信されます。チームメンバーの1人の助けを借りて、それを取得し、妥当性をチェックし、モダリティ間で時間を調整し、よりモダリティ固有の前処理を行うことができます。コンパイルされたデータセットは、すべてのチームメンバーが安全にアクセスして分析を継続できるリモートストレージエンドポイントにアップロードされます。特に生のビデオなどの機密データについては、データにアクセスできるすべてのマシンがVPNで囲まれているため、すべてのデータが安全に転送され、保存されたデータは常に暗号化されます。 この図の拡大版をご覧になるには、ここをクリックしてください。
Protocol
Representative Results
Discussion
ニューロモデュレーション研究における将来の研究を支援するために、マルチモーダルデータ収集プラットフォームの在宅プロトタイプの設計を共有します。この設計はオープンソースでモジュール式であるため、プラットフォーム全体を崩壊させることなく、ハードウェアのあらゆる部分を置き換えたり、ソフトウェアコンポーネントを更新または変更したりできます。神経データを収集?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
この資料は、全米科学財団大学院研究フェローシッププログラム(DGE-2140004)、ワイルニューロハブ、および国立衛生研究所(UH3NS100544)の支援を受けた研究に基づいています。この資料に記載されている意見、調査結果、結論、または推奨事項は著者のものであり、必ずしも米国国立科学財団、ワイルニューロハブ、または米国国立衛生研究所の見解を反映しているわけではありません。プラットフォームの設計とビデオデータの組み込みに関する専門的なコンサルティングを行ってくれたTianjiao Zhangに感謝します。特に、この研究に参加してくださった患者様、およびネットワークセキュリティとプラットフォーム設計に関するフィードバックとアドバイスに感謝します。
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
- 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).
