NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planDeep beyin stimülasyonu (DBS), Parkinson hastalığı hastaları için ilaç tedavisinin semptomlarını yeterince yönetmediği durumlarda bir tedavi seçeneğidir. DBS son derece etkili bir terapi olabilir, ancak sadece klinisyen yanlılığa duyarlı zaman alıcı bir deneme-hata stimülasyon parametre ayarlama işleminden sonra. Bu deneme-hata süreci, şu anda ticari olarak mevcut olan segmentli elektrotların tanıtılmasıyla daha da uzatılacaktır. Yeni elektrot ve uyarıcı tasarımlarının artan karmaşıklığını da kaldırabilecek bir hastanın uyarım parametrelerini optimize etmek için yeni yaklaşımlar gereklidir.DBS parametre programlamasını iyileştirmek için iki yarı otomatik optimizasyon yaklaşımını araştırdık: bir Bayesian optimizasyonu (BayesOpt) algoritması, bir hastanın sertliği en aza indirmek için en uygun uyarım parametresini ve hastanın tercihini değerlendirmek için bir probit Gaussian işlemi (pGP). İki ziyarette iki katılımcıda robotik manipulandum kullanılarak nicel sertlik ölçümleri elde edildi. Rijitlik, 5Hz artışlarda, ilk ziyarette 10-185Hz (toplam 30-36 frekans) ve ikinci ziyarette sekiz BayesOpt algoritma tarafından seçilen frekanslar arasında ölçüldü. Katılımcıya ayrıca mevcut ve önceki uyarılma sıklığı arasında tercihleri soruldu. İlk olarak, ziyaretler arasındaki optimal frekansı katılımcının tercih ettiği frekansla karşılaştırdık. Daha sonra, BayesOpt algoritmasının verimliliğini, rastgele ve eşit aralıklı frekans seçimi ile karşılaştırarak değerlendirdik.SonuçlarBayesOpt algoritması, ilk ziyaret sırasında bulunan en uygun frekansın en yüksek tolere edilebilir frekans olduğunu tahmin etti. Bununla birlikte, katılımcıların pGP modelleri 70-110 Hz arasındaki frekanslarda bir tercih olduğunu göstermektedir. Burada stimülasyon frekansı, sertliğin neredeyse maksimum baskılanmasını sağlayan en düşük frekanstır. BayesOpt verimliydi, daha uzun kaba kuvvet yöntemine kıyasla neredeyse ayırt edilemez olan stimülasyona sertlik tepki eğrisini tahmin ediyordu.Bu sonuçlar, optimum frekansı belirlemek için BayesOpt'u kullanmak için fizibilitenin ön kanıtlarını sağlarken, pGP hastasının tercihleri sonuçları ölçmek daha zor. Her iki yeni yaklaşım da DBS programlamasını kısaltabilir ve birden fazla semptom ve parametre içerecek şekilde genişletilebilir.
Özgün kaynak özetini okuyun
BackgroundDeep brain stimulation (DBS) is a treatment option for Parkinson's disease patients when medication does not sufficiently manage their symptoms. DBS can be a highly effect therapy, but only after a time-consuming trial-and-error stimulation parameter adjustment process that is susceptible to clinician bias. This trial-and-error process will be further prolonged with the introduction of segmented electrodes that are now commercially available. New approaches to optimizing a patient's stimulation parameters, that can also handle the increasing complexity of new electrode and stimulator designs, is needed.MethodsTo improve DBS parameter programming, we explored two semi-automated optimization approaches: a Bayesian optimization (BayesOpt) algorithm to efficiently determine a patient's optimal stimulation parameter for minimizing rigidity, and a probit Gaussian process (pGP) to assess patient's preference. Quantified rigidity measurements were obtained using a robotic manipulandum in two participants over two visits. Rigidity was measured, in 5Hz increments, between 10-185Hz (total 30-36 frequencies) on the first visit and at eight BayesOpt algorithm-selected frequencies on the second visit. The participant was also asked their preference between the current and previous stimulation frequency. First, we compared the optimal frequency between visits with the participant's preferred frequency. Next, we evaluated the efficiency of the BayesOpt algorithm, comparing it to random and equal interval selection of frequency.ResultsThe BayesOpt algorithm estimated the optimal frequency to be the highest tolerable frequency, matching the optimal frequency found during the first visit. However, the participants' pGP models indicate a preference at frequencies between 70-110 Hz. Here the stimulation frequency is lowest that achieves nearly maximal suppression of rigidity. BayesOpt was efficient, estimating the rigidity response curve to stimulation that was almost indistinguishable when compared to the longer brute force method.ConclusionsThese results provide preliminary evidence of the feasibility to use BayesOpt for determining the optimal frequency, while pGP patient's preferences include more difficult to measure outcomes. Both novel approaches can shorten DBS programming and can be expanded to include multiple symptoms and parameters.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.