Name: Przeniesienie kliniki do domu: multimodalny ekosystem gromadzenia danych w domu wspierający adaptacyjną głęboką stymulację mózgu (Wideo) | JoVE Journal
Uploaded: 2023-07-14T13:30:00.000+00:00
Duration: 6 min 32 s
Description: Odkryj multimodalną platformę zdalnego monitorowania adaptacyjnej głębokiej stymulacji mózgu w chorobie Parkinsona. System zbiera dane wideo o ruchach pacjentów w domu przez rok, umożliwiając bezpieczną optymalizację terapii bez wizyt klinicznych.

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

Ten materiał jest oparty na pracy wspieranej przez National Science Foundation Graduate Research Fellowship Program (DGE-2140004), Weill Neurohub oraz National Institute of Health (UH3NS100544). Wszelkie opinie, ustalenia, wnioski lub zalecenia wyrażone w tym materiale są opiniami autora (autorów) i niekoniecznie odzwierciedlają poglądy National Science Foundation, Weill Neurohub lub National Institute of Health. Dziękujemy Tianjiao Zhangowi za jego fachowe konsultacje w zakresie projektowania platformy i włączania danych wideo. Szczególnie dziękujemy pacjentowi za udział w tym badaniu oraz za informacje zwrotne i porady dotyczące bezpieczeństwa sieci i projektowania platformy.

Optimizing Deep Brain Stimulation for Patients with Neurological Disorders

<ol><li>World Health Organization. Parkinson disease. , https://www.who.int/news-room/fact-sheets/detail/parkinson-disease (2022).</li>
<li>Herrington, T. M., Cheng, J. J., Eskandar, E. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mechanisms+of+deep+brain+stimulation%5BTitle%5D)+AND+%22Journal+of+Neurophysiology%22%5BJournal%5D)">Mechanisms of deep brain stimulation.</a> Journal of Neurophysiology. 115 (1), 19-38 (2016).</li>
<li>Little, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Adaptive+deep+brain+stimulation+for+Parkinson%27s+disease+demonstrates+reduced+speech+side+effects+compared+to+conventional+stimulation+in+the+acute+setting%5BTitle%5D)+AND+%22Journal+of+Neurology%2C+Neurosurgery+%26+Psychiatry%22%5BJournal%5D)">Adaptive deep brain stimulation for Parkinson's disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting.</a> Journal of Neurology, Neurosurgery & Psychiatry. 87 (12), 1388-1389 (2016).</li>
<li>Mohammed, A., Bayford, R., Demosthenous, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Toward+adaptive+deep+brain+stimulation+in+Parkinson%27s+disease%3A+a+review%5BTitle%5D)+AND+%22Neurodegenerative+Disease+Management%22%5BJournal%5D)">Toward adaptive deep brain stimulation in Parkinson's disease: a review.</a> Neurodegenerative Disease Management. 8 (2), 115-136 (2018).</li>
<li>Gilron, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Long-term+wireless+streaming+of+neural+recordings+for+circuit+discovery+and+adaptive+stimulation+in+individuals+with+Parkinson%27s+disease%5BTitle%5D)+AND+%22Nature+Biotechnology%22%5BJournal%5D)">Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson's disease.</a> Nature Biotechnology. 39 (9), 1078-1085 (2021).</li>
<li>Ray, N. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Local+field+potential+beta+activity+in+the+subthalamic+nucleus+of+patients+with+Parkinson%27s+disease+is+associated+with+improvements+in+bradykinesia+after+dopamine+and+deep+brain+stimulation%5BTitle%5D)+AND+%22Experimental+Neurology%22%5BJournal%5D)">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.</a> Experimental Neurology. 213 (1), 108-113 (2008).</li>
<li>Neumann, W. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Subthalamic+synchronized+oscillatory+activity+correlates+with+motor+impairment+in+patients+with+Parkinson%27s+disease%5BTitle%5D)+AND+%22Movement+Disorders%3A+Official+Journal+of+the+Movement+Disorder+Society%22%5BJournal%5D)">Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson's disease.</a> Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).</li>
<li>Swann, N. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Adaptive+deep+brain+stimulation+for+Parkinson%27s+disease+using+motor+cortex+sensing%5BTitle%5D)+AND+%22J.+Neural+Eng%22%5BJournal%5D)">Adaptive deep brain stimulation for Parkinson's disease using motor cortex sensing.</a> J. Neural Eng. 11, (2018).</li>
<li>Little, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Adaptive+deep+brain+stimulation+in+advanced+Parkinson+disease%5BTitle%5D)+AND+%22Annals+of+Neurology%22%5BJournal%5D)">Adaptive deep brain stimulation in advanced Parkinson disease.</a> Annals of Neurology. 74 (3), 449-457 (2013).</li>
<li>Connolly, M. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-objective+data-driven+optimization+for+improving+deep+brain+stimulation+in+Parkinson%27s+disease%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson's disease.</a> Journal of Neural Engineering. 18 (4), 046046(2021).</li>
<li>Stanslaski, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Creating+neural+%26%2334%3Bco-processors%26%2334%3B+to+explore+treatments+for+neurological+disorders%5BTitle%5D)+AND+%222018+IEEE+International+Solid+-+State+Circuits+Conference+-+%28ISSCC%29%22%5BJournal%5D)">Creating neural &#34;co-processors&#34; to explore treatments for neurological disorders.</a> 2018 IEEE International Solid - State Circuits Conference - (ISSCC). , 460-462 (2018).</li>
<li>Rights (OCR), O. for C. The HIPAA Privacy Rule. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22HHS.gov%22">HHS.gov</a>. , https://www.hhs.gov/hipaa/for-professionals/privacy/index.html (2008).</li>
<li>Rights (OCR), O. for C. The Security Rule. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22HHS.gov%22">HHS.gov</a>. , https://www.hhs.gov/hipaa/for-professionals/security/index.html (2009).</li>
<li>Perrone, R., Gilron, R. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPerrone%2C+R+%22SCBS+Patient+Facing+App+%28Summit+Continuous+Bilateral+Streaming%29%22">SCBS Patient Facing App (Summit Continuous Bilateral Streaming)</a>. , https://github.com/openmind-consortium/App-SCBS-PatientFacingApp (2021).</li>
<li>Strandquist, G., et al. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aStrandquist%2C+G+%22In-Home+Video+and+IMU+Kinematics+of+Self+Guided+Tasks+Correlate+with+Clinical+Bradykinesia+Scores%22">In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores</a>. , (2023).</li>
<li>Donenfeld, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((WireGuard%3A+Next+Generation+Kernel+Network+Tunnel%5BTitle%5D)+AND+%22Proceedings+2017+Network+and+Distributed+System+Security+Symposium%22%5BJournal%5D)">WireGuard: Next Generation Kernel Network Tunnel.</a> Proceedings 2017 Network and Distributed System Security Symposium. , (2017).</li>
<li>etzion. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Ubuntu+20.04+and+TPM2+encrypted+system+disk+-+Running+Systems%22">Ubuntu 20.04 and TPM2 encrypted system disk - Running Systems</a>. , https://run.tournament.org.il/ubuntu-20-04-and-tpm2-encrypted-system-disk/ (2021).</li>
<li>Craig-Wood, N. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCraig-Wood%2C+N+%22Rclone%22">Rclone</a>. , https://github.com/rclone/rclone (2023).</li>
<li>Chen, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Role+of+Large-Scale+Data+Infrastructure+in+Developing+Next-Generation+Deep+Brain+Stimulation+Therapies%5BTitle%5D)+AND+%22Frontiers+in+Human+Neuroscience%22%5BJournal%5D)">The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies.</a> Frontiers in Human Neuroscience. 15, 717401(2021).</li>
<li>Hidalgo, G. inés, et al. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHidalgo%2C+Gin%C3%A9s+%22CMU-Perceptual-Computing-Lab%2Fopenpose%22">CMU-Perceptual-Computing-Lab/openpose</a>. , https://github.com/CMU-Perceptual-Computing-Lab/openpose (2023).</li>
<li>Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((OpenPose%3A+Realtime+Multi-Person+2D+Pose+Estimation+Using+Part+Affinity+Fields%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).</li>
<li>Cao, Z. openpose/calibration_module.md at master · CMU-Perceptual-Computing-Lab/openpose. , https://github.com/CMU-Perceptual-Computing-Lab/openpose/blob/master/doc/advanced/calibration_module.md (2023).</li>
<li>Sellers, K. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analysis-rcs-data%3A+Open-Source+Toolbox+for+the+Ingestion%2C+Time-Alignment%2C+and+Visualization+of+Sense+and+Stimulation+Data+From+the+Medtronic+Summit+RC%2BS+System%5BTitle%5D)+AND+%22Frontiers+in+Human+Neuroscience%22%5BJournal%5D)">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.</a> Frontiers in Human Neuroscience. 15, 398(2021).</li>
<li>Ranti, C. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aRanti%2C+C+%22Rune+Labs+Stream+API%22">Rune Labs Stream API</a>. , https://docs.runelabs.io/ (2023).</li>
<li>ffmpeg development community. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22FFmpeg+Formats+Documentation%22">FFmpeg Formats Documentation</a>. , https://ffmpeg.org/ffmpeg-formats.html (2023).</li>
<li>Goetz, C. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Movement+Disorder+Society-sponsored+revision+of+the+Unified+Parkinson%27s+Disease+Rating+Scale+%28MDS-UPDRS%29%3A+Scale+presentation+and+clinimetric+testing+results%3A+MDS-UPDRS%3A+Clinimetric+Assessment%5BTitle%5D)+AND+%22Movement+Disorders%22%5BJournal%5D)">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.</a> Movement Disorders. 23 (15), 2129-2170 (2008).</li>
</ol>

Autorzy nie mają do ujawnienia żadnych konfliktów interesów.

Udostępniamy projekt domowego prototypu multimodalnej platformy do gromadzenia danych, która będzie wspierać przyszłe badania nad neuromodulacją. Projekt jest open-source i modułowy, dzięki czemu każdy element sprzętu można wymienić, a dowolny komponent oprogramowania można zaktualizować lub zmienić bez zawalenia się całej platformy. Podczas gdy metody zbierania i deidentyfikacji danych neuronowych są specyficzne dla wybranego INS, pozostałe metody i ogólne podejście do zbierania danych behawioralnych są niezależne od te...

Głęboka stymulacja mózgu (DBS) jest stosowana w leczeniu schorzeń neurologicznych, takich jak choroba Parkinsona (PD), poprzez dostarczanie prądu elektrycznego bezpośrednio do konkretnych obszarów mózgu. Szacuje się, że na całym świecie występuje 8,5 miliona przypadków PD, a DBS okazała się kluczową terapią w sytuacjach, gdy farmakoterapia jest niewystarczająca do opanowania objawów1,2. Jednakże skuteczność DBS może być ograniczona przez skutki uboczne, które czasami występują przy stymulacji dostarczanej w sposób konwencjonalny, ze stałą amplitudą, częstotliwością i szerokością impulsu3. Taka implementacja w pętli otwartej nie reaguje na zmiany w stanie objawów, co prowadzi do ustawień stymulacji, które nie są odpowiednio dopasowane do zmieniających się potrzeb pacjenta. DBS jest dodatkowo utrudniana przez czasochłonny proces dostrajania parametrów stymulacji, który jest obecnie wykonywany ręcznie przez klinicystów dla każdego pacjenta z osobna.
Adaptacyjna stymulacja głęboka mózgu (aDBS) to podejście w pętli zamkniętej, które okazało się skuteczną kolejną iteracją DBS poprzez dostosowywanie parametrów stymulacji w czasie rzeczywistym w momencie wykrycia biomarkerów związanych z objawami3,4,5. Badania wykazały, że oscylacje beta (10-30 Hz) w jądrze podwzgórzowym (STN) występują konsekwentnie podczas bradykinezji, czyli spowolnienia ruchów charakterystycznego dla PD6,7. Podobnie oscylacje wysokiej częstotliwości gamma (50-120 Hz) w korze mózgowej występują podczas okresów dyskinezji, czyli nadmiernych i mimowolnych ruchów również powszechnie obserwowanych w PD8. W niedawnych pracach z sukcesem zastosowano aDBS poza warunkami klinicznymi przez dłuższe okresy5, jednak nie ustalono długoterminowej skuteczności algorytmów aDBS skonfigurowanych w klinice w sytuacji, gdy pacjent przebywa w domu.
Systemy zdalne są niezbędne do rejestracji zmieniającej się w czasie skuteczności tych dynamicznych algorytmów w tłumieniu objawów występujących podczas codziennego życia. Chociaż dynamiczne podejście do stymulacji w aDBS potencjalnie umożliwia bardziej precyzyjne leczenie przy zredukowanych efektach ubocznych3,9, aDBS wciąż wiąże się z dużym obciążeniem klinicystów, którzy muszą ręcznie określać parametry stymulacji dla każdego pacjenta. Oprócz i tak dużego zestawu parametrów programowanych podczas konwencjonalnej DBS, algorytmy aDBS wprowadzają wiele nowych parametrów, które również muszą być starannie dostosowane. To połączenie parametrów stymulacji i algorytmu tworzy ogromną przestrzeń parametrów z niezarządzalną liczbą możliwych kombinacji, co uniemożliwia skalowanie aDBS na wielu pacjentach10. Nawet w warunkach badawczych dodatkowy czas wymagany do konfiguracji i oceny systemów aDBS sprawia, że trudno jest odpowiednio zoptymalizować algorytmy wyłącznie w klinice, dlatego niezbędne jest zdalne aktualizowanie parametrów. Aby aDBS stało się terapią skalowalną, strojenie parametrów stymulacji i algorytmów musi zostać zautomatyzowane. Ponadto wyniki terapii muszą być analizowane w ramach wielokrotnych prób, aby ustanowić aDBS jako wykonalne długoterminowe leczenie poza kliniką. Istnieje potrzeba stworzenia platformy, która mogłaby gromadzić dane do zdalnej oceny skuteczności terapii oraz zdalnie wdrażać aktualizacje parametrów algorytmu aDBS.
Celem niniejszego protokołu jest przedstawienie możliwości ponownego wykorzystania projektu multimodalnej platformy do domowej kolekcji danych, mającej na celu poprawę skuteczności aDBS poza warunkami klinicznymi oraz umożliwienie skalowania tej terapii dla większej liczby pacjentów. Według naszej wiedzy jest to pierwszy projekt platformy do gromadzenia danych, która zdalnie ocenia wyniki terapeutyczne przy użyciu domowych kamer wideo, czujników ubieralnych, chronicznej rejestracji sygnałów neuronowych oraz informacji zwrotnych od pacjentów w celu oceny systemów aDBS podczas kontrolowanych zadań i naturalnych zachowań.
Platforma stanowi ekosystem komponentów sprzętowych i programowych zbudowany na bazie wcześniej opracowanych systemów5. Po początkowej instalacji minimalnego sprzętu umożliwiającego multimodalny pobór danych od osoby w komfortowych warunkach domowych, system może być konserwowany w całości poprzez zdalny dostęp. Kluczowym elementem jest implantowalny system neurostymulacji (INS)11, który wykrywa aktywność neuronalną, dostarcza stymulację do STN oraz rejestruje przyspieszenie z implantów klatki piersiowej. W przypadku implantu zastosowanego podczas pierwszej implementacji, aktywność neuronalna jest rejestrowana z obustronnych elektrod implantowanych w STN oraz z elektrod elektrokortykograficznych implantowanych nad korą ruchową. System nagrywania wideo pomaga klinicystom monitorować nasilenie objawów i skuteczność terapii; obejmuje on graficzny interfejs użytkownika (GUI), który umożliwia łatwe przerywanie trwających nagrań w celu ochrony prywatności pacjenta. Filmy są przetwarzane w celu wyodrębnienia trajektorii kinetycznych pozycji w dwóch wymiarach (2D) lub trzech wymiarach (3D), a na obu nadgarstkach noszone są inteligentne zegarki służące do przechwytywania informacji o prędkości kątowej i przyspieszeniu. Co istotne, wszystkie dane są szyfrowane przed przesłaniem do długoterminowej pamięci w chmurze, a dostęp do komputera zawierającego filmy pozwalające na identyfikację pacjenta jest możliwy wyłącznie poprzez wirtualną sieć prywatną (VPN). System obejmuje dwa podejścia do post-hoc synchronizacji czasowej wszystkich strumieni danych; dane te są wykorzystywane do zdalnego monitorowania jakości ruchu pacjenta oraz do identyfikacji biomarkerów związanych z objawami w celu udoskonalenia algorytmów aDBS. Część wideo niniejszej pracy przedstawia proces zbierania danych oraz animacje trajektorii kinetycznych wyodrębnionych z zebranych nagrań.
Podczas opracowywania protokołu kierowano się następującymi kwestiami projektowymi: 
Zapewnienie bezpieczeństwa danych i prywatności pacjenta: Gromadzenie identyfikowalnych danych pacjentów wymaga najwyższej staranności podczas przesyłania i przechowywania, aby zapewnić zgodność z ustawą o przenoszalności i odpowiedzialności ubezpieczeń zdrowotnych (HIPAA)12, 13 oraz poszanować prywatność pacjenta w jego własnym domu. W tym projekcie osiągnięto to poprzez skonfigurowanie niestandardowej sieci VPN, aby zapewnić prywatność całego poufnego ruchu między komputerami systemu. 
Bezpieczne granice parametrów stymulacji: Kluczowe jest zapewnienie bezpieczeństwa pacjenta podczas testowania algorytmów aDBS, które mogą wywołać nieprzewidziane efekty. System INS pacjenta musi zostać skonfigurowany przez klinicystę w taki sposób, aby posiadał bezpieczne granice parametrów stymulacji, które wykluczają wystąpienie niebezpiecznych skutków nadmiernej stymulacji lub zbyt słabej stymulacji. W systemie INS11 wykorzystanym w tej badaniu funkcja ta jest aktywowana przez programistę klinicznego. 
Zapewnienie prawa veta pacjenta: Nawet w ramach bezpiecznych granic parametrów, codzienna zmienność objawów i odpowiedzi na stymulację może prowadzić do nieprzyjemnych sytuacji, w których pacjent nie akceptuje testowanego algorytmu i chce powrócić do standardowej klinicznej stymulacji DBS w pętli otwartej. Wybrany system INS zawiera moduł telemetrii pacjenta (PTM), który pozwala pacjentowi na ręczną zmianę grupy stymulacji oraz amplitudy stymulacji w mA. Istnieje również połączona z INS aplikacja badawcza służąca do zdalnej konfiguracji INS przed gromadzeniem danych14, która umożliwia pacjentowi przerwanie prób aDBS i kontrolę nad terapią. 
Rejestracja złożonych i naturalnych zachowań: Do platformy włączono dane wideo, aby umożliwić klinicystom zdalne monitorowanie skuteczności terapii oraz wyodrębnianie trajektorii kinematycznych z szacunków pozy do analiz badawczych15. Chociaż czujniki ubieralne są mniej inwazyjne, trudno jest uchwycić pełen dynamiczny zakres ruchu całego ciała wyłącznie za pomocą systemów ubieralnych. Filmy umożliwiają jednoczesną rejestrację pełnego zakresu ruchu pacjenta oraz jego objawów w czasie. 
Użyteczność systemu dla pacjentów: Gromadzenie multimodalnych danych w domu wymaga instalacji i użytkowania wielu urządzeń, co dla pacjentów mogłoby stać się obciążeniem. Aby system był łatwy w użyciu przy jednoczesnym zachowaniu kontroli pacjenta, tylko urządzenia wszczepione lub fizycznie przymocowane do pacjenta (w tym przypadku system INS i inteligentne zegarki) muszą być ręcznie włączane przed rozpoczęciem nagrywania. W przypadku urządzeń oddzielnych od pacjenta (tutaj dane rejestrowane przez kamery wideo), nagrywanie rozpoczyna i kończy się automatycznie, bez konieczności interakcji z pacjentem. Podczas projektowania interfejsu GUI zadbano o zminimalizowanie liczby przycisków i unikanie głębokich struktur menu, aby interakcje były proste. Po zainstalowaniu wszystkich urządzeń koordynator badania pokazał pacjentowi, jak obsługiwać wszystkie urządzenia za pomocą interfejsów GUI skierowanych do pacjenta, które są częścią każdego urządzenia, np. jak przerywać nagrywanie na dowolnym urządzeniu oraz jak wprowadzać historię leczenia i raporty o objawach. 
Przejrzystość gromadzenia danych: Jasne wskazywanie momentu włączenia kamer jest niezbędne, aby ludzie wiedzieli, kiedy są nagrywani i mogli wstrzymać nagrywanie, jeśli potrzebują chwili prywatności. W tym celu do sterowania nagraniami wideo z interfejsem GUI skierowanym do pacjenta wykorzystuje się aplikację systemu kamer. GUI otwiera się automatycznie po uruchomieniu aplikacji i wyświetla czas oraz datę następnego zaplanowanego nagrania. Gdy trwa nagrywanie, komunikat informuje, kiedy nagrywanie ma się zakończyć. W centrum GUI wyświetlany jest duży obraz czerwonego światła. Obraz ten pokazuje jasno świecące światło zawsze wtedy, gdy trwa nagrywanie i zmienia się w obraz z wygaszonym światłem, gdy nagrywanie jest wyłączone.
Protokół szczegółowo opisuje metody projektowania, budowy i wdrażania domowej platformy gromadzenia danych, sprawdzania jakości zebranych danych pod kątem kompletności i rzetelności oraz postprocesowania danych w celu ich wykorzystania w przyszłych badaniach.
<img alt="Schemat przepływu danych w inteligentnym domu; wideo, dane z czujników, smartwatch; zautomatyzowana walidacja i wyrównanie danych." class="xfigimg" src="/files/ftp_upload/65305/65305fig01.jpg" data-altupdatedat="1788304762000" data-alt="Rysunek 1"> 
Rysunek 1: Przepływ danych. Dane dla każdej modalności są zbierane niezależnie z miejsca zamieszkania pacjenta, a następnie przetwarzane i agregowane w jednym zdalnym punkcie przechowywania. Dane z każdej modalności są przesyłane automatycznie do zdalnego punktu przechowywania. Następnie, przy udziale jednego z członków zespołu, mogą zostać pobrane, sprawdzone pod kątem poprawności, wyrównane czasowo między modalnościami oraz poddane dalszemu przetwarzaniu wstępnemu specyficznemu dla danej modalności. Skompilowany zbiór danych jest następnie przesyłany do zdalnego punktu przechowywania, do którego bezpieczny dostęp mają wszyscy członkowie zespołu w celu przeprowadzenia dalszej analizy. Wszystkie maszyny z dostępem do danych, zwłaszcza w przypadku danych wrażliwych, takich jak surowe nagrania wideo, znajdują się w ramach sieci VPN, która zapewnia bezpieczny transfer wszystkich danych oraz stałe szyfrowanie przechowywanych informacji. <a href="https://www.jove.com/files/ftp_upload/65305/65305fig01large.jpg" target="_blank">Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.</a>

<table><tbody><tr><td>Analiza Przetwarzanie danych RCS</td><td>OpenMind</td><td></td><td>https://github.com/openmind-consortium/Analysis-rcs-data, zegarki Apple o otwartym kodzie źródłowym</td></tr><tr><td></td><td>Apple, Inc</td><td></td><td>Użyj 2 zegarków dla każdego pacjenta, po jednym na każdym nadgarstku</td></tr><tr><td>BRIO ULTRA HD PRO BUSINESS WEBCAM</td><td>Logitech</td><td>960-001105</td><td>Używany 3 w naszym projekcie platformy&nbsp;</td></tr><tr><td>Oprogramowanie do edycji wideo DaVinci Resolve&nbsp;</td><td>DaVinci Resolve</td><td></td><td>służy do obsługi kalibracji kamery</td></tr><tr><td>Dell XPS PC&nbsp;</td><td>Dysk twardy Dell</td><td></td><td>2T, 500 GB SSD</td></tr><tr><td>Dropbox</td><td>Dropbox</td><td></td><td></td></tr><tr><td>ffmpeg&nbsp;</td><td>Nie dotyczy</td><td></td><td>open-source, zainstaluj, aby uruchomić aplikację do nagrywania wideo</td></tr><tr><td>Mocowania na gęsiej szyi do kamer internetowych</td><td>Nie dotyczy</td><td></td><td></td></tr><tr><td>GPU</td><td>Nvidia</td><td></td><td>Do uruchomienia OpenPose zalecane jest co najmniej 8 GB pamięci GPU, 12 GB jest idealne</td></tr><tr><td>Java 11</td><td>Oracle</td><td></td><td>Zainstaluj, aby uruchomić aplikację do nagrywania wideo</td></tr><tr><td>Tablet Microsoft Surface&nbsp;</td><td>Microsoft</td><td></td><td></td></tr><tr><td>NoMachine&nbsp;</td><td>NoMachine</td><td></td><td>Idealny do korzystania z systemu operacyjnego Linux, OpenPose o otwartym kodzie źródłowym</td></tr><tr><td>&nbsp;</td><td></td><td></td> Nie dotyczy programu do przesyłania plików Rclone o <td>otwartym kodzie źródłowym</td></tr><tr><td></td><td>Rclone</td><td></td><td>Szyfruje dane i kopiuje lub przenosi dane do pamięci masowej poza siedzibą firmy,</td></tr><tr><td>aplikacja StrivePD</td> o otwartym kodzie <td>źródłowym RuneLabs</td><td></td><td>Zainstalowaliśmy aplikację na zegarkach Apple Watch, aby rozpocząć nagrywanie i przesyłanie danych do portalu internetowego.</td></tr><tr><td>System neuromodulacji Summit RC+S</td><td>Medtronic</td><td></td><td>Tylko do użytku eksperymentalnego</td></tr><tr><td>Monitor kompatybilny z ekranem</td><td>dotykowym Nie dotyczy</td><td></td><td></td></tr><tr><td>Wideo dla systemu Linux 2 API</td><td>Jądro</td><td></td> Linux <td>Zainstaluj, jeśli używasz systemu operacyjnego Linux do nagrywania wideo&nbsp;</td></tr><tr><td>Wasabi&nbsp;</td><td>Długoterminowa pamięć masowa w chmurze</td> <td>Wasabi</td><td></td></tr><tr><td>Protokół WireGuard VPN</td><td>WireGuard</td><td></td><td>open-source</td></tr></tbody></table>

przeniesienie kliniki do domu: multimodalny ekosystem gromadzenia danych w domu wspierający adaptacyjną głęboką stymulację mózgu

Bringing the Clinic Home: An At-Home Multi-Modal Data Collection Ecosystem to Support Adaptive Deep Brain Stimulation

Adaptacyjna głęboka stymulacja mózgu (aDBS) daje nadzieję na poprawę leczenia zaburzeń neurologicznych, takich jak choroba Parkinsona (PD). aDBS wykorzystuje biomarkery związane z objawami do dostosowywania parametrów stymulacji w czasie rzeczywistym, aby bardziej precyzyjnie celować w objawy. Aby umożliwić te dynamiczne korekty, parametry algorytmu aDBS muszą być określone dla każdego pacjenta z osobna. Wymaga to czasochłonnego ręcznego dostrajania przez badaczy klinicznych, co utrudnia znalezienie optymalnej konfiguracji dla pojedynczego pacjenta lub skalowanie do wielu pacjentów. Co więcej, otwartą kwestią pozostaje długoterminowa skuteczność algorytmów aDBS skonfigurowanych w klinice, gdy pacjent jest w domu. Aby wdrożyć tę terapię na dużą skalę, potrzebna jest metodologia automatycznej konfiguracji parametrów algorytmu aDBS przy jednoczesnym zdalnym monitorowaniu wyników terapii. W tym artykule przedstawiamy projekt domowej platformy do gromadzenia danych, która ma pomóc w rozwiązaniu obu problemów. Platforma składa się ze zintegrowanego ekosystemu sprzętowego i programowego, który jest open-source i umożliwia gromadzenie w domu danych wideo z neuronów, inercji i wielu kamer. Aby zapewnić prywatność danych umożliwiających identyfikację pacjenta, platforma szyfruje i przesyła dane za pośrednictwem wirtualnej sieci prywatnej. Metody te obejmują wyrównywanie strumieni danych w czasie i wyodrębnianie szacunków póz z nagrań wideo. Aby zademonstrować zastosowanie tego systemu, wdrożyliśmy tę platformę w domu osoby z chorobą Parkinsona i zebraliśmy dane podczas samodzielnych zadań klinicznych i okresów swobodnego zachowania w ciągu 1,5 roku. Dane rejestrowano przy amplitudach stymulacji subterapeutycznej, terapeutycznej i supraterapeutycznej w celu oceny nasilenia objawów motorycznych w różnych warunkach terapeutycznych. Te dane dostosowane do czasu pokazują, że platforma jest zdolna do zsynchronizowanego gromadzenia danych multimodalnych w domu w celu oceny terapeutycznej. Ta architektura systemu może być wykorzystana do wspierania zautomatyzowanych badań nad aDBS, do zbierania nowych zbiorów danych i do badania długoterminowych efektów terapii DBS poza kliniką dla osób cierpiących na zaburzenia neurologiczne.

Projekt i wdrożenie prototypowej platformy 
Zaprojektowaliśmy prototypową platformę i wdrożyliśmy ją w domu jednego pacjenta (Rysunek 1). Po pierwszej instalacji sprzętu w domu, platforma może być serwisowana, a dane gromadzone w całości poprzez zdalny dostęp. Urządzenia INS, inteligentne zegarki oraz kamery posiadają aplikacje dla pacjentów, które umożliwiają im rozpoczęcie i zatrzymanie nagrań. Sprzęt do gromadzenia wideo umożliwia automatyczne nagrywanie obrazu po skon...

Protokół pokazuje prototyp domowej platformy do zbierania danych multimodalnych, która wspiera badania optymalizujące adaptacyjną głęboką stymulację mózgu (aDBS) dla osób z neurologicznymi zaburzeniami ruchu. Przedstawiamy również kluczowe wnioski z wdrażania platformy przez ponad rok w domu osoby z chorobą Parkinsona.

Przeniesienie kliniki do domu: multimodalny ekosystem gromadzenia danych w domu wspierający adaptacyjną głęboką stymulację mózgu

Adaptive deep brain stimulation (aDBS) shows promise for improving treatment for neurological disorders such as Parkinson's disease (PD). aDBS uses ...

Moje badania wspierają automatyzację adaptacyjnej głębokiej stymulacji mózgu lub ADBS w chorobie Parkinsona w zaciszu czyjegoś domu. Jednym z pytań jest to, czy terapia ta może być bezpiecznie monitorowana przez długi czas poza kliniką, przy jednoczesnym zapewnieniu prywatności pacjenta. Dodatkowo przyglądamy się możliwości automatycznego dostosowywania parametrów ADBS bez konieczności powrotu pacjenta do kliniki.Badania ADBS wymagają platform gromadzenia danych, aby dokładnie mierzyć jakość ruchu w codziennym życiu pacjentów oraz zdalnie dostarczać aktualizacje algorytmów terapii. Protokół ten gromadzi wiele modalności, gdy pacjenci swobodnie poruszają się po swoich domach, w tym dane wideo w celu uchwycenia izolowanych ruchów kinematycznych, takich jak palce. Nasze wyniki pozwalają nam badać zmiany w chorobie Parkinsona w długich okresach czasu i pozwalają nam zapytać, jakie pomiary są niezbędne do analizy i leczenia różnych objawów choroby Parkinsona poza obserwacją kliniczną.

bringing-clinic-home-an-at-home-multi-modal-data-collection-ecosystem

Research

JoVE Journal

Neuroscience

Neuronauka

Źródło: Sellers, K. K. i wsp. Neurostymulacja w pętli zamkniętej w spersonalizowanym leczeniu dużych zaburzeń depresyjnych opartych na biomarkerach. J. Vis. Exp. (2023)Ten film przedstawia procedurę konfiguracji systemu i rejestrowania danych w celu wsparcia wykrywania biomarkerów specyficznych dla pacjenta i dostarczania neurostymulacji w leczeniu dużych zaburzeń depresyjnych.

Konfiguracja systemu neurostymulacji i zbieranie objawów w celu spersonalizowanego leczenia depresji

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

Dyskretne czujniki i wszechobecna technologia obliczeniowa włączona do codziennego życia domowego osób starszych umożliwia rejestrowanie znaczących zmian w zdrowiu i aktywności w sposób ciągły przez miesiące lub lata, dostarczając ekologicznie ważnych, wysokiej częstotliwości, wielodomenowych danych do badań lub zastosowań klinicznych.

Metodologia tworzenia ogólnowspólnotowego laboratorium życiowego w celu pozyskiwania dyskretnych i ciągłych danych dotyczących zdalnej aktywności i zdrowia

Celem tego projektu jest opracowanie interaktywnego, specyficznego dla pacjenta procesu modelowania, aby symulować efekty głębokiej stymulacji mózgu w czasie zbliżonym do rzeczywistego i dostarczyć istotnych informacji zwrotnych na temat tego, jak te urządzenia wpływają na aktywność neuronalną w mózgu.

Celowanie w szlaki włókien nerwowych w celu terapii głębokiej stymulacji mózgu przy użyciu interaktywnych, specyficznych dla pacjenta modeli

Głęboka stymulacja mózgu wywołana przez specyficzny dla pacjenta biomarker neuronalny o wysokim poziomie objawów może lepiej kontrolować objawy dużego zaburzenia depresyjnego w porównaniu do ciągłej, otwartej stymulacji. Protokół ten zapewnia przepływ pracy w celu identyfikacji specyficznego dla pacjenta biomarkera neuronalnego i kontrolowania dostarczania stymulacji terapeutycznej w oparciu o zidentyfikowany biomarker.

Neurostymulacja w pętli zamkniętej w spersonalizowanym leczeniu dużych zaburzeń depresyjnych opartych na biomarkerach

To badanie przedstawia nowatorski protokół przezczaszkowej stymulacji prądem stałym (tDCS) w połączeniu ze stymulacją poznawczą w celu rozwiązania problemu pourazowego zaniedbania połowiczno-przestrzennego. Wstępne dane uzyskane od pacjenta pilotażowego zapewniają wykonalność procedury i sugerują potencjalną skuteczność, stanowiąc podstawę dla przyszłego, równoległego, potrójnie ślepego, kontrolowanego badania klinicznego.

Randomizowane, potrójnie ślepe i równolegle kontrolowane badanie przezczaszkowej stymulacji prądem stałym w rehabilitacji poznawczej po udarze mózgu

W niniejszym artykule omawiamy metodologię oraz kwestie istotne dla łączenia TMS i fMRI w celu zbadania wpływu stymulacji mózgu na sieć stanu spoczynkowego.

Połączenie przezczaszkowej stymulacji magnetycznej i fMRI w celu zbadania sieci aktywności spoczynkowej (Default Mode Network)

W niniejszym artykule badamy wpływ stymulacji TMS w trybie Theta-Burst na plastyczność kory mózgowej u osób cierpiących na zespół kruchego chromosomu X oraz u osób w spektrum autyzmu.

TMS: Wykorzystanie protokołu Theta-Burst do badania mechanizmów plastyczności u osób z zespołem kruchego chromosomu X i autyzmem

W niniejszym artykule badamy wpływ zależność stanu od bodźców wzrokowych na wywołane przez TMS motywacyjne fosfeny.

Wpływ zależności od stanu na TMS: analiza zachowania fosfenów motywacyjnych

W niniejszym artykule omawiamy metodologię oraz kwestie istotne dla zatwierdzonego przez FDA protokołu leczenia depresji z wykorzystaniem urządzenia Neuronetics NeuroStar TMS.

Urządzenie NeuroStar TMS: Przeprowadzanie zatwierdzonego przez FDA protokołu leczenia depresji

Odkryj multimodalną platformę zdalnego monitorowania adaptacyjnej głębokiej stymulacji mózgu w chorobie Parkinsona. System zbiera dane wideo o ruchach pacjentów w domu przez rok, umożliwiając bezpieczną optymalizację terapii bez wizyt klinicznych.

Przeniesienie kliniki do domu: multimodalny ekosystem gromadzenia danych w domu wspierający adaptacyjną głęboką stymulację mózgu (Wideo) | JoVE Journal

Przeniesienie kliniki do domu: multimodalny ekosystem gromadzenia danych w domu wspierający adaptacyjną głęboką stymulację mózgu

Przeglądaj więcej filmów