이 자료는 미국 국립과학재단(National Science Foundation) 대학원 연구 펠로우십 프로그램(DGE-2140004), 웨일 뉴로허브(Weill Neurohub) 및 미국 국립보건원(National Institute of Health, UH3NS100544)의 지원을 받은 연구를 기반으로 합니다. 이 자료에 표현된 모든 의견, 결과 및 결론 또는 권장 사항은 저자의 것이며 미국 국립과학재단(National Science Foundation), 웨일 뉴로허브(Weill Neurohub) 또는 미국 국립보건원(National Institute of Health)의 견해를 반드시 반영하는 것은 아닙니다. 플랫폼 설계 및 비디오 데이터 통합에 대한 전문가 자문을 제공해 주신 Tianjiao Zhang에게 감사드립니다. 특히 이 연구에 참여해 주시고 네트워크 보안 및 플랫폼 설계에 대한 피드백과 조언을 해주신 환자분들께 감사드립니다.

신경 질환 환자를 위한 뇌심부 자극 최적화

<ol>
	<li>World Health Organization. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Parkinson disease. , (2022).</li><li>Herrington, T. M., Cheng, J. J., Eskandar, E. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mechanisms+of+deep+brain+stimulation.">Mechanisms of deep brain stimulation.</a> Journal of Neurophysiology. 115 (1), 19-38 (2016).</li><li>Little, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+deep+brain+stimulation+for+Parkinson's+disease+demonstrates+reduced+speech+side+effects+compared+to+conventional+stimulation+in+the+acute+setting.">Adaptive deep brain stimulation for Parkinson's disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting.</a> Journal of Neurology, Neurosurgery &amp; Psychiatry. 87 (12), 1388-1389 (2016).</li><li>Mohammed, A., Bayford, R., Demosthenous, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Toward+adaptive+deep+brain+stimulation+in+Parkinson's+disease:+a+review.">Toward adaptive deep brain stimulation in Parkinson's disease: a review.</a> Neurodegenerative Disease Management. 8 (2), 115-136 (2018).</li><li>Gilron, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Long-term+wireless+streaming+of+neural+recordings+for+circuit+discovery+and+adaptive+stimulation+in+individuals+with+Parkinson's+disease.">Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson's disease.</a> Nature Biotechnology. 39 (9), 1078-1085 (2021).</li><li>Ray, N. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Experimental Neurology. 213 (1), 108-113 (2008).</li><li>Neumann, W. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Subthalamic+synchronized+oscillatory+activity+correlates+with+motor+impairment+in+patients+with+Parkinson's+disease.">Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson's disease.</a> Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).</li><li>Swann, N. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+deep+brain+stimulation+for+Parkinson's+disease+using+motor+cortex+sensing.">Adaptive deep brain stimulation for Parkinson's disease using motor cortex sensing.</a> J. Neural Eng. 11, (2018).</li><li>Little, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+deep+brain+stimulation+in+advanced+Parkinson+disease.">Adaptive deep brain stimulation in advanced Parkinson disease.</a> Annals of Neurology. 74 (3), 449-457 (2013).</li><li>Connolly, M. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-objective+data-driven+optimization+for+improving+deep+brain+stimulation+in+Parkinson's+disease.">Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson's disease.</a> Journal of Neural Engineering. 18 (4), 046046 (2021).</li><li>Stanslaski, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Creating+neural+&amp;#34;co-processors&amp;#34;+to+explore+treatments+for+neurological+disorders.">Creating neural &amp;#34;co-processors&amp;#34; to explore treatments for neurological disorders.</a> 2018 IEEE International Solid - State Circuits Conference - (ISSCC). , 460-462 (2018).</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rights+(OCR),+O.+for+C.+The+HIPAA+Privacy+Rule.">Rights (OCR), O. for C. The HIPAA Privacy Rule.</a> HHS.gov. , (2008).</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rights+(OCR),+O.+for+C.+The+Security+Rule.">Rights (OCR), O. for C. The Security Rule.</a> HHS.gov. , (2009).</li><li>Perrone, R., Gilron, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , (2021).</li><li>Strandquist, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).</li><li>Donenfeld, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=WireGuard:+Next+Generation+Kernel+Network+Tunnel.">WireGuard: Next Generation Kernel Network Tunnel.</a> Proceedings 2017 Network and Distributed System Security Symposium. , (2017).</li><li>etzion. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Ubuntu 20.04 and TPM2 encrypted system disk - Running Systems. , (2021).</li><li>Craig-Wood, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Rclone. , (2023).</li><li>Chen, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Role+of+Large-Scale+Data+Infrastructure+in+Developing+Next-Generation+Deep+Brain+Stimulation+Therapies.">The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies.</a> Frontiers in Human Neuroscience. 15, 717401 (2021).</li><li>Hidalgo, G. i. n. &. #. 2. 3. 3. ;. s., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> CMU-Perceptual-Computing-Lab/openpose. , (2023).</li><li>Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=OpenPose:+Realtime+Multi-Person+2D+Pose+Estimation+Using+Part+Affinity+Fields.">OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).</li><li>Cao, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> openpose/calibration_module.md at master &#183; CMU-Perceptual-Computing-Lab/openpose. , (2023).</li><li>Sellers, K. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Frontiers in Human Neuroscience. 15, 398 (2021).</li><li>Ranti, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Rune Labs Stream API. , (2023).</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=ffmpeg+development+community.">ffmpeg development community.</a> FFmpeg Formats Documentation. , (2023).</li><li>Goetz, C. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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 Disorder Society-sponsored revision of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results: MDS-UPDRS: Clinimetric Assessment.</a> Movement Disorders. 23 (15), 2129-2170 (2008).</li></ol>

저자는 공개할 이해 상충이 없습니다.

우리는 신경 조절 연구의 미래 연구를 지원하기 위해 다중 모드 데이터 수집 플랫폼의 가정용 프로토타입 설계를 공유합니다. 설계는 오픈 소스이며 모듈식이므로 모든 하드웨어를 교체할 수 있으며 전체 플랫폼이 무너지지 않고 모든 소프트웨어 구성 요소를 업데이트하거나 변경할 수 있습니다. 신경 데이터를 수집하고 비식별화하는 방법은 선택한 INS에 따라 다르지만, 나머지 방법과 행동 데?...

뇌심부자극술(DBS)은 뇌의 특정 부위에 직접 전류를 전달하여 파킨슨병(PD)과 같은 신경계 질환을 치료합니다. 전 세계적으로 약 850만 명의 PD 환자가 있는 것으로 추정되며, DBS는 약물 치료가 증상 관리에 충분하지 않을 때 중요한 치료법임이 입증되었습니다 1,2. 그러나, DBS의 효과는 고정된 진폭, 주파수 및펄스 폭3에서 일반적으로 전달되는 자극으로 인해 때때로 발생하는 부작용에 의해 제한될 수 있다. 이 개방 루프 구현은 증상 상태의 변동에 반응하지 않아 환자의 변화하는 요구에 적절하게 일치하지 않는 자극 설정이 발생합니다. DBS는 현재 임상의가 각 개별 환자에 대해 수동으로 수행하는 자극 매개변수를 조정하는 시간 소모적인 프로세스로 인해 더욱 방해를 받습니다.
적응형 DBS(aDBS)는 증상 관련 바이오마커가 검출될 때마다 실시간으로 자극 매개변수를 조정하여 DBS의 효과적인 다음 반복으로 입증된 폐쇄 루프 접근 방식입니다 3,4,5. 연구에 따르면 시상하핵(STN)의 베타 진동(10-30Hz)은 PD 6,7의 특징인 움직임이 느려지는 서동증 중에 일관되게 발생합니다. 마찬가지로, 피질의 높은 감마 진동(50-120Hz)은 PD8에서도 흔히 볼 수 있는 과도하고 비자발적인 운동인 운동이상증 기간 동안 발생하는 것으로 알려져 있습니다. 최근 연구에서는 장기간 원내 aDBS를 성공적으로 시행하고 있으나5, 환자가 집에 있는 동안 원내에서 구성된 aDBS 알고리즘의 장기적 효과는 확립되지 않았다.
원격 시스템은 일상 생활 중에 발생하는 증상을 억제하는 데 있어 이러한 동적 알고리즘의 시간에 따라 변하는 효과를 포착하는 데 필요합니다. aDBS의 동적 자극 접근법은 부작용을 줄이면서 보다 정밀한 치료를 가능하게 할 수 있지만3,9 aDBS는 여전히 임상의가 각 환자에 대한 자극 매개변수를 수동으로 식별해야 하는 높은 부담을 안고 있습니다. 기존 DBS 중에 프로그래밍할 수 있는 이미 많은 파라미터 세트 외에도 aDBS 알고리즘은 신중하게 조정해야 하는 많은 새로운 파라미터를 도입합니다. 이러한 자극 및 알고리즘 파라미터의 조합은 감당할 수 없을 정도로 많은 조합이 가능한 방대한 파라미터 공간을 생성하며, 이로 인해 aDBS가 많은 환자에게 확장되는 것을 금지한다10. 연구 환경에서도 aDBS 시스템을 구성하고 평가하는 데 필요한 추가 시간으로 인해 임상에서만 알고리즘을 적절하게 최적화하기 어렵고 매개변수의 원격 업데이트가 필요합니다. aDBS를 확장 가능한 치료법으로 만들려면 자극 및 알고리즘 파라미터 튜닝을 자동화해야 합니다. 또한, aDBS가 임상 밖에서 실행 가능한 장기 치료법으로 확립되기 위해 반복된 임상시험을 통해 치료 결과를 분석해야 합니다. 치료 효과의 원격 평가를 위한 데이터를 수집하고 aDBS 알고리즘 매개변수에 대한 업데이트를 원격으로 배포할 수 있는 플랫폼이 필요합니다.
이 프로토콜의 목표는 다중 모드 재택 데이터 수집 플랫폼에 재사용 가능한 설계를 제공하여 클리닉 외부에서 aDBS 효과를 개선하고 이 치료법을 더 많은 개인으로 확장할 수 있도록 하는 것입니다. 우리가 아는 한, 이것은 통제된 작업 및 자연주의적 행동 중에 aDBS 시스템을 평가하기 위해 가정용 비디오 카메라, 웨어러블 센서, 만성 신경 신호 기록 및 환자 중심 피드백을 사용하여 치료 결과를 원격으로 평가하는 최초의 데이터 수집 플랫폼 설계입니다.
플랫폼은 이전에 개발된 시스템5 위에 구축된 하드웨어 및 소프트웨어 구성 요소의 생태계입니다. 최소한의 하드웨어를 처음 설치한 후 원격 액세스를 통해 완전히 유지 관리할 수 있어 집에서 편안하게 사람으로부터 다중 모드 데이터를 수집할 수 있습니다. 핵심 구성 요소는 신경 활동을 감지하고 STN에 자극을 전달하고 흉부 임플란트의 가속을 기록하는 이식형 신경 자극 시스템(INS)11 입니다. 초기 배치에 사용된 임플란트의 경우 STN에 이식된 양측 리드와 운동 피질 위에 이식된 전기 피질 검사 전극에서 신경 활동이 기록됩니다. 비디오 녹화 시스템은 임상의가 증상의 심각도와 치료 효과를 모니터링하는 데 도움이 되며, 여기에는 환자의 개인 정보를 보호하기 위해 진행 중인 녹화를 쉽게 취소할 수 있는 그래픽 사용자 인터페이스(GUI)가 포함되어 있습니다. 동영상은 2차원(2D) 또는 3차원(3D)으로 위치의 운동학적 궤적을 추출하도록 처리되며, 스마트 워치는 양손목에 착용하여 각속도 및 가속도 정보를 캡처합니다. 중요한 것은 모든 데이터가 장기 클라우드 스토리지로 전송되기 전에 암호화되며 환자 식별 가능한 비디오가 있는 컴퓨터는 가상 사설망(VPN)을 통해서만 액세스할 수 있다는 것입니다. 이 시스템에는 모든 데이터 스트림의 사후 시간 정렬을 위한 두 가지 접근 방식이 포함되어 있으며, 데이터는 환자의 움직임 품질을 원격으로 모니터링하고 aDBS 알고리즘을 개선하기 위해 증상 관련 바이오마커를 식별하는 데 사용됩니다. 이 작품의 영상 부분은 수집된 영상에서 추출한 운동학적 궤적의 데이터 수집 과정과 애니메이션을 보여줍니다.
여러 가지 설계 고려 사항이 프로토콜 개발을 안내했습니다. 데이터 보안 및 환자 개인 정보 보호 보장: 식별 가능한 환자 데이터를 수집하려면 HIPAA(Health Insurance Portability and Accountability Act)를 준수하기 위해 전송 및 저장에 세심한 주의를 기울여야 합니다12,13 규정을 준수하고 집에서 환자의 사생활을 존중합니다. 이 프로젝트에서는 시스템 컴퓨터 간의 모든 민감한 트래픽의 개인 정보를 보호하기 위해 사용자 지정 VPN을 설정하여 이를 달성했습니다. 자극 파라미터 안전 경계: 의도하지 않은 영향을 미칠 수 있는 aDBS 알고리즘을 시도하는 동안 환자가 안전한지 확인하는 것이 중요합니다. 환자의 INS는 과도한 자극 또는 과소 자극으로 인한 안전하지 않은 효과를 허용하지 않는 자극 매개변수에 대한 안전한 경계를 갖도록 임상의에 의해 구성되어야 합니다. INS 시스템 사용 시11 이 연구에서 사용되는 이 기능은 임상의 프로그래머가 활성화합니다. 환자의 거부권 보장: 안전한 파라미터 한계 내에서도, 증상과 자극 반응의 일일 변동성으로 인해 환자는 테스트 중인 알고리즘이 마음에 들지 않고 정상적인 임상 개방 루프 DBS로 돌아가기를 원하는 불쾌한 상황이 발생할 수 있습니다. 선택한 INS 시스템에는 환자가 자극 그룹과 자극 진폭을 mA 단위로 수동으로 변경할 수 있는 PTM(Patient Telemetry Module)이 포함되어 있습니다. 데이터 수집 전에 INS의 원격 구성에 사용되는 INS 연결 연구 애플리케이션도 있습니다14또한 환자가 aDBS 임상시험을 중단하고 치료를 제어할 수 있습니다. 복잡하고 자연스러운 행동 포착: 비디오 데이터는 임상의가 치료 효과를 원격으로 모니터링하고 연구 분석에 사용하기 위해 자세 추정치에서 운동학적 궤적을 추출할 수 있도록 플랫폼에 통합되었습니다15. 웨어러블 센서는 덜 방해가 되지만 웨어러블 시스템만으로는 전신의 전체 동적 동작 범위를 캡처하기 어렵습니다. 비디오를 통해 환자의 전체 동작 범위와 시간 경과에 따른 증상을 동시에 기록할 수 있습니다. 환자를 위한 시스템 유용성: 재택 멀티모달 데이터를 수집하기 위해서는 환자의 집에 여러 개의 기기를 설치하여 활용해야 하기 때문에 환자가 탐색하는 데 부담이 될 수 있습니다. 환자 제어를 보장하면서 시스템을 쉽게 사용할 수 있도록 하려면 녹음을 시작하기 전에 환자에게 이식되거나 물리적으로 부착된 장치(이 경우 INS 시스템 및 스마트 워치 포함)만 수동으로 켜야 합니다. 환자와 분리된 장치(이 경우 비디오 카메라에서 녹화된 데이터 포함)의 경우 환자와의 상호 작용 없이 녹화가 자동으로 시작되고 종료됩니다. GUI 디자인 중에 버튼 수를 최소화하고 깊은 메뉴 트리를 피하여 상호 작용이 단순하도록 주의를 기울였습니다. 모든 장치가 설치된 후 연구 코디네이터는 환자에게 각 장치의 일부인 환자 대면 GUI를 통해 모든 장치에서 녹음을 종료하는 방법, 약물 이력 및 증상 보고서를 입력하는 방법 등 모든 장치와 상호 작용하는 방법을 보여주었습니다. 데이터 수집 투명성: 카메라가 켜졌을 때를 명확하게 표시하는 것은 사람들이 녹화 중임을 알 수 있도록 하고 사생활이 필요한 경우 녹화를 일시 중단할 수 있도록 하는 것이 중요합니다. 이를 위해 카메라 시스템 애플리케이션을 사용하여 환자 대면 GUI로 비디오 녹화를 제어합니다. GUI는 응용 프로그램이 시작될 때 자동으로 열리고 다음 예약된 녹화의 시간과 날짜를 나열합니다. 녹화가 진행 중일 때 녹화가 종료되도록 예약된 시간을 나타내는 메시지가 표시됩니다. GUI 중앙에 빨간색 표시등의 큰 이미지가 표시됩니다. 이 이미지는 녹화가 진행 중일 때 조명이 밝게 켜지고 녹화가 꺼져 있을 때 조명이 켜지지 않는 이미지로 변경되는 것을 보여줍니다.
이 프로토콜은 가정용 데이터 수집 플랫폼을 설계, 구축 및 배포하고, 수집된 데이터의 완전성과 견고성을 위해 품질을 검사하고, 향후 연구에 사용하기 위해 데이터를 후처리하는 방법을 자세히 설명합니다.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65305/65305fig01.jpg"> 그림 1: 데이터 흐름. 각 양식에 대한 데이터는 단일 원격 스토리지 엔드포인트로 처리 및 집계되기 전에 환자의 거주지와 독립적으로 수집됩니다. 각 모달리티에 대한 데이터는 원격 스토리지 엔드포인트로 자동 전송됩니다. 그런 다음 팀원 중 한 명의 도움을 받아 데이터를 검색하고, 유효성을 확인하고, 여러 양식에 걸쳐 시간을 정렬하고, 보다 양식별 사전 처리를 수행할 수 있습니다. 그런 다음 컴파일된 데이터 세트는 지속적인 분석을 위해 모든 팀 구성원이 안전하게 액세스할 수 있는 원격 스토리지 엔드포인트에 업로드됩니다. 특히 원시 비디오와 같은 민감한 데이터에 대한 데이터 액세스 권한이 있는 모든 시스템은 모든 데이터가 안전하게 전송되고 저장된 데이터가 항상 암호화되도록 하는 VPN에 포함되어 있습니다. <a href="https://www.jove.com/files/ftp_upload/65305/65305fig01large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Analysis RCS Data Processing</td>
			<td>OpenMind</td>
			<td></td>
			<td>https://github.com/openmind-consortium/Analysis-rcs-data, open-source</td>
		</tr>
		<tr>
			<td>Apple Watches</td>
			<td>Apple, Inc</td>
			<td></td>
			<td>Use 2 watches for each patient, one on each wrist</td>
		</tr>
		<tr>
			<td>BRIO ULTRA HD PRO BUSINESS WEBCAM</td>
			<td>Logitech</td>
			<td>960-001105</td>
			<td>Used 3 in our platform design&#160;</td>
		</tr>
		<tr>
			<td>DaVinci Resolve video editing software&#160;</td>
			<td>DaVinci Resolve</td>
			<td></td>
			<td>used to support camera calibration</td>
		</tr>
		<tr>
			<td>Dell XPS PC&#160;</td>
			<td>Dell</td>
			<td></td>
			<td>2T hard disk drive, 500GB SSD</td>
		</tr>
		<tr>
			<td>Dropbox</td>
			<td>Dropbox</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>ffmpeg&#160;</td>
			<td>N/A</td>
			<td></td>
			<td>open-source, install to run the Video Recording App</td>
		</tr>
		<tr>
			<td>Gooseneck mounts for webcams</td>
			<td>N/A</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>GPU</td>
			<td>Nvidia</td>
			<td></td>
			<td>A minimum of 8GB GPU memory is recommended to run OpenPose, 12GB is ideal</td>
		</tr>
		<tr>
			<td>Java 11</td>
			<td>Oracle</td>
			<td></td>
			<td>Install to run the Video Recording App</td>
		</tr>
		<tr>
			<td>Microsoft Surface tablet&#160;</td>
			<td>Microsoft</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>NoMachine&#160;</td>
			<td>NoMachine</td>
			<td></td>
			<td>Ideal when using a Linux OS, open-source</td>
		</tr>
		<tr>
			<td>OpenPose&#160;</td>
			<td>N/A</td>
			<td></td>
			<td>open-source</td>
		</tr>
		<tr>
			<td>Rclone file transfer program</td>
			<td>Rclone</td>
			<td></td>
			<td>Encrypts data and copies or moves data to offsite storage, open-source</td>
		</tr>
		<tr>
			<td>StrivePD app</td>
			<td>RuneLabs</td>
			<td></td>
			<td>We installed the app on the Apple Watches to start recordings and upload data to an online portal.</td>
		</tr>
		<tr>
			<td>Summit RC+S neuromodulation system</td>
			<td>Medtronic</td>
			<td></td>
			<td>For investigational use only</td>
		</tr>
		<tr>
			<td>touchscreen-compatible monitor</td>
			<td>N/A</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Video for Linux 2 API</td>
			<td>The Linux Kernel</td>
			<td></td>
			<td>Install if using a Linux OS for video recording&#160;</td>
		</tr>
		<tr>
			<td>Wasabi&#160;</td>
			<td>Wasabi</td>
			<td></td>
			<td>Longterm cloud data storage</td>
		</tr>
		<tr>
			<td>WireGuard VPN Protocol</td>
			<td>WireGuard</td>
			<td></td>
			<td>open-source</td>
		</tr>
	</tbody>
</table>

bringing the clinic home: an at-home multi-modal data collection ecosystem to support adaptive deep brain stimulation

적응형 뇌심부자극술(aDBS)은 파킨슨병(PD)과 같은 신경 질환 치료를 개선할 수 있는 가능성을 보여줍니다. aDBS는 증상 관련 바이오마커를 사용하여 실시간으로 자극 파라미터를 조정하여 증상을 보다 정확하게 표적화합니다. 이러한 동적 조정을 활성화하려면 각 개별 환자에 대해 aDBS 알고리즘에 대한 매개변수를 결정해야 합니다. 이를 위해서는 임상 연구원의 시간 소모적인 수동 조정이 필요하므로 단일 환자에 대한 최적의 구성을 찾거나 여러 환자로 확장하기가 어렵습니다. 또한, 환자가 집에 있는 동안 원내에서 구성된 aDBS 알고리즘의 장기적인 효과는 여전히 미해결 과제로 남아 있습니다. 이 치료법을 대규모로 구현하려면 치료 결과를 원격으로 모니터링하면서 aDBS 알고리즘 매개변수를 자동으로 구성하는 방법론이 필요합니다. 이 백서에서는 현장에서 두 가지 문제를 모두 해결하는 데 도움이 되는 재택 데이터 수집 플랫폼 설계를 공유합니다. 이 플랫폼은 오픈 소스인 통합 하드웨어 및 소프트웨어 에코시스템으로 구성되어 있으며 신경, 관성 및 다중 카메라 비디오 데이터를 집에서 수집할 수 있습니다. 환자 식별 데이터의 개인 정보 보호를 보장하기 위해 플랫폼은 가상 사설망을 통해 데이터를 암호화하고 전송합니다. 이 방법에는 데이터 스트림의 시간을 정렬하고 비디오 녹화에서 포즈 추정치를 추출하는 것이 포함됩니다. 이 시스템의 사용을 시연하기 위해 이 플랫폼을 복막투석 환자의 집에 배포하고 1.5년 동안 자기 주도적 임상 작업과 자유로운 행동 기간 동안 데이터를 수집했습니다. 데이터는 다양한 치료 조건에서 운동 증상의 중증도를 평가하기 위해 하위 치료, 치료 및 초치료 자극 진폭에서 기록되었습니다. 이러한 시간 정렬 데이터는 플랫폼이 치료 평가를 위해 재택 다중 모드 데이터 수집을 동기화할 수 있음을 보여줍니다. 이 시스템 아키텍처는 자동화된 aDBS 연구를 지원하고, 새로운 데이터 세트를 수집하고, 신경 장애를 앓고 있는 사람들을 위한 병원 밖에서 DBS 치료의 장기적인 효과를 연구하는 데 사용될 수 있습니다.

Deep brain stimulation (DBS) treats neurological disorders such as Parkinson&#39;s disease (PD) by delivering electrical current directly to specific regions in the brain. There are an estimated 8.5 million cases of PD worldwide, and DBS has proved to be a critical therapy when medication is insufficient for managing symptoms1,2. However, DBS effectiveness can be constrained by side-effects that sometimes occur from stimulation that is conventionally delivered at fixed amplitude, frequency, and pulse width3. This open-loop implementation is not responsive to fluctuations in symptom state, resulting in stimulation settings that are not appropriately matched to the changing needs of the patient. DBS is further hindered by the time-consuming process of tuning stimulation parameters, which is currently performed manually by clinicians for each individual patient.
Adaptive DBS (aDBS) is a closed-loop approach shown to be an effective next iteration of DBS by adjusting stimulation parameters in real time whenever symptom-related biomarkers are detected3,4,5. Studies have shown beta oscillations (10-30 Hz) in the subthalamic nucleus (STN) occur consistently during bradykinesia, a slowing of movement that is characteristic of PD6,7. Similarly, high-gamma oscillations (50-120 Hz) in the cortex are known to occur during periods of dyskinesia, an excessive and involuntary movement also commonly seen in PD8. Recent work has successfully administered aDBS outside the clinic for prolonged periods5, however the long-term effectiveness of aDBS algorithms that were configured in-clinic while a patient is home has not been established.
Remote systems are needed to capture the time-varying effectiveness of these dynamic algorithms in suppressing symptoms encountered during daily living. While the dynamic stimulation approach of aDBS potentially enables a more precise treatment with reduced side-effects3,9, aDBS still suffers from a high burden on clinicians to manually identify stimulation parameters for each patient. In addition to the already large set of parameters to program during conventional DBS, aDBS algorithms introduce many new parameters which must also be carefully adjusted. This combination of stimulation and algorithm parameters yields a vast parameter space with an unmanageable number of possible combinations, prohibiting aDBS from scaling to many patients10. Even in research settings, the additional time required to configure and assess aDBS systems make it difficult to adequately optimize algorithms solely in the clinic, and remote updating of parameters is needed. To make aDBS a treatment that can scale, stimulation and algorithm parameter tuning must be automated. In addition, outcomes from therapy must be analyzed across repeated trials to establish aDBS as a viable long-term treatment outside the clinic. There is a need for a platform that can collect data for remote evaluation of therapy effectiveness, and to remotely deploy updates to aDBS algorithm parameters.
The goal of this protocol is to provide a reusable design for a multi-modal at-home data collection platform to improve aDBS effectiveness outside the clinic, and to enable this treatment to scale to a greater number of individuals. To our knowledge, it is the first data collection platform design that remotely evaluates therapeutic outcomes using in-home video cameras, wearable sensors, chronic neural signal recording, and patient-driven feedback to evaluate aDBS systems during controlled tasks and naturalistic behavior.
The platform is an ecosystem of hardware and software components built upon previously developed systems5. It is maintainable entirely through remote access after an initial installation of minimal hardware to allow multi-modal data collection from a person in the comfort of their home. A key component is the implantable neurostimulation system (INS)11 which senses neural activity and delivers stimulation to the STN, and records acceleration from chest implants. For the implant used in the initial deployment, neural activity is recorded from bilateral leads implanted in the STN and from electrocorticography electrodes implanted over the motor cortex. A video recording system helps clinicians monitor symptom severity and therapy effectiveness, which includes a graphical user interface (GUI) to allow easy cancellation of ongoing recordings to protect patient privacy. Videos are processed to extract kinematic trajectories of position in two dimensional (2D) or three dimensional (3D), and smart watches are worn on both wrists to capture angular velocity and acceleration information. Importantly, all data is encrypted before being transferred to long-term cloud storage, and the computer with patient-identifiable videos can only be accessed through a virtual private network (VPN). The system includes two approaches for post-hoc time-aligning of all data streams, and data is used to remotely monitor the patient&#39;s quality of movement, and to identify symptom-related biomarkers for refining aDBS algorithms. The video portion of this work shows the data collection process and animations of kinematic trajectories extracted from collected videos.
A number of design considerations guided the development of the protocol: 
Ensuring data security and patient privacy: Collecting identifiable patient data requires utmost care in transmission and storage in order to be health insurance portability and accountability act (HIPAA)12, 13 compliant and to respect the patient&#39;s privacy in their own home. In this project, this was achieved by setting up a custom VPN to ensure privacy of all sensitive traffic between system computers. 
Stimulation parameter safety boundaries: It is critical to ensure that the patient remains safe while trying out aDBS algorithms that may have unintended effects. The patient&#39;s INS must be configured by a clinician to have safe boundaries for stimulation parameters that do not allow for unsafe effects from over-stimulation or under-stimulation. With the INS system11 used in this study, this feature is enabled by a clinician programmer. 
Ensuring the patient veto: Even within safe parameter limits, the daily variability of symptoms and stimulation responses may result in unpleasant situations for the patient where they dislike an algorithm under test and wish to return to normal clinical open-loop DBS. The selected INS system includes a patient telemetry module (PTM) that allows the patient to manually change their stimulation group and stimulation amplitude in mA. There is also an INS-connected research application that is used for remote configuration of the INS prior to data collection14, which also enables the patient to abort aDBS trials and control their therapy. 
Capturing complex and natural behavior: Video data was incorporated in the platform to enable clinicians to remotely monitor therapy effectiveness, and to extract kinematic trajectories from pose estimates for use in research analyses15. While wearable sensors are less intrusive, it is difficult to capture the full dynamic range of motion of an entire body using wearable systems alone. Videos enable the simultaneous recording of the patient&#39;s full range of motion and their symptoms over time. 
System usability for patients: Collecting at-home multi-modal data requires multiple devices to be installed and utilized in a patient&#39;s home, which could become burdensome for patients to navigate. To make the system easy to use while ensuring patient control, only the devices that are implanted or physically attached to the patient (in this case it included the INS system and smart watches) must be manually turned ON prior to initiating a recording. For devices that are separate from the patient (in this case it includes data recorded from video cameras), recordings start and end automatically without requiring any patient interaction. Care was taken during GUI design to minimize the number of buttons and to avoid deep menu trees so that interactions were simple. After all devices are installed, a research coordinator showed the patient how to interact with all devices through patient-facing GUIs that are a part of each device, such as how to terminate recordings on any device and how to enter their medication history and symptom reports. 
Data collection transparency: Clearly indicating when cameras are turned ON is imperative so that people know when they are being recorded and can suspend recording if they need a moment of privacy. To achieve this, a camera-system application is used to control video recordings with a patient-facing GUI. The GUI automatically opens when the application is started and lists the time and date of the next scheduled recording. When a recording is ongoing, a message states when the recording is scheduled to end. In the center of the GUI, a large image of a red light is displayed. The image shows the light being brightly lit whenever a recording is ongoing, and changes to a non-lit image when recordings are OFF.
The protocol details methods for designing, building, and deploying an at-home data collection platform, for quality-checking the data collected for completeness and robustness, and for post-processing data for use in future research.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65305/65305fig01.jpg" /> 
Figure 1: Data flow. Data for each modality is collected independently from the patient&#39;s residence before being processed and aggregated into a single remote storage endpoint. The data for each modality is sent automatically to a remote storage endpoint. With the help of one of the team members, it can then be retrieved, checked for validity, time aligned across modalities, as well as subjected to more modality-specific pre-processing. The compiled dataset is uploaded then to a remote storage endpoint that can be securely accessed by all team members for continued analysis. All machines with data access, especially for sensitive data such as raw video, are enclosed within a VPN that ensures all data is transferred securely and stored data is always encrypted. <a href="https://www.jove.com/files/ftp_upload/65305/65305fig01large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>

저자 스포트라이트: 파킨슨병에 대한 자동 뇌심부 자극 - 가정 모니터링의 가능성과 과제 탐색 

클리닉을 집으로 가져오다: 적응형 뇌심부 자극을 지원하는 재택 다중 모드 데이터 수집 에코시스템

My research supports automating adaptive deep brain stimulation or ADBS for Parkinson's disease in the comfort of someone's home. One question is whether this therapy can be monitored safely for a long period outside the clinic while ensuring patient privacy. Additionally, we're looking into the possibility of automatically adjusting ADBS parameters without the need for the patient to return to the clinic.ADBS research needs data collection platforms to accurately measure movement quality as patients go about their daily lives and to remotely deliver updates to therapy algorithms. This protocol collects multiple modalities as patients move freely about their homes, including video data to capture isolated kinematic like finger movements. Our results allow us to explore changes in Parkinson's disease over long periods of time, and they let us ask what measurements are necessary to analyze and treat the varied symptoms of Parkinson's disease outside clinical observation.

프로토타입 플랫폼 설계 및 배포 프로토타입 플랫폼을 설계하여 환자 한 명의 집에 배포했습니다(그림 1). 가정에 하드웨어를 처음 설치한 후 플랫폼을 유지 관리할 수 있으며 원격 액세스를 통해 데이터를 완전히 수집할 수 있습니다. INS 장치, 스마트 워치 및 카메라에는 환자가 녹음을 시작하고 중지할 수 있는 환자 대면 애플리케이션이 있습니다. 비디오 수...

Watch this Scientific Journal Video about Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring at JoVE.com

이 프로토콜은 신경 운동 장애가 있는 사람들을 위한 적응형 뇌심부 자극(aDBS)을 최적화하는 연구를 지원하는 재택 다중 모드 데이터 수집 플랫폼의 프로토타입을 보여줍니다. 또한 파킨슨병을 앓고 있는 개인의 집에 1년 넘게 플랫폼을 배포한 주요 결과를 제시합니다.

Adaptive deep brain stimulation (aDBS) shows promise for improving treatment for neurological disorders such as Parkinson's disease (PD). aDBS uses ...

제 연구는 파킨슨병에 대한 적응형 뇌심부 자극술(ADBS)을 집에서 편안하게 자동화하는 것을 지지합니다. 한 가지 질문은 이 치료법이 환자의 프라이버시를 보장하면서 병원 밖에서 장기간 안전하게 모니터링될 수 있는지 여부입니다. 또한 환자가 클리닉으로 돌아갈 필요 없이 ADBS 매개변수를 자동으로 조정할 수 있는 가능성을 조사하고 있습니다.ADBS 연구에는 환자가 일상 생활을 할 때 움직임의 질을 정확하게 측정하고 치료 알고리즘에 대한 업데이트를 원격으로 제공하기 위한 데이터 수집 플랫폼이 필요합니다. 이 프로토콜은 환자가 집 안을 자유롭게 돌아다닐 때 손가락 움직임과 같은 고립된 운동학을 캡처하기 위한 비디오 데이터를 포함하여 여러 양식을 수집합니다. 연구 결과를 통해 장기간에 걸친 파킨슨병의 변화를 탐색할 수 있으며, 임상적 관찰 외에 파킨슨병의 다양한 증상을 분석하고 치료하기 위해 어떤 측정이 필요한지 질문할 수 있습니다.

bringing-clinic-home-an-at-home-multi-modal-data-collection-ecosystem

Research

JoVE Journal

Neuroscience

Bringing the Clinic Home: An At-Home Multi-Modal Data Collection Ecosystem to Support Adaptive Deep Brain Stimulation

1.0K 조회수.  University of Washington. 제 연구는 파킨슨병에 대한 적응형 뇌심부 자극술(ADBS)을 집에서 편안하게 자동화하는 것을 지지합니다. 한 가지 질문은 이 치료법이 환자의 프라이버시를 보장하면서 병원 밖에서 장기간 안전하게 모니터링될 수 있는지 여부입니다. 또한 환자가 클리닉으로 돌아갈 필요 없이 ADBS 매개변수를 자동으로 조정할 수 있는 가능성을 조사하고 있습니다.ADBS 연구에는 환자가 ?...