Summary

Bringing the Clinic Home: Et multimodalt datainnsamlingsøkosystem hjemme for å støtte adaptiv dyp hjernestimulering

Published: July 14, 2023
doi:

Summary

Protokollen viser en prototype av den multimodale datainnsamlingsplattformen hjemme som støtter forskning som optimaliserer adaptiv dyp hjernestimulering (aDBS) for personer med nevrologiske bevegelsesforstyrrelser. Vi presenterer også viktige funn fra å distribuere plattformen i over et år til hjemmet til en person med Parkinsons sykdom.

Abstract

Adaptiv dyp hjernestimulering (aDBS) viser løfte om å forbedre behandlingen av nevrologiske lidelser som Parkinsons sykdom (PD). aDBS bruker symptomrelaterte biomarkører for å justere stimuleringsparametere i sanntid for å målrette symptomer mer presist. For å aktivere disse dynamiske justeringene må parametere for en aDBS-algoritme bestemmes for hver enkelt pasient. Dette krever tidkrevende manuell justering av kliniske forskere, noe som gjør det vanskelig å finne en optimal konfigurasjon for en enkelt pasient eller å skalere til mange pasienter. Videre er den langsiktige effektiviteten til aDBS-algoritmer konfigurert i klinikken mens pasienten er hjemme, fortsatt et åpent spørsmål. For å implementere denne behandlingen i stor skala, er det nødvendig med en metodikk for automatisk å konfigurere aDBS-algoritmeparametere mens du overvåker behandlingsresultatene eksternt. I dette papiret deler vi et design for en datainnsamlingsplattform hjemme for å hjelpe feltet med å løse begge problemene. Plattformen består av et integrert maskinvare- og programvareøkosystem som er åpen kildekode og gir mulighet for hjemmeinnsamling av nevrale, treghets- og flerkameravideodata. For å sikre personvern for pasientidentifiserbare data, krypterer og overfører plattformen data gjennom et virtuelt privat nettverk. Metodene inkluderer tidsjusterende datastrømmer og ekstrahering av positurestimater fra videoopptak. For å demonstrere bruken av dette systemet, distribuerte vi denne plattformen til hjemmet til en person med PD og samlet inn data under selvstyrte kliniske oppgaver og perioder med fri oppførsel i løpet av 1,5 år. Data ble registrert ved subterapeutiske, terapeutiske og supraterapeutiske stimuleringsamplituder for å evaluere alvorlighetsgraden av motoriske symptomer under forskjellige terapeutiske forhold. Disse tidsjusterte dataene viser at plattformen er i stand til å synkronisere multimodal datainnsamling hjemme for terapeutisk evaluering. Denne systemarkitekturen kan brukes til å støtte automatisert aDBS-forskning, for å samle inn nye datasett og for å studere de langsiktige effektene av DBS-behandling utenfor klinikken for de som lider av nevrologiske lidelser.

Introduction

Dyp hjernestimulering (DBS) behandler nevrologiske lidelser som Parkinsons sykdom (PD) ved å levere elektrisk strøm direkte til bestemte regioner i hjernen. Det er anslagsvis 8,5 millioner tilfeller av PD over hele verden, og DBS har vist seg å være en kritisk terapi når medisinering er utilstrekkelig for å håndtere symptomer 1,2. Imidlertid kan DBS-effektiviteten begrenses av bivirkninger som noen ganger oppstår fra stimulering som konvensjonelt leveres ved fast amplitude, frekvens og pulsbredde3. Denne åpen sløyfe-implementeringen reagerer ikke på svingninger i symptomtilstand, noe som resulterer i stimuleringsinnstillinger som ikke er hensiktsmessig tilpasset pasientens endrede behov. DBS hindres ytterligere av den tidkrevende prosessen med å justere stimuleringsparametere, som for tiden utføres manuelt av klinikere for hver enkelt pasient.

Adaptiv DBS (aDBS) er en lukket sløyfe-tilnærming som har vist seg å være en effektiv neste iterasjon av DBS ved å justere stimuleringsparametere i sanntid når symptomrelaterte biomarkører oppdages 3,4,5. Studier har vist beta-svingninger (10-30 Hz) i subthalamuskjernen (STN) forekommer konsekvent under bradykinesi, en bremsing av bevegelse som er karakteristisk for PD 6,7. Tilsvarende er høygammasvingninger (50-120 Hz) i cortex kjent for å forekomme i perioder med dyskinesi, en overdreven og ufrivillig bevegelse også ofte sett i PD8. Nylig arbeid har vellykket administrert aDBS utenfor klinikken i lengre perioder5, men den langsiktige effektiviteten til aDBS-algoritmer som ble konfigurert i klinikken mens en pasient er hjemme, er ikke fastslått.

Eksterne systemer er nødvendig for å fange opp den tidsvarierende effektiviteten til disse dynamiske algoritmene når det gjelder å undertrykke symptomer som oppstår i dagliglivet. Mens den dynamiske stimuleringstilnærmingen til aDBS potensielt muliggjør en mer presis behandling med reduserte bivirkninger3,9, lider aDBS fortsatt av en stor belastning for klinikere å manuelt identifisere stimuleringsparametere for hver pasient. I tillegg til det allerede store settet med parametere som skal programmeres under konvensjonell DBS, introduserer aDBS-algoritmer mange nye parametere som også må justeres nøye. Denne kombinasjonen av stimulerings- og algoritmeparametere gir et stort parameterrom med et uhåndterlig antall mulige kombinasjoner, og forbyr aDBS å skalere til mange pasienter10. Selv i forskningsmiljøer gjør den ekstra tiden som kreves for å konfigurere og vurdere aDBS-systemer det vanskelig å optimalisere algoritmer tilstrekkelig utelukkende i klinikken, og ekstern oppdatering av parametere er nødvendig. For å gjøre aDBS til en behandling som kan skaleres, må stimulering og justering av algoritmeparametere automatiseres. I tillegg må resultatene fra behandlingen analyseres på tvers av gjentatte studier for å etablere aDBS som en levedyktig langsiktig behandling utenfor klinikken. Det er behov for en plattform som kan samle inn data for ekstern evaluering av behandlingseffektivitet, og for å distribuere oppdateringer til aDBS-algoritmeparametere eksternt.

Målet med denne protokollen er å gi et gjenbrukbart design for en multimodal datainnsamlingsplattform hjemme for å forbedre aDBS-effektiviteten utenfor klinikken, og for å gjøre det mulig for denne behandlingen å skalere til et større antall individer. Så vidt vi vet, er det den første datainnsamlingsplattformdesignen som eksternt evaluerer terapeutiske resultater ved hjelp av videokameraer i hjemmet, bærbare sensorer, kronisk nevral signalopptak og pasientdrevet tilbakemelding for å evaluere aDBS-systemer under kontrollerte oppgaver og naturalistisk oppførsel.

Plattformen er et økosystem av maskinvare- og programvarekomponenter bygget på tidligere utviklede systemer5. Det kan vedlikeholdes helt gjennom ekstern tilgang etter en første installasjon av minimal maskinvare for å tillate multimodal datainnsamling fra en person i hjemmet deres. En nøkkelkomponent er det implanterbare nevrostimuleringssystemet (INS)11 som registrerer nevral aktivitet og leverer stimulering til STN, og registrerer akselerasjon fra brystimplantater. For implantatet som ble brukt i den første distribusjonen, registreres nevral aktivitet fra bilaterale ledninger implantert i STN og fra elektrokortikografielektroder implantert over motorbarken. Et videoopptakssystem hjelper klinikere med å overvåke symptomalvorlighetsgrad og behandlingseffektivitet, som inkluderer et grafisk brukergrensesnitt (GUI) for å muliggjøre enkel kansellering av pågående opptak for å beskytte pasientens personvern. Videoer behandles for å trekke ut kinematiske posisjonsbaner i todimensjonal (2D) eller tredimensjonal (3D), og smartklokker bæres på begge håndleddene for å fange vinkelhastighet og akselerasjonsinformasjon. Det er viktig at alle data krypteres før de overføres til langsiktig skylagring, og datamaskinen med pasientidentifiserbare videoer kan bare nås via et virtuelt privat nettverk (VPN). Systemet inkluderer to tilnærminger for post-hoc tidsjustering av alle datastrømmer, og data brukes til å overvåke pasientens bevegelseskvalitet eksternt, og for å identifisere symptomrelaterte biomarkører for raffinering av aDBS-algoritmer. Videodelen av dette arbeidet viser datainnsamlingsprosessen og animasjoner av kinematiske baner hentet fra innsamlede videoer.

En rekke designhensyn styrte utviklingen av protokollen:
Sikre datasikkerhet og pasientens personvern: Innsamling av identifiserbare pasientdata krever største forsiktighet ved overføring og lagring for å være Health Insurance Portability and Accountability Act (HIPAA)12,13 kompatibel og å respektere pasientens privatliv i sitt eget hjem. I dette prosjektet ble dette oppnådd ved å sette opp en tilpasset VPN for å sikre personvernet til all sensitiv trafikk mellom systemdatamaskiner.
Sikkerhetsgrenser for stimuleringsparametere: Det er viktig å sikre at pasienten forblir trygg mens du prøver ut aDBS-algoritmer som kan ha utilsiktede effekter. Pasientens INS må konfigureres av en kliniker for å ha sikre grenser for stimuleringsparametere som ikke tillater usikre effekter fra overstimulering eller understimulering. Med INS-systemet11 Brukt i denne studien, er denne funksjonen aktivert av en kliniker programmerer.
Sikre pasientens vetorett: Selv innenfor trygge parametergrenser kan den daglige variasjonen av symptomer og stimuleringsresponser resultere i ubehagelige situasjoner for pasienten der de misliker en algoritme under test og ønsker å gå tilbake til normal klinisk åpen sløyfe DBS. Det valgte INS-systemet inkluderer en pasienttelemetrimodul (PTM) som lar pasienten manuelt endre stimuleringsgruppe og stimuleringsamplitude i mA. Det er også en INS-tilkoblet forskningsapplikasjon som brukes til ekstern konfigurasjon av INS før datainnsamling14, som også gjør det mulig for pasienten å avbryte aDBS-studier og kontrollere behandlingen.
Fange kompleks og naturlig atferd: Videodata ble innlemmet i plattformen for å gjøre det mulig for klinikere å overvåke behandlingseffektiviteten eksternt, og for å trekke ut kinematiske baner fra positurestimater for bruk i forskningsanalyser15. Mens bærbare sensorer er mindre påtrengende, er det vanskelig å fange hele det dynamiske bevegelsesområdet til en hel kropp ved hjelp av bærbare systemer alene. Videoer gjør det mulig å registrere pasientens fulle bevegelsesområde og deres symptomer over tid.
Systembrukbarhet for pasienter: Innsamling av multimodale data hjemme krever at flere enheter installeres og brukes i pasientens hjem, noe som kan bli belastende for pasienter å navigere. For å gjøre systemet enkelt å bruke samtidig som pasientkontrollen ivaretas, må bare enhetene som er implantert eller fysisk festet til pasienten (i dette tilfellet inkludert INS-systemet og smartklokker) slås PÅ manuelt før et opptak starter. For enheter som er atskilt fra pasienten (i dette tilfellet inkluderer det data som er tatt opp fra videokameraer), starter og slutter opptakene automatisk uten at det kreves pasientinteraksjon. Forsiktighet ble tatt under GUI-design for å minimere antall knapper og for å unngå dype menytrær slik at interaksjonene var enkle. Etter at alle enhetene er installert, viste en forskningskoordinator pasienten hvordan man samhandler med alle enheter gjennom pasientvendte GUIer som er en del av hver enhet, for eksempel hvordan man avslutter opptak på en hvilken som helst enhet og hvordan man legger inn medisineringshistorikk og symptomrapporter.
Åpenhet om datainnsamling: Det er viktig å tydelig indikere når kameraer er slått PÅ, slik at folk vet når de blir spilt inn og kan suspendere opptaket hvis de trenger et øyeblikks personvern. For å oppnå dette brukes en kamerasystemapplikasjon til å kontrollere videoopptak med en pasientvendt GUI. GUI-en åpnes automatisk når programmet startes, og viser klokkeslett og dato for neste planlagte opptak. Når et opptak pågår, vises en melding om når opptaket etter planen skal avsluttes. I midten av GUI-en vises et stort bilde av et rødt lys. Bildet viser lyset som lyser sterkt når et opptak pågår, og endres til et ikke-opplyst bilde når opptakene er AV.

Protokollen beskriver metoder for å designe, bygge og distribuere en datainnsamlingsplattform hjemme, for kvalitetskontroll av innsamlede data for fullstendighet og robusthet, og for etterbehandling av data til bruk i fremtidig forskning.

Figure 1
Figur 1: Dataflyt. Data for hver modalitet samles inn uavhengig av pasientens bosted før de behandles og aggregeres i ett enkelt endepunkt for ekstern lagring. Dataene for hver modalitet sendes automatisk til et eksternt lagringsendepunkt. Ved hjelp av et av teammedlemmene kan den deretter hentes, kontrolleres for gyldighet, tidsjusteres på tvers av modaliteter, samt underkastes mer modalitetsspesifikk forhåndsbehandling. Det kompilerte datasettet lastes deretter opp til et endepunkt for ekstern lagring som alle teammedlemmer kan få sikker tilgang til for videre analyse. Alle maskiner med datatilgang, spesielt for sensitive data som rå video, er innelukket i en VPN som sikrer at all data overføres sikkert og lagrede data alltid er kryptert. Klikk her for å se en større versjon av denne figuren.

Protocol

Pasienter er registrert gjennom en større IRB- og IDE-godkjent studie i aDBS ved University of California, San Francisco, protokoll # G1800975. Pasienten som deltok i denne studien, ga i tillegg informert samtykke spesifikt til denne studien. 1. Systemkomponenter hjemme Sentral server og VPNSkaff deg en personlig datamaskin (PC) som kjører et Linux-basert operativsystem (OS) dedikert til å betjene et VPN. Oppbevar maskinen i et sikk…

Representative Results

Design og distribusjon av prototypeplattformVi designet en prototypeplattform og distribuerte den hjem til en enkelt pasient (figur 1). Etter den første installasjonen av maskinvare i hjemmet, kan plattformen opprettholdes, og data samles helt gjennom ekstern tilgang. INS-enhetene, smartklokkene og kameraene har pasientvendte applikasjoner som lar pasienter starte og stoppe opptak. Maskinvaren for videoinnsamling muliggjør automatiske videoopptak etter at en godkjent t…

Discussion

Vi deler designet for en hjemmeprototype av en multimodal datainnsamlingsplattform for å støtte fremtidig forskning innen nevromodulasjonsforskning. Designet er åpen kildekode og modulært, slik at ethvert stykke maskinvare kan byttes ut, og enhver programvarekomponent kan oppdateres eller endres uten at den generelle plattformen kollapser. Mens metodene for innsamling og avidentifisering av nevrale data er spesifikke for den valgte INS, er de gjenværende metodene og den generelle tilnærmingen til atferdsdatainnsaml…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dette materialet er basert på arbeid støttet av National Science Foundation Graduate Research Fellowship Program (DGE-2140004), Weill Neurohub og National Institute of Health (UH3NS100544). Eventuelle meninger, funn og konklusjoner eller anbefalinger uttrykt i dette materialet er forfatterens (e) og gjenspeiler ikke nødvendigvis synspunktene til National Science Foundation, Weill Neurohub eller National Institute of Health. Vi takker Tianjiao Zhang for hans ekspertkonsultasjoner om plattformdesign og inkorporering av videodata. Vi takker spesielt pasienten for deres deltakelse i denne studien og for tilbakemeldinger og råd om nettverkssikkerhet og plattformdesign.

Materials

Analysis RCS Data Processing OpenMind https://github.com/openmind-consortium/Analysis-rcs-data, open-source
Apple Watches Apple, Inc Use 2 watches for each patient, one on each wrist
BRIO ULTRA HD PRO BUSINESS WEBCAM Logitech 960-001105 Used 3 in our platform design 
DaVinci Resolve video editing software  DaVinci Resolve used to support camera calibration
Dell XPS PC  Dell 2T hard disk drive, 500GB SSD
Dropbox Dropbox
ffmpeg  N/A open-source, install to run the Video Recording App
Gooseneck mounts for webcams N/A
GPU Nvidia A minimum of 8GB GPU memory is recommended to run OpenPose, 12GB is ideal
Java 11 Oracle Install to run the Video Recording App
Microsoft Surface tablet  Microsoft
NoMachine  NoMachine Ideal when using a Linux OS, open-source
OpenPose  N/A open-source
Rclone file transfer program Rclone Encrypts data and copies or moves data to offsite storage, open-source
StrivePD app RuneLabs We installed the app on the Apple Watches to start recordings and upload data to an online portal.
Summit RC+S neuromodulation system Medtronic For investigational use only
touchscreen-compatible monitor N/A
Video for Linux 2 API The Linux Kernel Install if using a Linux OS for video recording 
Wasabi  Wasabi Longterm cloud data storage
WireGuard VPN Protocol WireGuard open-source

References

  1. World Health Organization. . Parkinson disease. , (2022).
  2. Herrington, T. M., Cheng, J. J., Eskandar, E. N. Mechanisms of deep brain stimulation. Journal of Neurophysiology. 115 (1), 19-38 (2016).
  3. Little, S., et al. Adaptive deep brain stimulation for Parkinson’s disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting. Journal of Neurology, Neurosurgery & Psychiatry. 87 (12), 1388-1389 (2016).
  4. Mohammed, A., Bayford, R., Demosthenous, A. Toward adaptive deep brain stimulation in Parkinson’s disease: a review. Neurodegenerative Disease Management. 8 (2), 115-136 (2018).
  5. Gilron, R., et al. Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson’s disease. Nature Biotechnology. 39 (9), 1078-1085 (2021).
  6. Ray, N. J., et al. Local field potential beta activity in the subthalamic nucleus of patients with Parkinson’s disease is associated with improvements in bradykinesia after dopamine and deep brain stimulation. Experimental Neurology. 213 (1), 108-113 (2008).
  7. Neumann, W. J., et al. Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson’s disease. Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).
  8. Swann, N. C., et al. Adaptive deep brain stimulation for Parkinson’s disease using motor cortex sensing. J. Neural Eng. 11, (2018).
  9. Little, S., et al. Adaptive deep brain stimulation in advanced Parkinson disease. Annals of Neurology. 74 (3), 449-457 (2013).
  10. Connolly, M. J., et al. Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson’s disease. Journal of Neural Engineering. 18 (4), 046046 (2021).
  11. Stanslaski, S., et al. Creating neural "co-processors" to explore treatments for neurological disorders. 2018 IEEE International Solid – State Circuits Conference – (ISSCC). , 460-462 (2018).
  12. . Rights (OCR), O. for C. The HIPAA Privacy Rule. HHS.gov. , (2008).
  13. . Rights (OCR), O. for C. The Security Rule. HHS.gov. , (2009).
  14. Perrone, R., Gilron, R. . SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , (2021).
  15. Strandquist, G., et al. . In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).
  16. Donenfeld, J. A. WireGuard: Next Generation Kernel Network Tunnel. Proceedings 2017 Network and Distributed System Security Symposium. , (2017).
  17. etzion. . Ubuntu 20.04 and TPM2 encrypted system disk – Running Systems. , (2021).
  18. Craig-Wood, N. . Rclone. , (2023).
  19. Chen, W., et al. The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies. Frontiers in Human Neuroscience. 15, 717401 (2021).
  20. Hidalgo, G. i. n. &. #. 2. 3. 3. ;. s., et al. . CMU-Perceptual-Computing-Lab/openpose. , (2023).
  21. Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).
  22. Cao, Z. . openpose/calibration_module.md at master · CMU-Perceptual-Computing-Lab/openpose. , (2023).
  23. Sellers, K. K., et al. Analysis-rcs-data: Open-Source Toolbox for the Ingestion, Time-Alignment, and Visualization of Sense and Stimulation Data From the Medtronic Summit RC+S System. Frontiers in Human Neuroscience. 15, 398 (2021).
  24. Ranti, C. . Rune Labs Stream API. , (2023).
  25. . ffmpeg development community. FFmpeg Formats Documentation. , (2023).
  26. Goetz, C. G., et al. Movement Disorder Society-sponsored revision of the Unified Parkinson’s Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results: MDS-UPDRS: Clinimetric Assessment. Movement Disorders. 23 (15), 2129-2170 (2008).

Play Video

Cite This Article
Strandquist, G., Frączek, T., Dixon, T., Ravi, S., Bechtold, R., Lawrence, D., Zeng, A., Gallant, J., Little, S., Herron, J. Bringing the Clinic Home: An At-Home Multi-Modal Data Collection Ecosystem to Support Adaptive Deep Brain Stimulation. J. Vis. Exp. (197), e65305, doi:10.3791/65305 (2023).

View Video