Возвращение клиники домой: мультимодальная экосистема сбора данных на дому для поддержки адаптивной глубокой стимуляции мозга
Summary
Протокол демонстрирует прототип домашней мультимодальной платформы сбора данных, которая поддерживает исследования, оптимизирующие адаптивную глубокую стимуляцию мозга (aDBS) для людей с неврологическими двигательными расстройствами. Мы также представляем основные результаты развертывания платформы в течение более года в доме человека с болезнью Паркинсона.
Abstract
Адаптивная глубокая стимуляция мозга (aDBS) обещает улучшить лечение неврологических расстройств, таких как болезнь Паркинсона (БП). aDBS использует биомаркеры, связанные с симптомами, для корректировки параметров стимуляции в режиме реального времени для более точного таргетирования симптомов. Чтобы включить эти динамические корректировки, параметры алгоритма aDBS должны быть определены для каждого отдельного пациента. Это требует трудоемкой ручной настройки со стороны клинических исследователей, что затрудняет поиск оптимальной конфигурации для одного пациента или масштабирование для многих пациентов. Кроме того, долгосрочная эффективность алгоритмов aDBS, настроенных в клинике, когда пациент находится дома, остается открытым вопросом. Для реализации этой терапии в больших масштабах необходима методология автоматической настройки параметров алгоритма aDBS при удаленном мониторинге результатов терапии. В этой статье мы поделимся проектом платформы для сбора данных в домашних условиях, чтобы помочь в решении обеих проблем. Платформа состоит из интегрированной аппаратной и программной экосистемы с открытым исходным кодом, которая позволяет собирать нейронные, инерциальные и многокамерные видеоданные в домашних условиях. Чтобы обеспечить конфиденциальность данных, идентифицирующих пациента, платформа шифрует и передает данные через виртуальную частную сеть. Эти методы включают в себя выравнивание потоков данных по времени и извлечение оценок поз из видеозаписей. Чтобы продемонстрировать использование этой системы, мы развернули эту платформу в доме человека с болезнью Паркинсона и собирали данные во время самостоятельных клинических задач и периодов свободного поведения в течение 1,5 лет. Данные регистрировали при субтерапевтических, терапевтических и супратерапевтических амплитудах стимуляции для оценки тяжести двигательных симптомов при различных терапевтических условиях. Эти данные, согласованные по времени, показывают, что платформа способна синхронизировать мультимодальный сбор данных в домашних условиях для терапевтической оценки. Эта системная архитектура может быть использована для поддержки автоматизированных исследований aDBS, сбора новых наборов данных и изучения долгосрочных эффектов DBS-терапии за пределами клиники для людей, страдающих неврологическими расстройствами.
Introduction
Глубокая стимуляция мозга (DBS) лечит неврологические расстройства, такие как болезнь Паркинсона (БП), путем подачи электрического тока непосредственно в определенные области мозга. По оценкам, во всем мире насчитывается 8,5 миллиона случаев болезни Паркинсона, и DBS зарекомендовала себя как важнейшая терапия, когда лекарств недостаточно для купирования симптомов 1,2. Однако эффективность DBS может быть ограничена побочными эффектами, которые иногда возникают при стимуляции, которая обычно проводится с фиксированной амплитудой, частотой и длительностью импульса3. Эта реализация с разомкнутым контуром не реагирует на колебания состояния симптомов, что приводит к тому, что настройки стимуляции не соответствуют изменяющимся потребностям пациента. Кроме того, DBS затрудняется трудоемким процессом настройки параметров стимуляции, который в настоящее время выполняется клиницистами вручную для каждого отдельного пациента.
Адаптивный DBS (aDBS) — это подход с замкнутым циклом, который показал свою эффективность в следующей итерации DBS путем корректировки параметров стимуляции в режиме реального времени при обнаружении биомаркеров, связанных с симптомами 3,4,5. Исследования показали, что бета-колебания (10-30 Гц) в субталамическом ядре (STN) происходят последовательно во время брадикинезии, замедления движения, характерного для PD 6,7. Точно так же известно, что осцилляции высокого гамма-излучения (50-120 Гц) в коре головного мозга происходят в периоды дискинезии, чрезмерного и непроизвольного движения, которое также часто наблюдается при БП8. В недавних работах было успешно проведено проведение aDBS за пределами клиники в течение длительных периодов времени, однако долгосрочная эффективность алгоритмов aDBS, которые были настроеныв клинике, когда пациент находится дома, не была установлена.
Дистанционные системы необходимы для того, чтобы зафиксировать изменяющуюся во времени эффективность этих динамических алгоритмов в подавлении симптомов, возникающих в повседневной жизни. В то время как подход динамической стимуляции aDBS потенциально позволяет проводить более точное лечение с меньшим количеством побочных эффектов3,9, aDBS по-прежнему страдает от высокой нагрузки на клиницистов, которые вручную определяют параметры стимуляции для каждого пациента. В дополнение к уже большому набору параметров для программирования во время обычной DBS, алгоритмы aDBS вводят много новых параметров, которые также должны быть тщательно скорректированы. Такая комбинация параметров стимуляции и алгоритма дает обширное пространство параметров с неуправляемым числом возможных комбинаций, что не позволяет масштабировать aDBS на многих пациентов10. Даже в исследовательских условиях дополнительное время, необходимое для настройки и оценки систем aDBS, затрудняет адекватную оптимизацию алгоритмов исключительно в клинике, и требуется удаленное обновление параметров. Чтобы сделать aDBS лечением, которое можно масштабировать, стимуляция и настройка параметров алгоритма должны быть автоматизированы. Кроме того, результаты терапии должны быть проанализированы в ходе повторных исследований, чтобы установить, что aDBS является жизнеспособным долгосрочным лечением вне клиники. Существует потребность в платформе, которая может собирать данные для удаленной оценки эффективности терапии, а также для удаленного развертывания обновлений параметров алгоритма aDBS.
Цель этого протокола — обеспечить многоразовую конструкцию мультимодальной платформы сбора данных на дому для повышения эффективности aDBS за пределами клиники и позволить масштабировать это лечение на большее количество людей. Насколько нам известно, это первая платформа для сбора данных, которая дистанционно оценивает терапевтические результаты с помощью домашних видеокамер, носимых датчиков, записи хронических нейронных сигналов и обратной связи с пациентом для оценки систем aDBS во время контролируемых задач и натуралистического поведения.
Платформа представляет собой экосистему аппаратных и программных компонентов, построенных на ранее разработанных системах5. Он полностью обслуживается через удаленный доступ после первоначальной установки минимального оборудования, чтобы обеспечить мультимодальный сбор данных от человека, не выходя из дома. Ключевым компонентом является имплантируемая система нейростимуляции (INS)11 , которая определяет нейронную активность и доставляет стимуляцию в STN, а также регистрирует ускорение от грудных имплантатов. Для имплантата, используемого при первоначальном развертывании, нейронная активность регистрируется с помощью билатеральных отведений, имплантированных в STN, и с электродов электрокортикографии, имплантированных в моторную кору. Система видеозаписи помогает врачам контролировать тяжесть симптомов и эффективность терапии, которая включает в себя графический пользовательский интерфейс (GUI), позволяющий легко отменять текущие записи для защиты конфиденциальности пациентов. Видео обрабатываются для извлечения кинематических траекторий положения в двух измерениях (2D) или трехмерных (3D), а смарт-часы надеваются на оба запястья для сбора информации об угловой скорости и ускорении. Важно отметить, что все данные шифруются перед передачей в долгосрочное облачное хранилище, а доступ к компьютеру с видеозаписями, позволяющими идентифицировать пациента, можно получить только через виртуальную частную сеть (VPN). Система включает в себя два подхода для выравнивания всех потоков данных по времени, и данные используются для удаленного мониторинга качества движений пациента, а также для выявления биомаркеров, связанных с симптомами, для уточнения алгоритмов aDBS. Видеочасть этой работы показывает процесс сбора данных и анимацию кинематических траекторий, извлеченных из собранных видео.
При разработке протокола учитывался ряд конструктивных соображений:
Обеспечение безопасности данных и конфиденциальности пациентов: Сбор идентифицируемых данных о пациентах требует особой осторожности при передаче и хранении, чтобы соответствовать Закону о преемственности и подотчетности медицинского страхования (HIPAA)12,13 соблюдать требования и уважать частную жизнь пациента в его собственном доме. В данном проекте это было достигнуто путем настройки пользовательского VPN для обеспечения конфиденциальности всего конфиденциального трафика между системными компьютерами.
Границы безопасности параметров стимуляции: Очень важно убедиться, что пациент остается в безопасности при тестировании алгоритмов aDBS, которые могут иметь непредвиденные эффекты. ИНС пациента должна быть настроена врачом таким образом, чтобы иметь безопасные границы параметров стимуляции, которые не допускают небезопасных эффектов от чрезмерной или недостаточной стимуляции. С системой INS11 Эта функция, используемая в данном исследовании, включена программистом-клиницистом.
Обеспечение права вето пациента: Даже в пределах безопасных параметров ежедневная вариабельность симптомов и реакций на стимуляцию может привести к неприятным ситуациям для пациента, когда ему не нравится тестируемый алгоритм и он хочет вернуться к нормальному клиническому DBS с открытым контуром. Выбранная система INS включает в себя модуль телеметрии пациента (PTM), который позволяет пациенту вручную изменять группу стимуляции и амплитуду стимуляции в мА. Существует также исследовательское приложение, подключенное к INS, которое используется для удаленной настройки INS перед сбором данных14, что также позволяет пациенту прервать испытания aDBS и контролировать их терапию.
Фиксация сложного и естественного поведения: Видеоданные были включены в платформу, чтобы позволить клиницистам удаленно контролировать эффективность терапии и извлекать кинематические траектории из оценок поз для использования в исследованиях15. Несмотря на то, что носимые датчики менее навязчивы, трудно охватить весь динамический диапазон движений всего тела, используя только носимые системы. Видео позволяет одновременно записывать полный диапазон движений пациента и его симптомы с течением времени.
Удобство использования системы для пациентов: Сбор мультимодальных данных на дому требует установки и использования нескольких устройств в доме пациента, что может стать обременительным для пациентов. Чтобы сделать систему простой в использовании и при этом обеспечить контроль над пациентом, перед началом записи необходимо вручную включать только те устройства, которые имплантированы или физически прикреплены к пациенту (в данном случае это система INS и смарт-часы). Для устройств, которые находятся отдельно от пациента (в данном случае это данные, записанные с видеокамер), запись начинается и заканчивается автоматически, не требуя какого-либо вмешательства пациента. При проектировании графического интерфейса мы старались свести к минимуму количество кнопок и избежать глубоких деревьев меню, чтобы взаимодействие было простым. После того, как все устройства установлены, координатор исследований показал пациенту, как взаимодействовать со всеми устройствами с помощью графических интерфейсов, которые являются частью каждого устройства, например, как прервать запись на любом устройстве и как ввести историю приема лекарств и отчеты о симптомах.
Прозрачность сбора данных: Необходимо четко указать, когда камеры включены, чтобы люди знали, когда их записывают, и могли приостановить запись, если им нужен момент уединения. Для этого используется системное приложение для управления видеозаписями с графическим интерфейсом, ориентированным на пациента. Графический интерфейс автоматически открывается при запуске приложения и перечисляет время и дату следующей запланированной записи. Когда запись продолжается, появляется сообщение о том, когда запланировано ее окончание. В центре графического интерфейса отображается большое изображение красного света. На изображении видно, что свет ярко горит, когда идет запись, и меняется на неосвещенное изображение, когда запись выключена.
В протоколе подробно описаны методы проектирования, создания и развертывания домашней платформы сбора данных, проверки качества собранных данных на полноту и надежность, а также постобработки данных для использования в будущих исследованиях.
Рисунок 1: Поток данных. Данные для каждого метода собираются независимо от места жительства пациента, а затем обрабатываются и агрегируются в единую конечную точку удаленного хранения. Данные для каждой модальности автоматически отправляются в конечную точку удаленного хранилища. Затем с помощью одного из членов команды его можно извлечь, проверить на валидность, выровнять по времени в разных модальностях, а также подвергнуть предварительной обработке, более специфичной для конкретной модальности. Затем скомпилированный набор данных загружается в конечную точку удаленного хранилища, к которой все члены команды могут получить безопасный доступ для дальнейшего анализа. Все компьютеры с доступом к данным, особенно к конфиденциальным данным, таким как необработанное видео, заключены в VPN, который обеспечивает безопасную передачу всех данных и постоянное шифрование сохраненных данных. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Protocol
Representative Results
Discussion
Мы делимся дизайном домашнего прототипа мультимодальной платформы сбора данных для поддержки будущих исследований в области нейромодуляции. Конструкция имеет открытый исходный код и модульную структуру, так что любое оборудование может быть заменено, а любой программный компонент м…
Declarações
The authors have nothing to disclose.
Acknowledgements
Этот материал основан на работе, поддержанной Программой стипендий для аспирантов Национального научного фонда (DGE-2140004), Weill Neurohub и Национальным институтом здравоохранения (UH3NS100544). Любые мнения, выводы, выводы или рекомендации, выраженные в этом материале, принадлежат автору (авторам) и не обязательно отражают точку зрения Национального научного фонда, Weill Neurohub или Национального института здравоохранения. Мы благодарим Тяньцзяо Чжана за экспертные консультации по дизайну платформы и внедрению видеоданных. Мы особенно благодарим пациента за участие в этом исследовании, а также за отзывы и советы по сетевой безопасности и проектированию платформы.
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 |
Referências
- 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).
