NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Abstract Uyarlanabilir derin beyin stimülasyonu (aDBS), Parkinson hastalığının tedavisinde eşi görülmemiş bir hassasiyet sunar. Mevcut aDBS kontrol algoritmaları, beta (8-30 Hz) aralığında bazal ganglia osilatör aktivitesi gibi beyin sinyali biyobelirteçlerine bağlıdır. Uzman bir tıbbi ekip aracılığıyla kapsamlı bir optimizasyondan sonra bile, hastaların yaklaşık üçte biri yetersiz biyobelirteç sadakati nedeniyle ADBS için uygun olmayabilir. Dahası, işaretleyici hastalık şiddeti ile geniş ölçüde ilişkili olsa da, spesifik semptomların zaman içinde bağımsız olarak nasıl dalgalandığını tanımaz. Bu eksiklikleri gidermek için bir kavram, makine öğrenimine dayalı beyin sinyali kod çözücüsüne güvenmektir. Burada, korteks ve derin beyin hedeflerinden 500 saatten fazla invaziv multisite kayıtlarında kod çözücüleri, hasta bireysel eğitimi olmadan PD semptomlarının ve yan etkilerinin giyilebilir tahminlerini tahmin etmek için eğittik. Kayıtlar beyin implantlarından, hastalar her zamanki antiparkinsonian tedavilerinde evdeyken akışa uğradı. Elde edilen modeller, üç ana kavramsal ilerleme sağlarken, bireysel olarak tanımlanmış beta aktivitesinden güçlü bir şekilde daha iyi performans gösterdi: bazal gangliya beta ritmi olmayan hastalarda bile, yeniden eğitim veya adaptasyon gerektirmeden hastalar arasında genelleştirilmiş ve güçlü ve diferansiyel olarak ve aynı zamanda bradikinezi, titreme ve diskinezinin şiddetini çözmüşlerdir. Kavram ispatı simülasyonunda, bu modellerin uyarım alanlarını dinamik olarak önceden tanımlanmış semptom-yanıtlı beyin ağlarına yönlendirmek için nasıl kullanılabileceğini gösteriyoruz. Uyarlanabilir ve konektomik DBS arasındaki bu füzyon, gerçek zamanlı olarak optimal semptoma özgü kontrol için hangi beyin devresini uyaracağını ve yeni nesil tam otomatikleştirilmiş semptoma özgü nöromodülasyon yaklaşımlarının önünü açacağını tanımlayabilir.
Özgün kaynak özetini okuyun
Abstract Adaptive deep brain stimulation (aDBS) offers unprecedented precision in the treatment of Parkinson’s disease. Current aDBS control algorithms depend on brain signal biomarkers, such as basal ganglia oscillatory activity in the beta (8-30 Hz) range. Even after extensive optimization through a specialized medical team, about one third of patients may remain ineligible for aDBS due to insufficient biomarker fidelity. Moreover, while the marker broadly correlates with disease severity, it does not recognize how specific symptoms independently fluctuate over time. A concept to address these shortcomings is to rely on machine learning based brain signal decoding. Here, we trained decoders on over 500 hours of invasive multisite recordings from cortex and deep brain targets to predict the wearable based estimates of PD symptoms and side-effects without patient individual training. Recordings were streamed from brain implants while patients were at home on their usual antiparkinsonian treatment. The resulting models robustly outperformed individually defined beta activity, while providing three major conceptual advances: they performed even in patients without a basal ganglia beta rhythm, generalized across patients without requiring retraining or adaptation and robustly and differentially and simultaneously decoded the severity of bradykinesia, tremor and dyskinesia. In a proof-of-concept simulation, we demonstrate how these models could be used to steer stimulation fields dynamically to predefined symptom-response brain networks. This fusion between adaptive and connectomic DBS may define when to stimulate which brain circuit for optimal symptom-specific control in real-time and pave the way for a new generation of fully automatized symptom-specific neuromodulation approaches.
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.