NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ABSTRACT Derin beyin stimülasyonu (DBS), ileri Parkinson Hastalığı (PD) için etkili bir tedavi olarak yaygın bir kullanım toplamıştır. Konvansiyonel DBS (cDBS), bazal gangliyona sabit genlik ve frekansta elektriksel uyarım sağlar, ancak hastaların terapötik ihtiyaçları genellikle artık semptom dalgalanmaları veya yan etkilerle dinamiktir. Adaptif DBS (aDBS), gerçek zamanlı klinik, fizyolojik veya davranışsal durumlara göre uyarımı modüle eden, terapinin hastaya özgü semptomlarla dinamik olarak hizalanmasını sağlayan gelişmekte olan bir teknolojidir. Burada, hareket sırasında hedeflenen uyarım artışlarını beyinden gelen deşifre edilmiş motor sinyalleri kullanarak sağlayarak hareket yavaşlığını azaltmayı amaçlayan yeni bir ADBS algoritması bildiriyoruz. CDBS ve hareket sırasında stimülasyonu azaltan bir kontrol algoritması ile karşılaştırıldığında, yaklaşımımız hareket hızındaki gelişmeler, azalmış diskinezi ve daha iyi hasta tarafından bildirilen terapötik kalite ile klinik etkinliğin arttığını göstermektedir. Ayrıca, bir ev ortamında aDBS parametrelerini uzaktan optimize edebilen bir makine öğrenme boru hattının kanıtını gösteriyoruz. Bu çalışma, yeni bir terapötik yaklaşım olarak hareket yanıtlayıcı ADBS'nin potansiyelini göstermektedir ve makine öğrenimi destekli programlamanın çeviri ölçeklenebilirliğini kolaylaştırmak için optimizasyonu nasıl basitleştirebileceğini vurgulamaktadır.
Özgün kaynak özetini okuyun
ABSTRACT Deep brain stimulation (DBS) has garnered widespread use as an effective treatment for advanced Parkinson’s Disease (PD). Conventional DBS (cDBS) provides electrical stimulation to the basal ganglia at fixed amplitude and frequency, yet patients’ therapeutic needs are often dynamic with residual symptom fluctuations or side-effects. Adaptive DBS (aDBS) is an emerging technology that modulates stimulation with respect to real-time clinical, physiological, or behavioral states, enabling therapy to dynamically align with patient-specific symptoms. Here, we report a novel aDBS algorithm intended to mitigate movement slowness by delivering targeted stimulation increases during movement using decoded motor signals from the brain. Compared to cDBS and a control algorithm that decreases stimulation during movement, our approach demonstrates enhanced clinical efficacy, with improvements in movement speed, reduced dyskinesia, and better patient-reported therapeutic quality. Furthermore, we demonstrate proof-of-principle of a machine learning pipeline capable of remotely optimizing aDBS parameters in a home setting. This work illustrates the potential of movement-responsive aDBS as a new therapeutic approach and highlights how machine learning assisted programming can simplify optimization to facilitate translational scalability.
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.