Name: Dynamiczne cyfrowe biomarkery funkcji motorycznych i poznawczych w chorobie Parkinsona (Wideo) | JoVE Journal
Uploaded: 2019-07-24T15:00:00.000+00:00
Duration: 10 min 28 s
Description: Poznaj metodę cyfryzacji zadań klinicznych w chorobie Parkinsona przy użyciu czujników noszonych. Technika ta umożliwia identyfikację dynamicznych cyfrowych biomarkerów funkcji poznawczych i motorycznych.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Te badania są częściowo finansowane przez Rutgers Discovery Informatics Institute dla JR, Rutgers University TechAdvance Funds dla EBT i JV, New Jersey Governor's Council for the Research and Treatment of Autism dla EBT oraz Michael J Fox Foundation dla RD.

Wszystkie opisane tutaj metody zostały zatwierdzone przez Komisję Bioetyczną (Institutional Review Board) Uniwersytetu Rutgers.
1. Uczestnicy i konfiguracja systemu akwizycji
<ol>
	<li>Uzyskać świadomą zgodę od uczestników. 
	UWAGA: Uczestnicy powinni być albo zdiagnozowani pod kątem choroby Parkinsona, albo nie wykazywać żadnych zaburzeń neurologicznych, aby pełnić rolę zdrowej grupy kontrolnej. Zdrowi uczestnicy powinni być dopasowani pod względem płci i wieku do uczestników chorych. Wszyscy uczestnicy powinni posiadać zdolność do ciągłego chodzenia przez 5 minut.</li>
	<li>Zmierz wymiary ciała uczestnika (wzrost, długość stopy, rozpiętość ramion, wysokość kostki, wysokość biodra, szerokość bioder, wysokość kolana, szerokość barków, wysokość barków; Rycina 2A), aby w późniejszym czasie utworzyć awatar ciała tej osoby w systemie motion capture. 
	UWAGA: Informacje te są wykorzystywane w systemie przechwytywania ruchu w celu dokładnego zapisu danych pozycyjnych ciała uczestnika.</li>
	<li>Skonfiguruj system przechwytywania ruchu, w tym 17 bezprzewodowych czujników śledzenia ruchu oraz oprogramowanie do śledzenia ruchu.
	<ol>
		<li>Umieść czujniki na następujących częściach ciała: głowie, mostku, miednicy, prawym barku, prawym ramieniu, prawym przedramieniu, prawej dłoni, lewym barku, lewym ramieniu, lewym przedramieniu, lewej dłoni, prawym udzie, prawej podudziu, prawej stopie, lewym udzie, lewym podudziu, lewej stopie (Rysunek 2B). Przymocuj te sensory za pomocą opasek, aby umożliwić swobodny ruch.</li>
		<li>Po umieszczeniu wszystkich czujników w odpowiednich miejscach należy skalibrować pozycję uczestnika w celu utworzenia jego awatara. 
		UWAGA: Szczegółowe informacje na temat metody kalibracji znajdują się w pracy Roetenberg i wsp.9.</li>
	</ol>
	</li>
	<li>Przygotuj urządzenie EEG oraz oprogramowanie do rejestracji EEG.
	<ol>
		<li>Rozmieść 31 czujników na skórze głowy oraz urządzenie rejestrujące z tyłu głowy uczestnika. Umieść czujniki kanałów w następujących lokalizacjach: P7, P4, Cz, Pz, P3, P8, O1, O2, T8, F8, C4, F4, Fp2, Fz, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, CP6, CP2, CP1, CP5, FC1, FC5, AF3, PO3 (Rycina 2C).</li>
		<li>Podłącz pozostały czujnik kanału (Oz) do złącza w celu pomiaru sygnału serca, umieszczając podłączony czujnik na brzuchu uczestnika po lewej stronie (Rycina 2C).</li>
		<li>Zamocuj dwa sensory kanału referencyjnego za lewym uchem uczestnika, a następnie za pomocą strzykawki wprowadź żel do elektrod do sensorów w czepku EEG (Rycina 2C).</li>
		<li>Po zakończeniu rozpoczęcie przesyłania aktywności elektrycznej do oprogramowania rejestrującego na kilka minut, aż do momentu stabilizacji sygnału. 
		UWAGA: Rycina 2D przedstawia przykładowe zapisy sygnałów EEG pozyskanych z ośrodkowego układu nerwowego (OUN) oraz autonomicznego układu nerwowego (AUN).</li>
	</ol>
	</li>
	<li>Skonfiguruj mikrofon, aby zarejestrować głos uczestnika. Umieść mikrofon przed uczestnikiem i podłącz go do komputera, na którym będzie uruchomiona warstwa strumieniowania laboratoryjnego (Lab Streaming Layer, LSL) (patrz: LSL poniżej) (Rycina 2E).</li>
</ol>
<img alt="System sensorów ubieralnych do monitorowania ruchu i EKG, schemat, konfiguracja EEG, analiza wykresów danych." class="xfigimg" src="/files/ftp_upload/59827/59827fig2.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 2"> 
Rysunek 2: Konfiguracja do digitalizacji tradycyjnych testów klinicznych z integracją wielu przebiegów falowych z dyskretnych bezprzewodowych biosensorów ubieralnych. (A) Konfiguracja dla zadań rysunkowych: rzeczywisty pacjent z założonymi dyskretnymi sensorami ubieralnymi oraz awatar renderowany w czasie rzeczywistym na podstawie zbieranej kinematyki. (B) Lokalizacje zestawu małych i lekkich sensorów do śledzenia ruchu (60 Hz), z których dane o ruchu są zarejestrowane synchronicznie w obrębie całego ciała. (C) Mapa EEG i lokalizacja referencyjna. (D) Przykładowe przebiegi EEG z 31 odprowadzeń oraz sygnał serca wyekstrahowany z odprowadzenia Oz. (E) Przykładowy przebieg fali głosu uczestnika podczas zadania liczenia. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig2large.jpg" target="_blank">Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<ol start="6">
	<li>Skonfiguruj system LSL w celu synchronizacji strumieni sygnałów EEG, ruchu i audio, wraz z sygnaturami czasowymi kliknięć myszy (Rysunek 3A).
	<ol>
		<li>Otwórz aplikację Lab Recorder.</li>
		<li>Uruchom aplikacje LSL dla myszy oraz wewnętrzną aplikację synchronizującą Xsens i połącz je z aplikacją Lab Recorder, zaznaczając pola Mouse Buttons oraz Tracker Kinematics w sekcji Record from Streams. 
		UWAGA: Aplikacja Mouse będzie służyć do znacznikowania czasowego zdarzeń podczas eksperymentu.</li>
		<li>Połącz strumienie EEG, ruchu i audio z aplikacją Lab Recorder, zaznaczając pola AudioCaptureWin, LSL-EEG oraz Position w sekcji Record from Streams. 
		UWAGA: System LSL umożliwia ujednolicony zbiór szeregów czasowych pomiarów w eksperymentach badawczych, zarządzając synchronizacją czasu, łącznością sieciową i dostępem w czasie rzeczywistym, a także scentralizowanym zbieraniem, przeglądaniem i zapisem danych na dysku. W kontekście niniejszego protokołu system LSL synchronizuje strumieniowanie danych z OUN, obwodowego układu nerwowego (OUN) i AUN, podczas gdy osoba naturalnie wykonuje tradycyjne zadania kliniczne.</li>
	</ol>
	</li>
	<li>Skonfiguruj rejestrację ruchu piórka, w tym tablet graficzny i oprogramowanie do analizy ruchu (Rysunek 3B).
	<ol>
		<li>Umieść tablet graficzny i piórko przed uczestnikiem.</li>
		<li>Podłącz tablet do komputera, na którym będzie działać oprogramowanie do rejestracji i analizy ruchu.</li>
		<li>Połóż białą kartkę papieru na tablecie i przymocuj ją taśmą. 
		UWAGA: Przygotuj wcześniej kartki z narysowanym polem, wskazującym obszar, w którym uczestnik będzie rysował.</li>
	</ol>
	</li>
	<li>Rozpocznij rejestrację.
	<ol>
		<li>Naciśnij record w systemie LSL, oprogramowaniu do przechwytywania ruchu oraz oprogramowaniu do rejestracji EEG.</li>
		<li>Na początku i na końcu każdego zadania nanieś sygnaturę czasową kliknięciem myszy, naciskając przycisk znacznikowania czasu w oprogramowaniu do przechwytywania ruchu. 
		UWAGA: W ten sposób sygnatury czasowe zostaną zapisane zarówno w danych strumieni LSL, jak i w danych przechwytywania ruchu. Zapewni to zapasową sygnaturę czasową na wypadek awarii jednej z funkcji znacznikowania podczas rejestracji.</li>
	</ol>
	</li>
</ol>
<img alt="Schemat Lab Streaming Layer z czujnikami i urządzeniami wejściowymi, przepływem danych i przetwarzaniem w czasie rzeczywistym." class="xfigimg" src="/files/ftp_upload/59827/59827fig3.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 3"> 
Rysunek 3: Digitalizacja i synchronizacja sygnałów za pomocą systemu Lab Streaming Layer (LSL) wspólnej jednostki centralnej. (A) System LSL umożliwia synchroniczną korejestrację ruchu (PNS), EEG (CNS), ECG (ANS), głosu oraz znaczników czasu poprzez kliknięcia myszą. (B) Cyfrowy tablet i piórko rejestrujące kinematykę (pozycję) końcówki piórka podczas zadań rysunkowych ze standaryzowanych testów poznawczych. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig3large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
2. Procedura eksperymentalna
<ol>
	<li>Przeprowadź zadanie 1 — Kopiowanie złożonej figury Bensona (natychmiastowe)10 (1 min).
	<ol>
		<li>Poleć uczestnikowi skopiowanie figury Bensona na papierze i zapamiętanie jej kształtu, ponieważ w dalszej części badania uczestnik zostanie poproszony o ponowne jej narysowanie z pamięci. 
		UWAGA: Test ten służy do oceny funkcji wzrokowo-konstrukcyjnych oraz pamięci wzrokowej uczestnika (Rysunek 4A).</li>
	</ol>
	</li>
	<li>Przeprowadź zadania 2 i 3 — Test ścieżkowy (Trail Making Test), część A (3 min).
	<ol>
		<li>Poleć uczestnikowi narysowanie linii łączącej kółka ponumerowane w kolejności rosnącej. 
		UWAGA: W tej sekcji znajdują się dwa zadania; pierwsze (zadanie 2) polega na wykonaniu testu próbnego (składającego się z 8 liczb), a kolejne (zadanie 3) na wykonaniu właściwego testu (składającego się z 25 liczb). Test ten był elementem Army Individual Test Battery11 i służy do oceny szybkości przetwarzania oraz funkcji wykonawczych, a jego wynik zależy od umiejętności wzrokowo-ruchowych i skanowania percepcyjnego (Rysunek 4B).</li>
	</ol>
	</li>
	<li>Przeprowadź zadania 4 i 5 — Test ścieżkowy (Trail Making Test), część B (5 min).
	<ol>
		<li>Poleć uczestnikowi narysowanie linii łączącej kółka zawierające liczby lub litery w kolejności rosnącej, naprzemiennie między liczbami a literami. Przykładowa sekwencja to: od A do 1, od 1 do B, od B do 2, od 2 do C. 
		UWAGA: W tej sekcji znajdują się dwa zadania; pierwsze (zadanie 4) polega na wykonaniu testu próbnego (składającego się z 4 liczb i 4 liter), a kolejne (zadanie 5) na wykonaniu właściwego testu (składającego się z 13 liczb i 12 liter). Część B testu ścieżkowego jest podobna do części A, ale wymaga większej elastyczności poznawczej ze względu na konieczność przełączania się między zbiorami liczb i liter (Rysunek 4B).</li>
	</ol>
	</li>
	<li>Przeprowadź zadanie 6 — Rysowanie zegara (1 min).
	<ol>
		<li>Poleć uczestnikowi narysowanie analogowego zegara z liczbami od 1 do 12 i ustawienie godziny 11:10. 
		UWAGA: Test ten jest częścią skali MoCA12 i służy do oceny umiejętności wzrokowo-konstrukcyjnych uczestnika (Rysunek 4C).</li>
	</ol>
	</li>
	<li>Przeprowadź zadanie 7 — Kopiowanie złożonej figury Bensona (opóźnione)10 (1 min).
	<ol>
		<li>Poleć uczestnikowi narysowanie złożonej figury Bensona z pamięci na czystej kartce papieru. 
		UWAGA: Test ten służy do oceny funkcji wzrokowo-konstrukcyjnych oraz pamięci wzrokowej uczestnika (Rysunek 4A).</li>
	</ol>
	</li>
	<li>Przeprowadź zadania 8 i 9 — Test rozpiętości cyfrowej (przód i tył)13 (10 min).
	<ol>
		<li>Poleć uczestnikowi powtarzanie liczb odczytywanych na głos przez eksperymentatora.</li>
		<li>W zadaniu 8 (przód) poleć uczestnikowi powtórzenie liczb w tej samej kolejności, a w zadaniu 9 (tył) w kolejności odwrotnej. W obu testach wykonuje się dwie próby dla każdej długości sekwencji, od 3 do 9 cyfr w teście w przód oraz od 2 do 8 cyfr w teście w tył. Testowanie kontynuuj do momentu, aż uczestnik nie powtórzy poprawnie dwóch ciągów liczb o tej samej długości. 
		UWAGA: Oba testy mierzą zdolność do krótkotrwałego przechowywania informacji, jednak test w tył (zadanie 9) mierzy również zdolność do manipulowania liczbami i odwracania sekwencji. W związku z tym, w ramach niniejszego protokołu, zadanie to mierzy komponent pamięciowy i poznawczy w relacji do wyników biorytmów głosu.</li>
	</ol>
	</li>
</ol>
<img alt="Schematy testów poznawczych porównujące figurę Bensona i testy łączenia punktów z natychmiastowym i opóźnionym przypominaniem." class="xfigimg" src="/files/ftp_upload/59827/59827fig4.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 4"> 
Rysunek 4: W kierunku klinicznie uzasadnionych biomarkerów cyfrowych i kart punktacji: Digitalizacja tradycyjnych testów klinicznych w celu umożliwienia integracji kryteriów klinicznych i cyfrowych danych biofizycznych. Przykładowe ślady z ustandaryzowanych testów poznawczych. (A) Złożona figura Bensona przekazana uczestnikowi do natychmiastowego odtworzenia (środek) lub z pamięci po 10-minutowej przerwie (prawo). (B) Zadanie Trail A polegające na łączeniu liczb linią w kolejności rosnącej (góra) oraz zadanie Trail B polegające na naprzemiennym łączeniu liter i liczb (dół). (C) Rysowanie zegara z instrukcją ustawienia godziny na 11:10. Dla wszystkich przykładowych śladów linie szare reprezentują trajektorię podniesień pióra podczas zadania rysunkowego, a linie niebieskie reprezentują faktyczne rysunki wykonane piórem. Do analizy wykorzystujemy oba rodzaje trajektorii. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig4large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<ol start="7">
	<li>Przeprowadź zadania 10, 11 i 12 — Wskazywanie (10 min).
	<ol>
		<li>Ustaw cel przed uczestnikiem, aby mógł on wskazywać i dotykać go palcem.</li>
		<li>W zadaniu 10 (kontrolnym) poleć uczestnikowi wskazywanie celu 40 razy we własnym tempie, używając dominującej ręki.</li>
		<li>W zadaniu 11 (metronom) poleć uczestnikowi wskazywanie celu 40 razy we własnym tempie, podczas gdy w tle będzie brzmiał metronom ustawiony na 35 bpm; nie przekazuj uczestnikowi żadnych instrukcji dotyczących rytmu metronomu.</li>
		<li>W zadaniu 12 (wskazywanie w określonym tempie) poleć uczestnikowi wskazywanie celu 40 razy w tempie zgodnym z rytmem metronomu ustawionym na 35 bpm. 
		UWAGA: Zadanie polegające na wskazywaniu pozwala na oddzielenie ruchu uczestnika na segmenty celowe (ruch do przodu, od momentu spoczynku ręki do momentu dotknięcia celu) oraz spontaniczne (ruch powrotny, od momentu dotknięcia celu do powrotu ręki do pozycji spoczynkowej), co umożliwia analizę sygnałów biofizycznych w czasie, gdy uczestnik sprawuje świadomą kontrolę (ruch celowy) oraz gdy sprawuje niewielką kontrolę (ruch spontaniczny) (Rycina 5A). Wprowadzenie rytmu metronomu i wymaganie od uczestnika dostosowania tempa wskazywania do tego rytmu pozwala na porównanie sygnałów biofizycznych w sytuacji, gdy uczestnik porusza się we własnym tempie, oraz gdy aktywnie kontroluje tempo ruchu zgodnie z zewnętrznym rytmem.</li>
	</ol>
	</li>
	<li>Przeprowadź zadania 13, 14 i 15 — Chodzenie (25 min).
	<ol>
		<li>Poleć uczestnikowi naturalny chód przez 5 minut w trzech różnych warunkach.</li>
		<li>W zadaniu 13 (kontrolnym) poleć uczestnikowi naturalne chodzenie po pomieszczeniu.</li>
		<li>W zadaniu 14 (metronom) poleć uczestnikowi naturalne chodzenie po pomieszczeniu, podczas gdy w tle będzie brzmiał metronom ustawiony na 12 bpm.</li>
		<li>W zadaniu 15 (oddychanie w określonym tempie) poleć uczestnikowi naturalne chodzenie po pomieszczeniu, podczas gdy będzie on/ona dostosowywać tempo oddychania do rytmu metronomu ustawionego na 12 bpm. 
		UWAGA: Wprowadzenie rytmu metronomu pozwala na porównanie sygnałów biofizycznych w sytuacji, gdy uczestnik porusza się i oddycha całym ciałem we własnym tempie, oraz gdy aktywnie kontroluje tempo oddychania (które zazwyczaj odbywa się automatycznie) podczas ruchu całego ciała (Rycina 5B).</li>
	</ol>
	</li>
</ol>
<img alt="Analiza kontroli motorycznej; Wykres biomechaniki wskazywania i chodzenia; Eksperyment przechwytywania ruchu." class="xfigimg" src="/files/ftp_upload/59827/59827fig5.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 5"> 
Rysunek 5: Trajektorie trójwymiarowe (3D) i ich serie czasowe amplitudy prędkości podczas dobrowolnych ruchów górnej części ciała. Zachowanie wskazywania ukierunkowane na cel w celu zbadania kontroli wolicjonalnej z wykorzystaniem wersji zadania drżenia kinetycznego ze skali oceny choroby Parkinsona Unified Parkinson’s Disease Rating Scale opracowanej przez Movement Disorder Society (MDS-UPDRS). (A) Uczestnik i awatar w pozycji siedzącej wykonujący zadanie wskazywania ukierunkowanego na cel górną częścią ciała (góra); trajektorie pozycji 3D ruchu do przodu (do celu) i do tyłu (do pozycji spoczynkowej) (dół po lewej); oraz odpowiadające im profile prędkości liniowej pokazujące serie czasowe fluktuacji amplitudy prędkości (m/s) i czasów odstępów między szczytami (ms), wyprowadzone z wektorowego przepływu prędkości liniowej (dół po prawej). (B) Uczestnik i awatar w zadaniu chodzenia (góra); trajektorie pozycji 3D różnych części ciała (dół po lewej) i odpowiadające im profile prędkości (dół po prawej). <a href="https://www.jove.com/files/ftp_upload/59827/59827fig5large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<ol start="9">
	<li>Przeprowadź zadania 16 i 17 — Nagrywanie twarzy (10 min).
	<ol>
		<li>Poproś uczestnika o wygodne usiądzenie i ustaw kamerę przed nim.</li>
		<li>W zadaniu 16 (kontrolnym) poproś uczestnika, aby przez 5 minut patrzył w przestrzeń bez żadnych bodźców.</li>
		<li>W zadaniu 17 (uśmiech) poproś uczestnika, aby przez 5 minut oglądał zabawny film. 
		UWAGA: Przygotowanie zajmuje około 30 minut, cały protokół trwa około 60 minut, a dodatkowe 10 minut przeznaczono na PWP.</li>
	</ol>
	</li>
</ol>

<ol><li>Hawgood, S., Hook-Barnard, I. G., O'Brien, T. C., Yamamoto, K. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Precision+medicine%3A+Beyond+the+inflection+point%5BTitle%5D)+AND+%22Science+Translational+Medicine%22%5BJournal%5D)">Precision medicine: Beyond the inflection point.</a> Science Translational Medicine. 7 (300), 300ps317(2015).</li>
<li>Torres, E. B., Whyatt, C. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aTorres%2C+EB+%22Autism%3A+The+Movement+Sensing+Perspective%22">Autism: The Movement Sensing Perspective</a>. , CRC Press/Taylor & Francis Group. Boca Raton, FA. (2018).</li>
<li>Torres, E. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Toward+Precision+Psychiatry%3A+Statistical+Platform+for+the+Personalized+Characterization+of+Natural+Behaviors%5BTitle%5D)+AND+%22Frontiers+in+Neurology%22%5BJournal%5D)">Toward Precision Psychiatry: Statistical Platform for the Personalized Characterization of Natural Behaviors.</a> Frontiers in Neurology. 7, 8(2016).</li>
<li>Espay, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Technology+in+Parkinson%27s+disease%3A+Challenges+and+opportunities%5BTitle%5D)+AND+%22Movement+Disorders%22%5BJournal%5D)">Technology in Parkinson's disease: Challenges and opportunities.</a> Movement Disorders. 31 (9), 1272-1282 (2016).</li>
<li>Ponsen, M. M., Stoffers, D., Wolters, E. C., Booij, J., Berendse, H. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Olfactory+testing+combined+with+dopamine+transporter+imaging+as+a+method+to+detect+prodromal+Parkinson%27s+disease%5BTitle%5D)+AND+%22Journal+of+Neurology%2C+Neurosurgery+%26+Psychiatry%22%5BJournal%5D)">Olfactory testing combined with dopamine transporter imaging as a method to detect prodromal Parkinson's disease.</a> Journal of Neurology, Neurosurgery & Psychiatry. 81 (4), 396-399 (2010).</li>
<li>Ponsen, M. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Idiopathic+hyposmia+as+a+preclinical+sign+of+Parkinson%27s+disease%5BTitle%5D)+AND+%22Annals+of+Neurology%3A+Official+Journal+of+the+American+Neurological+Association+and+the+Child+Neurology+Society%22%5BJournal%5D)">Idiopathic hyposmia as a preclinical sign of Parkinson's disease.</a> Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society. 56 (2), 173-181 (2004).</li>
<li>Oudre, L., Jakubowicz, J., Bianchi, P., Simon, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Classification+of+periodic+activities+using+the+Wasserstein+distance%5BTitle%5D)+AND+%22IEEE+Transactions+on+Biomedical+Engineering%22%5BJournal%5D)">Classification of periodic activities using the Wasserstein distance.</a> IEEE Transactions on Biomedical Engineering. 59 (6), 1610-1619 (2012).</li>
<li>Derkinderen, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Parkinson+disease%3A+the+enteric+nervous+system+spills+its+guts%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Parkinson disease: the enteric nervous system spills its guts.</a> Neurology. 77 (19), 1761-1767 (2011).</li>
<li>Roetenberg, D., Luinge, H., Slycke, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Xsens+MVN%3A+Full+6DOF+human+motion+tracking+using+miniature+inertial+sensors%5BTitle%5D)+AND+%22Xsens+Motion+Technologies+BV%2C+Tech.+Rep%22%5BJournal%5D)">Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors.</a> Xsens Motion Technologies BV, Tech. Rep. 1, (2009).</li>
<li>Possin, K. L., Laluz, V. R., Alcantar, O. Z., Miller, B. L., Kramer, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Distinct+neuroanatomical+substrates+and+cognitive+mechanisms+of+figure+copy+performance+in+Alzheimer%27s+disease+and+behavioral+variant+frontotemporal+dementia%5BTitle%5D)+AND+%22Neuropsychologia%22%5BJournal%5D)">Distinct neuroanatomical substrates and cognitive mechanisms of figure copy performance in Alzheimer's disease and behavioral variant frontotemporal dementia.</a> Neuropsychologia. 49 (1), 43-48 (2011).</li>
<li>Army, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Army+individual+test+battery%5BTitle%5D)+AND+%22Manual+of+Directions+and+Scoring%22%5BJournal%5D)">Army individual test battery.</a> Manual of Directions and Scoring. , (1944).</li>
<li>Nasreddine, Z. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Montreal+Cognitive+Assessment%2C+MoCA%3A+a+brief+screening+tool+for+mild+cognitive+impairment%5BTitle%5D)+AND+%22Journal+of+the+American+Geriatrics+Society%22%5BJournal%5D)">The Montreal Cognitive Assessment, MoCA: a brief screening tool for mild cognitive impairment.</a> Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).</li>
<li>Beekly, D. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+National+Alzheimer%27s+Coordinating+Center+%28NACC%29+database%3A+the+uniform+data+set%5BTitle%5D)+AND+%22Alzheimer+Disease+%26+Associated+Disorders%22%5BJournal%5D)">The National Alzheimer's Coordinating Center (NACC) database: the uniform data set.</a> Alzheimer Disease & Associated Disorders. 21 (3), 249-258 (2007).</li>
<li>Torres, E. B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aTorres%2C+EB+%22Objective+Biometric+Methods+for+the+Diagnosis+and+Treatment+of+Nervous+System+Disorders%22">Objective Biometric Methods for the Diagnosis and Treatment of Nervous System Disorders</a>. , Academic Press, Elsevier. Cambridge, MA. (2018).</li>
<li>Ryu, J., Torres, E. B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aRyu%2C+J+%22Fourth+International+Symposium+on+Movement+and+Computing%2C+MOCO%2717%22">Fourth International Symposium on Movement and Computing, MOCO'17</a>. , 1-8 (2017).</li>
<li>Torres, E. B., Donnellan, A. M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aTorres%2C+EB+%22Autism%3A+The+movement+perspective%22">Autism: The movement perspective</a>. , Frontiers Media SA. Lausanne, Switzerland. (2015).</li>
<li>Torres, E. B., Vero, J., Rai, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Statistical+Platform+for+Individualized+Behavioral+Analyses+Using+Biophysical+Micro-Movement+Spikes%5BTitle%5D)+AND+%22Sensors+%28Basel%29%22%5BJournal%5D)">Statistical Platform for Individualized Behavioral Analyses Using Biophysical Micro-Movement Spikes.</a> Sensors (Basel). 18 (4), (2018).</li>
<li>Torres, E. B., Denisova, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Motor+noise+is+rich+signal+in+autism+research+and+pharmacological+treatments%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">Motor noise is rich signal in autism research and pharmacological treatments.</a> Scientific Reports. 6, (2016).</li>
<li>Shannon, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+mathematical+theory+of+communication%5BTitle%5D)+AND+%22Bell+System+Technical+Journal%22%5BJournal%5D)">A mathematical theory of communication.</a> Bell System Technical Journal. 27, 623-656 379-423 (1948).</li>
<li>Silverstein, S. M., Wibral, M., Phillips, W. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Implications+of+information+theory+for+computational+modeling+of+schizophrenia%5BTitle%5D)+AND+%22Computational+Psychiatry%22%5BJournal%5D)">Implications of information theory for computational modeling of schizophrenia.</a> Computational Psychiatry. 1, 82-101 (2017).</li>
<li>Jeong, J., Gore, J. C., Peterson, B. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mutual+information+analysis+of+the+EEG+in+patients+with+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">Mutual information analysis of the EEG in patients with Alzheimer's disease.</a> Clinical Neurophysiology. 112 (5), 827-835 (2001).</li>
<li>Torres, E. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Autism%3A+the+micro-movement+perspective%5BTitle%5D)+AND+%22Frontiers+in+Integrative+Neuroscience%22%5BJournal%5D)">Autism: the micro-movement perspective.</a> Frontiers in Integrative Neuroscience. 7, 32(2013).</li>
<li>Von Holst, E., Mittelstaedt, H. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVon+Holst%2C+E+%22Perceptual+Processing%3A+Stimulus+equivalence+and+pattern+recognition%22">Perceptual Processing: Stimulus equivalence and pattern recognition</a>. Dodwell, P. C. , Appleton-Century-Crofts. New York. 41-72 (1950).</li>
<li>Torres, E. B., Cole, J., Poizner, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Motor+output+variability%2C+deafferentation%2C+and+putative+deficits+in+kinesthetic+reafference+in+Parkinson%27s+disease%5BTitle%5D)+AND+%22Frontiers+in+Human+Neuroscience%22%5BJournal%5D)">Motor output variability, deafferentation, and putative deficits in kinesthetic reafference in Parkinson's disease.</a> Frontiers in Human Neuroscience. 8, 823(2014).</li>
<li>Yanovich, P., Isenhower, R. W., Sage, J., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatial-orientation+priming+impedes+rather+than+facilitates+the+spontaneous+control+of+hand-retraction+speeds+in+patients+with+Parkinson%27s+disease%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Spatial-orientation priming impedes rather than facilitates the spontaneous control of hand-retraction speeds in patients with Parkinson's disease.</a> PLoS One. 8 (7), e66757(2013).</li>
<li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+rates+of+change+of+the+stochastic+trajectories+of+acceleration+variability+are+a+good+predictor+of+normal+aging+and+of+the+stage+of+Parkinson%27s+disease%5BTitle%5D)+AND+%22Frontiers+in+Integrative+Neuroscience%22%5BJournal%5D)">The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease.</a> Frontiers in Integrative Neuroscience. 7, 50(2013).</li>
<li>Torres, E. B., Heilman, K. M., Poizner, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impaired+endogenously+evoked+automated+reaching+in+Parkinson%27s+disease%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Impaired endogenously evoked automated reaching in Parkinson's disease.</a> Journal of Neuroscience. 31 (49), 17848-17863 (2011).</li>
<li>Nguyen, J., Majmudar, U., Papathomas, T. V., Silverstein, S. M., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Schizophrenia%3A+The+micro-movements+perspective%5BTitle%5D)+AND+%22Neuropsychologia%22%5BJournal%5D)">Schizophrenia: The micro-movements perspective.</a> Neuropsychologia. 85, 310-326 (2016).</li>
<li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Atypical+signatures+of+motor+variability+found+in+an+individual+with+ASD%5BTitle%5D)+AND+%22Neurocase%22%5BJournal%5D)">Atypical signatures of motor variability found in an individual with ASD.</a> Neurocase. 19 (2), 150-165 (2013).</li>
<li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Signatures+of+movement+variability+anticipate+hand+speed+according+to+levels+of+intent%5BTitle%5D)+AND+%22Behavioral+Brain+Functions%22%5BJournal%5D)">Signatures of movement variability anticipate hand speed according to levels of intent.</a> Behavioral Brain Functions. 9, 10(2013).</li>
<li>Lai, M., Demuru, M., Hillebrand, A., Fraschini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+between+scalp-and+source-reconstructed+EEG+networks%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">A comparison between scalp-and source-reconstructed EEG networks.</a> Scientific Reports. 8 (1), 12269(2018).</li>
<li>Sporns, O. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSporns%2C+O+%22Networks+of+the+Brain%22">Networks of the Brain</a>. , MIT Press. Cambridge, MA. (2010).</li>
<li>Rubinov, M., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+network+measures+of+brain+connectivity%3A+uses+and+interpretations%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Complex network measures of brain connectivity: uses and interpretations.</a> Neuroimage. 52 (3), 1059-1069 (2010).</li>
<li>Kalampratsidou, V., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Peripheral+Network+Connectivity+Analyses+for+the+Real-Time+Tracking+of+Coupled+Bodies+in+Motion%5BTitle%5D)+AND+%22Sensors+%28Basel%29%22%5BJournal%5D)">Peripheral Network Connectivity Analyses for the Real-Time Tracking of Coupled Bodies in Motion.</a> Sensors (Basel). 18 (9), 3117(2018).</li>
<li>Torres, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+rates+of+change+of+the+stochastic+trajectories+of+acceleration+variability+are+a+good+predictor+of+normal+aging+and+of+the+stage+of+Parkinson%27s+disease%5BTitle%5D)+AND+%22Frontiers+in+Integrative+Neuroscience%22%5BJournal%5D)">The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease.</a> Frontiers in Integrative Neuroscience. 7 (50), (2013).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

Praca ta wprowadza nowy protokół, który umożliwia integrację tradycyjnych testów klinicznych z danymi cyfrowymi z sygnałów biofizycznych wysyłanych przez układ nerwowy podczas wykonywania takich badań przez osobę. Wprowadzamy wykorzystanie SPIBA i MMS jako ujednoliconej platformy do łączenia różnych typów danych, takich jak dyskretne wyniki z metod obserwacyjnych ołówkiem i papierem oraz ciągłe dane cyfrowe z czujników biofizycznych. Metody zilustrowano przy użyciu kohorty PWP oraz grupy kontrolnej dopasowanej pod względem wieku i płci, z dodatkową młodą grupą kontrolną jako idealnym zdrowym punktem odniesienia do porównania. Pokazujemy, że tradycyjne testy kliniczne (np. te, które mogą być częścią MoCA i MDS-UPDRS) mogą być wykorzystywane do mediany rankingu kohorty i automatycznego wydobywania, z nieodłącznej zmienności wyników grupy, informacji, które stratyfikują dane w sferze cyfrowej zgodnie z klinicznie zdefiniowanymi poziomami nasilenia. Takie poziomy dobrze pokrywają się z poziomami klinicznych MDS-UPDRS i wydajnością testu poznawczego/pamięciowego. Na kolejnym etapie realizacji badamy biorytmy układów nerwowych wykorzystanych z warstw OUN, PNS i ANS, charakteryzując w ten sposób różne poziomy autonomii i kontroli. Dostarczamy przykładowe dane i sygnatury stochastyczne uzyskane na podstawie tych danych, badane przez optykę kryteriów klinicznych. Przy takim podejściu możemy odróżnić pacjentów od zdrowych osób z grupy kontrolnej; a poprzez biorytmy cyfrowe, różnicują się w obrębie PWP, na klinicznie zdefiniowanych poziomach nasilenia.
Dopasowując w ten sposób biofizyczne dane cyfrowe do kryteriów klinicznych, zapewniamy możliwy do interpretacji zestaw kryteriów, które mogą bardziej dynamicznie śledzić zindywidualizowane zmiany w wynikach. Tworzymy te nowe miary wyników jako dynamiczne biomarkery cyfrowe, ponieważ są one oparte na danych cyfrowych, a mimo to zapewniają możliwe do interpretacji wyniki zgodnie z dobrze ustalonymi i zwalidowanymi kryteriami klinicznymi. Pochodzą one z szeregów czasowych procesów zachodzących w układzie nerwowym i oddają ich dynamiczną naturę. W szczególności jesteśmy w stanie zastosować zarówno kryteria motoryczne, jak i niemotoryczne. W związku z tym możemy zacząć kwantyfikować niemotoryczne aspekty choroby Parkinsona, o których obecnie wiadomo, że poprzedzają pogorszenie objawów motorycznych, które konwencjonalnie definiowały to zaburzenie do tej pory. Na przykład, analizy twarzy, takie jak te przedstawione tutaj, mogą być wykorzystane do zbadania spontanicznych mikrogestów twarzy podczas snu REM w celu zbudowania repertuaru tych, które mogłyby prognozować pogorszenie aktywności motorycznej. Podobnie, możemy użyć tych metod do zbadania poziomu bólu podczas codziennych czynności i oceny ich potencjału koreluje z aktywnościami w czasie snu REM. Jest to ważne, ponieważ wiadomo, że zarówno sen REM, jak i rozregulowanie bólu poprzedzają problemy motoryczne, które później definiują poziom nasilenia PD 5,6,7. Korzystając z naszej digitalizacji różnych tradycyjnych zadań klinicznych, scharakteryzowano tutaj inne czynności niemotoryczne osadzone w zadaniach klinicznych wykorzystywanych do badania zdolności poznawczych i pamięciowych, a indeksy takich czynności odwzorowano na objawach motorycznych. Metody te są w stanie połączyć badania podstawowe i praktyki kliniczne w chorobie Parkinsona. Mogą być również rozszerzone na inne zaburzenia układu nerwowego.
Oprócz mocy motorycznej z twarzy, podczas snu REM możemy badać gesty twarzy podczas naturalnych sytuacji społecznych w ramach samowyczuwania lub reafekcji kinestetycznej, aby ocenić poziom reafektywnego sprzężenia zwrotnego, które najprawdopodobniej otrzyma mózg pacjenta. W tym przypadku, pomimo bardzo subtelnych różnic w mikrogestach w obszarach twarzy odpowiadających trójdzielnym regionom aferentnym V1, V2, V3, udało się wskazać u reprezentatywnego uczestnika, który obszar twarzy maksymalnie przesuwał sygnatury stochastyczne podczas przechodzenia między stanami neutralnymi i naturalnie uśmiechniętymi. Sugeruje to, że za pomocą SPIBA i MMS będziemy w stanie ocenić inne niemotoryczne (sensoryczne) aspekty PD związane z trudnościami z bodźcami sensorycznymi z kanałów kinestetyczno-dotykowych. Stwierdzono, że są one problematyczne w chorobie Parkinsona, nawet we wczesnych stadiach zaburzenia24. Ponieważ czuciowe i motoryczne idą w parze, informacje te mogą pomóc nam przewidzieć bardziej oczywiste problemy motoryczne, które pojawią się w późniejszym okresie rozwoju tego zaburzenia 1,7. Zakładamy, że te kinestetyczne kanały wzdłuż trójdzielnych obszarów twarzy mogą również pomóc nam oddzielić różne rodzaje dysregulacji bólu, w tym te związane ze zmianami snu 5,6.
Obecne metody zapewniają nowy sposób badania sygnałów biofizycznych uzyskiwanych z ośrodkowego, obwodowego i autonomicznego układu nerwowego jednocześnie, w różnych warunkach wymagających różnych umiejętności poznawczych oraz różnych poziomów autonomii i kontroli neuromotorycznej. Korzystając z frameworka SPIBA, w którym na standaryzowanych danych MMS stosuje się analizy stochastyczne i analizy sieci parami, możliwe jest również obiektywne scharakteryzowanie działań poznawczych. Piętnaście zadań, które zostały użyte w tym eksperymencie, wymaga różnych rodzajów umiejętności poznawczych (np. umiejętności wzrokowo-konstrukcyjnych, pamięci wzrokowej, umiejętności skanowania percepcyjnego) i różnych poziomów kontroli poznawczej (np. celowe tempo wskazywania, tempo oddechu zgodnie z instrukcjami). Z tego powodu stochastyczność i wzorce łączności transmisji informacji CNS-PNS-ANS sygnałów biofizycznych wykazywanych podczas tych zadań mogą być wykorzystane do scharakteryzowania różnych poziomów obciążeń poznawczych i ich wpływu na moc motoryczną.
Podkreślając zalety naszych nowych metod i protokołów analitycznych, zwracamy również uwagę na zastrzeżenia i ograniczenia praktyczne, które należy wziąć pod uwagę przy wdrażaniu naszej platformy rejestrowania do synchronicznego gromadzenia danych. Dzieje się tak, ponieważ w tej konfiguracji istnieje wiele typów oprogramowania do nagrywania przesyłanych strumieniowo na jednym komputerze w celu synchronizacji, co wymaga, aby moc obliczeniowa komputera była wysoka, w przeciwnym razie można ponieść utratę danych, zawieszenie się komputera i/lub nadmierny szum. W obecnym projekcie dwa programy do przesyłania strumieniowego (EEG i przechwytywanie ruchu) oraz LSL były uruchamiane na jednym komputerze. W związku z tym musieliśmy pamiętać o przeciążeniu przetwarzania i możliwym zawieszeniu komputera. Był to jeden z powodów, dla których użyliśmy jednego z kanałów EEG do ekstrakcji sygnałów EKG. Komputery o większej pojemności pamięci i szybszych procesorach mogą być w stanie obsłużyć oddzielne oprogramowanie EKG jednocześnie przesyłające strumieniowo z EEG i siatką sensorów kinematyki. Zagadnienia te mają charakter praktyczny i są niezależne od oferowanych przez nas metod analitycznych (SPIBA) i standardowych typów danych (MMS). Uważamy jednak, że ważne jest, aby ostrzec użytkownika końcowego o potrzebie oceny mocy obliczeniowej przed zaprojektowaniem protokołu do wspólnej rejestracji danych z wielu strumieni.
Kolejnym zastrzeżeniem, na które zwracamy uwagę, jest to, że 15 zadań zilustrowanych w protokole stanowi podzbiór tego, co można wykorzystać do opracowania dynamicznych biomarkerów cyfrowych. Na potrzeby tego artykułu ograniczyliśmy się do kilku zadań ze względu na ograniczoną przestrzeń i wybraliśmy te, które wymagały różnych poziomów kontroli i ruchu ciała, a także możemy dodać inne zadania, które nie zostały uwzględnione w tym artykule. Naszym celem jest wyprowadzenie mniejszego podzbioru zadań, które wymagałyby mniej czasu i wysiłku. W rzeczywistości, z naszego laboratorium, zadania wskazujące (zadania 10-12) są zestawem zadań, które uznaliśmy za skuteczny i wydajny sposób charakteryzowania stochastycznych sygnatur biorytmów zróżnicowanych różnymi poziomami dobrowolnej kontroli i zaburzeń neurologicznych, w tym PD24,30.
Reprezentatywne wyniki przedstawione w tym badaniu stanowią niewielki podzbiór tego, co można zrobić ze zbiorami danych MMS pochodzącymi z przebiegów biosensorów i podpisów ruchu kamer, przy użyciu metod SPIBA. W celach ilustracyjnych zbadaliśmy MMS pod względem amplitudy i skupiliśmy się na wahaniach amplitudy prędkości liniowej wyprowadzonej z COM danej osoby. COM jest sygnałem sumarycznym ze wszystkich 17 czujników ciała, które wspólnie zarejestrowaliśmy. Moglibyśmy jednak rozszerzyć analizy na inne parametry rotacji oraz na inne zmienne kinetyczne (np. siły i ciśnienie), które generują szeregi czasowe zmiennych parametrów (np. tak jak zrobiliśmy to z danymi twarzowymi). Ponadto, ze względu na ograniczoną przestrzeń, zilustrowaliśmy analizę danych EEG tylko na podstawie informacji o amplitudzie skóry głowy, ale możemy również zastosować te analizy do danych pochodzących z przestrzeni źródłowej31. Dla wszystkich rodzajów danych możemy również zbadać stochastyczność czasów między szczytami (zamiast amplitudy pików), które również generują szeregi czasowe. Inne szeregi czasowe parametrów można wyprowadzić z takich przebiegów, a ich MMS można wykorzystać do ustalenia spójności i łączności z siecią, która została zbudowana 32,33,34. Ponadto analizy te można również rozszerzyć na dziedzinę częstotliwości34. Oprócz analizy sieci wzajemnej informacji mogliśmy skupić się na innych cechach topologicznych sieci, aby odróżnić PWP od kontroli i stratyfikować PWP. Na potrzeby tego artykułu skupimy się na użyteczności tych analiz jako narzędzia, ale dzięki tego typu charakterystyce zdobędziemy wiedzę, która pozwoli nam zapewnić klinicznie świadome interpretacje danych cyfrowych, które dostarczają te narzędzia analityczne.
Obecne metody opisane w tym badaniu służą przedstawieniu niektórych z wielu możliwych sposobów, w jakie SPIBA i MMS mogą być stosowane do integracji danych klinicznych i cyfrowych. Oferujemy tę ujednolicającą platformę, ustandaryzowany typ danych i protokół eksperymentalny w nadziei, że w końcu poinformujemy dane cyfrowe o kryteriach klinicznych, a także dodamy większą precyzję danych cyfrowych do tradycyjnych metod ołówka i papieru. Takie ulepszenie 1) umożliwi dokładniejsze śledzenie zmian objawów w odpowiedzi na leczenie, 2) poprawi zrozumienie naturalnej progresji choroby Parkinsona w czasie oraz 3) ułatwi stratyfikację prezentacji objawów choroby Parkinsona (co może dyktować unikalne zalecenia kliniczne dla każdej podgrupy). W związku z tym mamy nadzieję zastosować te metody do dalszych badań nad chorobą Parkinsona, ale widzimy również przydatność w zastosowaniach klinicznych. Korzystając z urządzeń klasy komercyjnej, takich jak telefony komórkowe, można uzyskać dane biofizyczne w celu przeprowadzenia analizy, którą zilustrowaliśmy w tym artykule. Obecnie podejmowane są wysiłki na rzecz gromadzenia takich danych cyfrowych na większą skalę, takie jak badanie aplikacji mPower przeprowadzone przez University of Rochester (https://parkinsonmpower.org) i Kaggle. Rzeczywiście, korzystając z tych ogólnodostępnych repozytoriów danych, byliśmy w stanie stratyfikować PD i osoby normalnie starzejące się na podstawie danych akcelerometrycznych uzyskanych z telefonów komórkowych oraz automatycznie sklasyfikować działania, które są osadzone w przedstawionych tutaj testach klinicznych35.
W kolejnym kroku zamierzamy zebrać więcej danych z szerszego zakresu populacji PWP i dopasowanych do nich uczestników kontrolnych oraz zarejestrować je w różnych punktach czasowych, aby móc przeprowadzić zarówno analizę przekrojową, jak i podłużną przy użyciu naszych metod. Przewidujemy, że tak zgromadzone dane cyfrowe oferują znacznie więcej niż sumę ich części i naprawdę realizują założenia medycyny precyzyjnej w neurologii i psychiatrii.

Medycyna precyzyjna (PM) (Rysunek 1) stała się potężną platformą służącą do opracowywania spersonalizowanych terapii celowanych. W dziedzinie badań nad rakiem model ten odniósł ogromny sukces, a jego założenia z pewnością zrewolucjonizują medycynę w najbliższej przyszłości1. PM łączy wiele warstw wiedzy, od autoportretów pacjentów po genomikę. Integracja informacji ze wszystkich tych poziomów prowadzi do spersonalizowanej oceny, która umożliwia interpretację danych i bardziej precyzyjne zalecenia terapeutyczne, uwzględniające wszystkie aspekty życia danej osoby.
Istnieje kilka wyzwań związanych z próbą adaptacji platformy PM do zaburzeń neuropsychiatrycznych i neurologicznych układu nerwowego2,3, a wyzwania te zostały niedawno sformułowane4. Wśród nich znajduje się rozbieżność w pozyskiwanych danych, mianowicie dyskretne wyniki z klinicznych metod papierowo-ołówkowych opartych na obserwacji oraz ciągłe dane biofizyczne fizycznie pozyskane z sygnałów wyjściowych układu nerwowego (np. przy użyciu biosensorów). Dane z wyników klinicznych mają tendencję do zakładania uniwersalnego modelu statycznego, który narzuca jedną (teoretyczną) funkcję gęstości prawdopodobieństwa (PDF). To założenie a priori jest narzucane na dane bez odpowiedniej walidacji empirycznej, ponieważ w pierwszej kolejności nie pozyskano i nie scharakteryzowano danych normatywnych. W związku z tym nie istnieją odpowiednie kryteria oparte na metryce podobieństwa, które opis می‌wałyby neurotypowe stany dojrzewania ludzkiego układu nerwowego wraz z wiekiem zdrowej osoby, podczas gdy przestrzenie prawdopodobieństwa wykorzystywane do odwzorowania tych wariacji parametrów przesuwają się w określonym tempie. Bez danych normatywnych i odpowiednich metryk podobieństwa nie jest możliwe mierzenie odchyleń od stanów typowych w miarę ich dynamicznych zmian w trakcie życia danej osoby. Nie jest również możliwe przewidzenie sensorycznych konsekwencji nadchodzących zmian.
<img alt="Schemat medycyny precyzyjnej; koncepcja integracji danych; warstwy sieci wiedzy; od genomiki do zachowań." class="xfigimg" src="/files/ftp_upload/59827/59827fig1.jpg" data-altupdatedat="1788282455000" data-alt="Rycina 1"> 
Rycina 1: Platforma medycyny precyzyjnej: Wypełnianie luki między zachowaniami a genomiką w celu umożliwienia opracowania celowanych terapii w medycynie personalizowanej przeniesionej na zaburzenia neurologiczne i neuropsychiatryczne układów nerwowych. Platforma medycyny precyzyjnej do opracowywania personalizowanych terapii celowanych może zostać zaadaptowana do diagnostyki i leczenia zaburzeń neurologicznych i neuropsychiatrycznych układów nerwowych. Jednak w sieci wiedzy warstwa analiz behawioralnych wymaga zmiany paradygmatu, aby zintegrować nowe, wyłaniające się cyfrowe wyniki z danych biofizycznych z bardziej tradycyjnymi kryteriami klinicznymi. Wyzwaniem na przyszłość jest dostarczenie statystycznie poprawnych metod oraz nowych, intuicyjnych narzędzi wizualizacji dla takiej integracji, przy jednoczesnym zachęcaniu klinicystów, pacjentów i opiekunów do stosowania cyfrowych miar wyników. Rycina ta została zmodyfikowana z pracy Hawgood i wsp.1 za zgodą American Association for the Advancement of Science. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig1large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
Obecne podejście oparte na tzw. „uśrednianiu generalnym” wygładza jako szum stochastyczne fluktuacje danych u poszczególnych osób, tzn. zmienność sygnału, która objawia się w miarę naturalnego starzenia się człowieka, postępu choroby oraz w odpowiedzi układu nerwowego na zastosowane leczenie. Brak danych normatywnych (wynikający z braku oceny dużych grup populacji zdrowej w badaniach przekrojowych i podłużnych) uniemożliwia zrozumienie neurotypowej dynamiki zdrowego starzenia się. W związku z tym wyzwaniem staje się określenie, jak w sposób bardziej ogólny przewidzieć konsekwencje danej patologii w momencie, gdy zaczyna ona systemowo objawiać się u pacjenta. Podejścia prognostyczne są kluczowe dla projektowania terapii regeneracyjnych i/lub neuroprotekcyjnych, które spowalniają proces degeneracji. Choroba Parkinsona jest dobrym przykładem patologii, w której przejawom zaburzeń towarzyszy wiele innych mierzalnych objawów występujących wcześniej. Wiadomo obecnie, że widocznym zaburzeniom motorycznym poprzedzały mniej dostrzegalne problemy sensoryczne, takie jak osłabienie funkcji węchowych5,6, zmiany w wzorcach mowy, zaburzenia snu REM (rapid eye movement)7 oraz inne objawy pozaruchowe związane z funkcjonowaniem jelitowego układu nerwowego8. W momencie ujawnienia się choroby w układzie występuje już znaczny niedobór dopaminy; niemniej jednak objawy pozaruchowe mogłyby pozwolić na prognozowanie niektórych widocznych upośledzeń motorycznych, na podstawie których obecnie ocenia się przede wszystkim tę chorobę.
Konieczna jest zmiana obecnych modeli analitycznych oraz uwzględnienie znaczenia właściwej charakterystyki danych empirycznych na wszystkich poziomach układu nerwowego, w których objawiają się ruchy biorytmiczne, a które mogą być dynamicznie wykorzystywane w formie szeregów czasowych zarejestrowanych za pomocą wielu czujników. Dane o ruchu w szerszym znaczeniu nie powinny być ograniczone jedynie do samych przemieszczeń i zaburzeń, które one sygnalizują. Cyfrowe dane ze wszystkich biorytmów układu nerwowego (w tym z przebiegów falowych niezwiązanych z ruchem) oferują potencjał prognostyczny, który może okazać się niezbędny w zapobieganiu lub spowalnianiu gwałtownej neurodegeneracji. Jednakże, w miarę rozszerzania repertuaru typów danych, należy unikać zakładania z góry stosowności parametrycznych modeli liniowych do wnioskowania statystycznego i interpretacji, które są obecnie wykorzystywane do analizy takich danych. Kluczowe będzie ocenie adekwatności tych modeli liniowych w przypadku wysoce nieliniowych problemów, które badamy w patologiach układu nerwowego podlegających przesunięciom stochastycznym i zmianom dynamicznym. Ograniczenia w obecnych pętlach potoków analizy opartych na założeniach występują w obu wykorzystywanych typach danych: zarówno w dyskretnych punktacjach klinicznych, jak i w ciągłych cyfrowych przebiegach biofizycznych. Dopóki pozostają one rozdzielone, istotne będzie zaprojektowanie nowych ram umożliwiających właściwą integrację obu typów danych w sposób, który powiąże wyniki cyfrowe z kryteriami klinicznymi, aby ułatwić wykorzystanie nowoczesnych technologii cyfrowych pacjentom, opiekunom i klinicystom.
Aby pokonać niektóre z tych trudności, dostosowaliśmy niedawno platformę PM przedstawioną na Rysunku 1 do precyzyjnego fenotypowania schorzeń neurologicznych i neuropsychiatrycznych3. W tym celu opracowaliśmy nową metodę gromadzenia, analizy i interpretacji danych behawioralnych równolegle z tradycyjnymi klinicznymi testami punktowymi, które ustalają złożone zależności między zjawiskami poznawczymi a motorycznymi. Dokładniej mówiąc, zdigitalizowaliśmy metody papierowe. Dane pochodzące z samych takich metod są zbyt mało szczegółowe, aby uchwycić istotne informacje niedostrzegalne dla ludzkiego oka. Jednak ich zastosowanie w połączeniu z danymi cyfrowymi z sensorów biofizycznych otwiera nową drogę do powiązania nowo powstających technologii cyfrowych z kryteriami klinicznymi, co może zachęcić klinicystów do ich wdrożenia w najbliższej przyszłości.
W niniejszej pracy przedstawiamy zastosowanie danych cyfrowych w kontekście ocen klinicznych. Mianowicie, gdy osoba wykonuje zadanie kliniczne, np. rysowanie zegara w teście Montreal Cognitive Assessment (MoCA), biorytmy generowane przez układy nerwowe są współrejestrowane w różnych warstwach funkcjonalnych. Obejmują one elektroencefalografię (EEG), elektrokardiografię (ECG lub EKG), wzorce głosowe i kinetykę ciała, a także dane kinetyczne z przenośnego pisaka, którego osoba używa do rysowania zegara na tablecie cyfrowym. Gromadzimy również dane wideo z twarzy podczas rysowania, aby przeprowadzić analizy sentymentu pozwalające przewidywać stany emocjonalne. Dane te są następnie analizowane przy użyciu nowej platformy statystycznej do indywidualizowanej analizy behawioralnej (SPIBA) i interpretowane zgodnie z kryteriami klinicznymi leżącymi u podstaw takich testów. Bardziej szczegółowo, dyskretne wyniki są wykorzystywane do rankowania medianowego kohorty pacjentów, a w ten sposób do stratyfikacji grupy na podstawie tych kryteriów klinicznych. Następnie możemy zbadać ciągłe dane biofizyczne grup zidentyfikowanych w ten sposób w poszukiwaniu cyfrowo sterowanych kryteriów stochastycznych, które zasadniczo odróżniają jeden podzespół pacjentów od drugiego w więcej niż jednym wymiarze parametrycznym. Ponadto, badając samodzielnie ciągłe dane biofizyczne, zgodnie z naturalnymi fluktuacjami każdej osoby w kohorcie i w sposób zaślepiony względem kryteriów klinicznych, możemy poszukiwać samoistnie wyłaniających się skupień wewnątrz kohorty i porównać stopień, w jakim takie skupienia pokrywają się z podtypami ujawnionymi na podstawie kryteriów klinicznych.
Podejście to oferuje nowy sposób identyfikacji parametrów w bogatym zbiorze cyfrowych danych biofizycznych, które najskuteczniej oddają różnice między podtypami i czynią te różnice potencjalnie dobrymi kandydatami do stratyfikacji pacjentów z chorobą Parkinsona (PWP) w badaniu „na ślepo”, tzn. w losowej próbie pobranej z populacji ogólnej. Znaczenie tej metody jest dwukrotne. Pozwala ona na rzeczywistą personalizację leczenia przy jednoczesnej właściwej integracji rozbieżnych typów danych pochodzących z biosensorów i kryteriów klinicznych; tzn. ciągłych cyfrowych danych biofizycznych w formie szeregów czasowych oraz dyskretnych wyników klinicznych z tradycyjnych testów.
Chociaż jest to podejście ogólne, mające zastosowanie do wszystkich zaburzeń układu nerwowego, osadzamy tę pracę w kontekście PWP i proponujemy nowe sposoby wyciągania wniosków statystycznych na podstawie ciągłych danych cyfrowych zarejestrowanych podczas wykonywania takich testów klinicznych, uwzględniając dyskretny system punktacji klinicznej. W ten sposób praca umożliwia kliniczną interpretację wyników cyfrowych, która może być wykorzystana w warunkach klinicznych. Na koniec przedstawiamy rekomendacje dotyczące projektowania nowych sposobów wizualizacji takich indywidualnych wyników, które można zaimplementować w nowych aplikacjach, aby ułatwić ich użytkowanie w domu i w placówkach klinicznych zarówno pacjentom, opiekunom, jak i personelowi medycznemu.

<table><tbody><tr><td>Enobio 32</td><td>NE Neuroelectrics</td><td>NE006WF</td><td>ubieralny, bezprzewodowy system czujników elektrofizjologicznych do rejestracji EEG.</td></tr><tr><td>Pióro atramentowe</td><td>Pióro tabletowe Wacom</td><td>KP1302</td><td></td></tr><tr><td>Intuos Pro</td><td>Wacom</td><td>PTH451</td> tablet <td>piórkowy</td></tr><tr><td>Lab Stream Layer System</td><td>n/a</td><td>n/a</td><td>oprogramowanie open source do synchronizacji różnych urządzeń</td></tr><tr><td>Mikrofon</td><td>Zaffiro</td><td>B07BDFP6XC</td><td>mikrofon komputerowy</td></tr><tr><td>MovAlyzeR</td><td>Neuroscript</td><td>w wersji 6.1.0.0.</td><td>oprogramowanie do podpisów ruchu pióra</td></tr><tr><td>Bezprzewodowy tracker ruchu MTw Awinda</td> System <td>przechwytywania ruchu</td><td></td><td>MTw Awinda System przechwytywania</td> ruchu</tr><tr><td>MVN Analyze</td><td>Xsens</td><td>Wersja 2019</td><td>oprogramowanie do śledzenia ruchu</td></tr><tr><td>NIC 2.0</td><td>NE Neuroelektryka</td><td>NE001SW2</td><td>Neuroelektryka Kontroler przyrządów (NIC) Oprogramowanie do przesyłania strumieniowego EEG</td></tr><tr><td>OpenPose</td><td>nie</td> dotyczy <td>nie dotyczy</td><td>oprogramowania do uczenia maszynowego typu open source do wyodrębniania informacji o twarzy</td></tr></tbody></table>

dynamiczne cyfrowe biomarkery funkcji motorycznych i poznawczych w chorobie parkinsona

Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease

Ponieważ choroba Parkinsona (PD) jest zaburzeniem heterogennym, spersonalizowana medycyna jest naprawdę potrzebna do optymalizacji opieki. W swojej obecnej formie standardowe wyniki z papierowych i ołówkowych miar objawów tradycyjnie stosowanych do śledzenia postępu choroby są zbyt zgrubne (dyskretne), aby uchwycić ziarnistość rozważanych zjawisk klinicznych w obliczu ogromnej różnorodności objawów. Z tego powodu czujniki, urządzenia do noszenia i urządzenia mobilne są coraz częściej włączane do badań nad chorobą Parkinsona i rutynowej opieki. Te cyfrowe miary, choć bardziej precyzyjne, dają dane, które są mniej ustandaryzowane i łatwiejsze do interpretacji niż tradycyjne miary, w związku z czym te dwa typy danych pozostają w dużej mierze odizolowane. Obie te kwestie stanowią barierę dla szerokiego zastosowania klinicznego najbardziej precyzyjnych narzędzi oceny w tej dziedzinie. Ten protokół rozwiązuje oba problemy. Wykorzystując tradycyjne zadania do pomiaru funkcji poznawczych i kontroli motorycznej, testujemy uczestnika, jednocześnie dyskretnie rejestrując sygnały biofizyczne za pomocą urządzeń do noszenia. Następnie integrujemy wyniki z tradycyjnych metod papieru i ołówka z danymi cyfrowymi, które stale rejestrujemy. Oferujemy nowy, ustandaryzowany typ danych i ujednoliconą platformę statystyczną, która umożliwia dynamiczne śledzenie zmian w sygnaturach stochastycznych danej osoby w różnych warunkach, które badają różne poziomy funkcjonalnej kontroli neuromotorycznej, od dobrowolnej do autonomicznej. Protokół i ustandaryzowane ramy statystyczne oferują dynamiczne cyfrowe biomarkery funkcji fizycznych i poznawczych w chorobie Parkinsona, które odpowiadają zwalidowanym skalom klinicznym, jednocześnie znacznie poprawiając ich precyzję.

Ten protokół oferuje digitalizację części tradycyjnych zadań klinicznych, powszechnie używanych do pomiaru funkcji poznawczych i kontroli motorycznej w chorobie Parkinsona. Zadania kliniczne są digitalizowane, a rytmy biofizyczne są rejestrowane na różnych poziomach funkcjonalnych układu nerwowego, od dobrowolnego, spontanicznego, automatycznego do autonomicznego.

Dynamiczne cyfrowe biomarkery funkcji motorycznych i poznawczych w chorobie Parkinsona

As Parkinson&#8217;s disease (PD) is a heterogeneous disorder, personalized medicine is truly required to optimize care. In their current form, standard ...

Protokół ten może pomóc nam stratyfikować niejednorodną chorobę Parkinsona według nasilenia poznawczego i motorycznego. Korzystając z czujników ubieralnych, możemy zdigitalizować zadania kliniczne, które są powszechnie stosowane przez lekarzy. Poprzez współrejestrację działań na różnych poziomach funkcjonalnych układu nerwowego, identyfikujemy wysoce informacyjne parametry poznawcze, ruch i emocje, aby wytworzyć dynamiczne cyfrowe biomarkery choroby Parkinsona.Praca ta oferuje ujednolicone ramy do charakteryzowania i śledzenia sygnatur zaburzeń neurologicznych w spersonalizowany sposób, wraz z ewolucją całej kohorty otrzymującej dane leczenie lub terapię. Technika ta zapewnia ujednoliconą platformę statystyczną do dynamicznego śledzenia zmian w sygnaturach zmienności statystycznej wytwarzanej przez samodzielnie generowane aktywności biologiczne, począwszy od molekuł, przez komórki, aż po zachowanie. Przesyłanie strumieniowe wielu programów wymaga dużej ilości pamięci komputera, dlatego zalecamy korzystanie z komputerów o dużej mocy obliczeniowej, w przeciwnym razie systemy mogą ulec awarii podczas nagrywania.Używamy wielu urządzeń do nagrywania mózgu, ciała i serca, a wszystko to w tandemie, podczas naturalnych ruchów, więc dynamiczne medium, takie jak wideo, najlepiej by to zilustrowało. Procedury z mojego laboratorium zademonstrują doktoranci Jihye Ryu i Joseph Vero. Po uzyskaniu świadomych zgód od uczestnika, zmierz wymiary ciała uczestnika, aby umożliwić stworzenie jego awatara ciała w systemie motion-capture.Następnie skonfiguruj system przechwytywania ruchu, w tym siedemnaście bezprzewodowych czujników śledzenia ruchu i oprogramowanie do śledzenia ruchu. Umieść czujniki na wszystkich częściach ciała, jak wskazano, i zabezpiecz czujniki opaskami na paski, aby umożliwić nieskrępowany ruch. Po umieszczeniu wszystkich czujników skalibruj pozycję uczestnika, aby utworzyć awatara.Aby skonfigurować urządzenie EEG i oprogramowanie rejestrujące, umieść trzydzieści jeden czujników kanałowych w poprzek skóry głowy i umieść urządzenie rejestrujące z tyłu głowy. Podłącz czujnik ostatniego kanału do złącza, aby zmierzyć sygnał serca i umieść czujnik po lewej stronie brzucha uczestnika. Następnie przymocuj czujniki do kanału referencyjnego za lewym uchem uczestnika i za pomocą strzykawki włóż żel elektrodowy do czujników na czepku EEG.Aby przechwycić głos uczestnika podczas ocen, umieść mikrofon przed uczestnikiem i podłącz mikrofon do komputera, na którym będzie uruchomiona warstwa strumienia laboratorium. Następnie, aby skonfigurować system warstw strumienia laboratoryjnego do synchronizacji strumieni EEG, ruchu, dźwięku i znaczników czasu kliknięcia myszą, otwórz aplikację rejestratora laboratoryjnego, otwórz i połącz aplikacje warstwy strumienia laboratoryjnego dla myszy i aplikacji do przechwytywania dźwięku, a następnie otwórz wbudowaną aplikację do synchronizacji xsense. W sekcji nagrywania ze strumienia w aplikacji rejestratora laboratoryjnego naciśnij Aktualizuj"aby uzyskać pełną listę elementów przesyłania strumieniowego i zaznacz pola wyboru AudioCaptureWin'EEG'Przyciski myszy'Pozycja'i TrackerKinematyka'aby połączyć dźwięk, EEG, kliknięcia myszą i ruch przez system warstwy strumienia laboratoryjnego.Skonfiguruj nagranie w celu uchwycenia ruchu pióra, w tym tabletu piórkowego i oprogramowania do analizy ruchu, a następnie umieść tablet do rysowania i pióro cyfrowe przed uczestnikiem. Podłącz tablet do komputera, na którym będzie nagrywane oprogramowanie do analizy ruchu, i przyklej do tabletu kawałek białego papieru. Następnie naciśnij przycisk nagrywania w warstwie strumienia laboratoryjnego, oprogramowaniu do przechwytywania ruchu i oprogramowaniu do nagrywania EEG.Na początku i na końcu każdego zadania kliknij przycisk znacznika czasu w oprogramowaniu do przechwytywania ruchu, aby oznaczyć zadanie znacznikiem czasu. Nie zapomnij zapisać rzeczywistego czasu po kliknięciu przycisku znacznika czasu jako kopii zapasowej, aby podczas późniejszego przeglądania danych można było zidentyfikować zadanie na podstawie znaczników czasu. Aby uzyskać natychmiastową kopię figury złożonej Bensona, poinstruuj uczestnika, aby skopiował rysunek Bensona na papierze i zapamiętał projekt, ponieważ zostanie poproszony o ponowne narysowanie projektu z pamięci później.W części A testu tworzenia szlaków poinstruuj uczestnika, aby narysował linię między okręgami, które są ponumerowane w kolejności rosnącej. Aby przeprowadzić część B testu tworzenia śladów, poinstruuj, aby narysować linię między okręgami, które zawierają cyfry lub litery w porządku rosnącym, naprzemiennie cyfry i litery. W zadaniu polegającym na rysowaniu zegara poinstruuj uczestnika, aby narysował zegar analogowy z liczbami od jednego do dwunastu i ustawił czas na dziesiątą po jedenastej.Aby przeprowadzić opóźnioną kopię figury zespolonej Bensona, poinstruuj uczestnika, aby narysował figurę zespoloną Bensona z pamięci na czystej kartce papieru. Aby przeprowadzić test wachlarza liczb do przodu, poinstruuj uczestnika, aby powtórzył liczby, które eksperymentator czyta na głos w tej samej kolejności. W przypadku testu wachlarza liczb wstecznych poinstruuj uczestnika, aby powtórzył liczby, które eksperymentator czyta na głos w odwrotnej kolejności.W przypadku zadania wskazującego umieść cel przed uczestnikiem, aby wskazał i dotknął, a następnie poinstruuj uczestnika, aby wskazał cel czterdzieści razy we własnym tempie za pomocą dominującej ręki. W przypadku zadania polegającego na wskazywaniu metronomu poinstruuj uczestnika, aby wskazał cel czterdzieści razy we własnym tempie, jednocześnie ustawiając metronom tak, aby bił z prędkością trzydziestu pięciu uderzeń na minutę w tle, ale nie instruuj niczego na temat rytmu metronomu. W przypadku zadania polegającego na wskazywaniu w tempie poinstruuj uczestnika, aby wskazał cel czterdzieści razy, zgodnie z tempem rytmu metronomu ustawionym na trzydzieści pięć uderzeń na minutę.Aby wykonać zadanie chodzenia, najpierw poinstruuj uczestnika, aby chodził naturalnie po pokoju przez pięć minut. Następnie poinstruuj uczestnika, aby naturalnie chodził po pokoju, ustawiając metronom tak, aby dudnił w tle z dwunastoma uderzeniami na minutę. Następnie poinstruuj uczestnika, aby naturalnie chodził po pokoju, dostosowując tempo oddychania do rytmu metronomu ustawionego na dwanaście uderzeń na minutę.W przypadku filmu z twarzą najpierw poinstruuj uczestnika, aby usiadł wygodnie i ustawił kamerę przed uczestnikiem. W celu oceny kontrolnej poinstruuj uczestnika, aby przez pięć minut wpatrywał się w przestrzeń bez żadnych bodźców. Aby ocenić uśmiech, poinstruuj uczestnika, aby oglądał zabawny film przez pięć minut.W każdym z zadań rysunkowych pacjenci w tym reprezentatywnym badaniu podzielili się na warstwy poza grupą kontrolną, różnicując swoje indywidualne stochastyczne sygnatury zmienności motorycznej zgodnie z ujednoliconą skalą ocen choroby Parkinsona Towarzystwa Zaburzeń Ruchowych (Movement Disorder Society) w skali średnich ocen choroby Parkinsona. Zadanie polegające na wskazaniu celu przestrzennego jest wykonywane w celu oceny różnych poziomów kontroli wolicjonalnej, a rysunek ten ilustruje degradację centrum trajektorii masy wraz ze wzrostem nasilenia zaburzenia u uczestników. Za pomocą tego testu możliwe jest rozróżnienie każdego podtypu pacjenta z chorobą Parkinsona i śledzenie zmian w sygnaturach stochastycznych pacjenta od wartości wyjściowej do zadań wskazywania związanych z metronomem zarówno w przypadkach spontanicznych, jak i nieinstruowanych oraz celowych i poinstruowanych.W automatycznej ocenie chodu można uzyskać centrum trajektorii masy dla grupy kontrolnej i pacjentów z chorobą Parkinsona, jako średnio oceniane przez Movement Disorders Society ujednolicone wyniki skali ocen choroby Parkinsona. Następnie można przeprowadzić analizę stochastyczną zadania chodu, dla której można dokonać rozróżnienia między pacjentami a grupą kontrolną oraz między pacjentami o różnym stopniu nasilenia choroby. Oprogramowanie do otwartych póz może być używane do określania obszarów twarzy, które są najbardziej aktywne podczas danego zadania, oraz do sondowania treści emocjonalnych poprzez ustalanie przejść obszaru między emocjami podczas zadań.Integrując cyfrowe sygnały biofizyczne dla EEG, ruchu magnotometru i EKG, wykorzystując informacyjne pomiary teoretyczne i analizy łączności sieciowej, możliwe jest rozróżnienie między pacjentami a grupą kontrolną oraz między pacjentami o różnym nasileniu, poprzez badanie gęstości sieci. Korzystając ze zdigitalizowanych danych z sygnałów wysyłanych przez mózg i ciało, możemy zastosować różnorodne analizy, w tym korelację krzyżową i spójność krzyżową, aby scharakteryzować interaktywność między różnymi trybami biosygnałów. Nasze laboratorium rozszerzyło te metody, aby scharakteryzować inne zaburzenia neurologiczne i behawioralne, takie jak ból, oraz badać ucieleśnione poznanie, a wszystkie z nich odpowiadają na różne pytania.

dynamic-digital-biomarkers-motor-cognitive-function-parkinson-s

Research

JoVE Journal

Behavior

Zachowanie

W chorobie Parkinsona i ogólnie w zaburzeniach ruchowych, czułe i wiarygodne testy behawioralne są niezbędne do testowania nowych potencjalnych terapii. W tym miejscu opisujemy łatwą do opanowania baterię testów sensomotorycznych dla myszy, które są wrażliwe na różne stopnie uszkodzenia układu nigrostriatal i przydatne w badaniach przedklinicznych.

Ocena funkcji sensomotorycznych w mysich modelach choroby Parkinsona

Adaptacyjna głęboka stymulacja mózgu (aDBS) jest skuteczna w chorobie Parkinsona, łagodząc objawy i zmniejszając zużycie energii w porównaniu do konwencjonalnej głębokiej stymulacji mózgu (cDBS). W aDBS śledzimy w czasie rzeczywistym biomarker potencjału pola lokalnego (amplituda oscylacyjna beta) i wykorzystujemy go do kontrolowania czasu stymulacji.

Kontrolowanie choroby Parkinsona za pomocą adaptacyjnej głębokiej stymulacji mózgu

Głęboka stymulacja mózgu (DBS) jest skuteczną opcją leczenia choroby Parkinsona. Opracowaliśmy projekt badania w celu zbadania nowych paradygmatów stymulacji u szczurów. Protokół opisuje zastosowanie testu schodowego i testu cylindra do oceny wyników motorycznych u szczurów z hemiparkinsonem leczonych DBS.

Nowatorskie podejście do oceny wyników motorycznych efektów głębokiej stymulacji mózgu u szczura z połowiczaną półparkinsonem: test schodowy i cylindryczny

Opisujemy ustanowienie mysiego modelu choroby Parkinsona za pomocą MPTP, oraz oceny behawioralne za pomocą testów cylindrycznych i otwartych do pomiaru funkcji motorycznych. Następnie używamy L-DOPA jako jednego z przykładów, aby pokazać, jak zastosować ten model w badaniu leków na chorobę Parkinsona.

Behawioralna ocena spontanicznej lokomocji w mysim modelu choroby Parkinsona wywołanym MPTP

Kompleksowy test behawioralny obejmujący umiejętności motoryczne, nastrój - w tym interakcje społeczne, depresję i lęk - oraz funkcje poznawcze jest przeznaczony do wielokrotnej oceny zmian behawioralnych związanych z neurodegeneracją u myszy.

Bateria testów behawioralnych do wielokrotnej oceny zdolności motorycznych, nastroju i funkcji poznawczych u myszy

Tutaj prezentujemy protokół do badania związku między parametrami ruchu gałek ocznych a funkcjami poznawczymi u pacjentów z chorobą Parkinsona bez demencji. W eksperymencie wykorzystano urządzenie śledzące ruch gałek ocznych do pomiaru amplitudy sakkady i czasu fiksacji w zadaniu wyszukiwania wizualnego. Następnie zmierzono korelację z wydajnością w wielodomenowych zadaniach poznawczych.

Charakterystyka związku między parametrami ruchu gałek ocznych a funkcjami poznawczymi u pacjentów z chorobą Parkinsona bez otępienia ze śledzeniem ruchu gałek ocznych

Tutaj prezentujemy protokół, który pokazuje, jak wykonać dwa rodzaje narzędzi oceny poznawczej pochodzących z papierowo-ołówkowej wersji Testu Tworzenia Szlaków.

Tradycyjny test tworzenia szlaków zmodyfikowany w zupełnie nowe narzędzia oceny: test tworzenia szlaków cyfrowych i pieszych

Wirtualna rzeczywistość (VR) to potężne, ale niedostatecznie wykorzystywane podejście do rozwoju diagnostyki i leczenia chorób neurologicznych. Platforma zakupowa Cleveland Clinic Virtual Reality łączy najnowocześniejsze treści VR z wielokierunkową bieżnią w celu ilościowego określenia instrumentalnych czynności życia codziennego - proponowanego markera prodromalnego choroby neurologicznej.

Immersyjna platforma zakupowa Cleveland Clinic w wirtualnej rzeczywistości do oceny kluczowych czynności życia codziennego

Obecne badanie opisuje test zachowania motorycznego do analizy deficytów motorycznych w modelach gryzoni, w tym szczura TgF344-AD, z wykorzystaniem uczenia maszynowego.

Zadanie motoryczne w celu badania kinematyki stawów w przedklinicznym modelu chorób neurodegeneracyjnych

Nie jest jasne, w jaki sposób sygnały z góry na dół z brzusznego strumienia wzrokowego wpływają na ruch. Opracowaliśmy paradygmat do testowania zachowań motorycznych w stosunku do celu na iluzji odwrócenia głębi 3D. Istotne różnice występują zarówno w celowych, ukierunkowanych na cel ruchach, jak i automatycznych działaniach w iluzorycznych i prawdziwych warunkach widzenia.

Metody badania wpływu odgórnych procesów wzrokowych na zachowania motoryczne

Poznaj metodę cyfryzacji zadań klinicznych w chorobie Parkinsona przy użyciu czujników noszonych. Technika ta umożliwia identyfikację dynamicznych cyfrowych biomarkerów funkcji poznawczych i motorycznych.

Dynamiczne cyfrowe biomarkery funkcji motorycznych i poznawczych w chorobie Parkinsona

Przeglądaj więcej filmów