NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Uyarım optimizasyonu, nöromodülasyona dayalı terapileri verimli bir şekilde parametrize etmek için son yıllarda önemli ilgi topladı. Bugüne kadar, çabalar, zaman içinde değişmeyen parametre boşluklarından ayarları otomatik olarak tanımlamaya odaklandı. Bununla birlikte, bu yaklaşımların bir sınırlaması, terapi sonuçlarını etkileyebilecek zamana bağlı faktörler için dikkate alınmamalarıdır. Hastalık ilerlemesi ve biyolojik ritmiklik, zaman içinde optimal uyarım ayarlarını etkileyebilecek iki varyasyon kaynağıdır. Bunu açıklamak için, nöromodülasyon tedavisi için optimum parametre setini izlemek için yeni bir zaman değişkeni Bayesian optimizasyonu (TV-BayesOpt) sunuyoruz. TV-BayesOpt'un performansını zaman içinde kademeli ve periyodik yavaş varyasyonları izlemek için değerlendiriyoruz. Algoritma, Parkinson hastalığı ve Essential Tremor gibi ortak hareket bozukluklarının oskillopatilerinin temsilcisini tedavi etmek için faz kilitli derin beyin stimülasyonunun hesaplama modeli bağlamında araştırıldı. Optimal stimülasyon ayarları kademeli ve periyodik kaynaklar nedeniyle değiştiğinde, TV-BayesOpt standart zaman değişmez tekniklerden daha iyi performans gösterdi ve uygun stimülasyon ayarını belirleyebildi. Hem kademeli bir "unutma" hem de periyodik kovaryans işlevlerinin birleştirilmesi yoluyla, a priori bilgi gözlemlenen varyasyonlardan farklı olduğunda algoritma sağlam bir performans sürdürdü. Bu algoritma, bir dizi nörolojik ve psikiyatrik durumun tedavisi için kullanılabilecek geniş bir çerçeve sunar ve invazif ve non-invaziv nöromodülasyon stratejileri için genlik, darbe genişliği, frekans ve faz gibi optimal uyarım ayarlarındaki varyasyonları izlemek için kullanılabilir.
Özgün kaynak özetini okuyun
Stimulation optimization has garnered considerable interest in recent years in order to efficiently parametrize neuromodulation-based therapies. To date, efforts focused on automatically identifying settings from parameter spaces that do not change over time. A limitation of these approaches, however, is that they lack consideration for time dependent factors that may influence therapy outcomes. Disease progression and biological rhythmicity are two sources of variation that may influence optimal stimulation settings over time. To account for this, we present a novel time-varying Bayesian optimization (TV-BayesOpt) for tracking the optimum parameter set for neuromodulation therapy. We evaluate the performance of TV-BayesOpt for tracking gradual and periodic slow variations over time. The algorithm was investigated within the context of a computational model of phase-locked deep brain stimulation for treating oscillopathies representative of common movement disorders such as Parkinson's disease and Essential Tremor. When the optimal stimulation settings changed due to gradual and periodic sources, TV-BayesOpt outperformed standard time-invariant techniques and was able to identify the appropriate stimulation setting. Through incorporation of both a gradual "forgetting" and periodic covariance functions, the algorithm maintained robust performance when a priori knowledge differed from observed variations. This algorithm presents a broad framework that can be leveraged for the treatment of a range of neurological and psychiatric conditions and can be used to track variations in optimal stimulation settings such as amplitude, pulse-width, frequency and phase for invasive and non-invasive neuromodulation strategies.
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.