Bu materyal, Ulusal Bilim Vakfı Lisansüstü Araştırma Burs Programı (DGE-2140004), Weill Neurohub ve Ulusal Sağlık Enstitüsü (UH3NS100544) tarafından desteklenen çalışmalara dayanmaktadır. Bu materyalde ifade edilen herhangi bir görüş, bulgu ve sonuç veya tavsiye yazar(lar)a aittir ve Ulusal Bilim Vakfı, Weill Neurohub veya Ulusal Sağlık Enstitüsü'nün görüşlerini yansıtmayabilir. Tianjiao Zhang'a platform tasarımı ve video verilerinin dahil edilmesi konusundaki uzman istişareleri için teşekkür ederiz. Hastaya bu çalışmaya katılımları ve ağ güvenliği ve platform tasarımı ile ilgili geri bildirim ve tavsiyeleri için özellikle teşekkür ederiz.

Nörolojik Bozukluğu Olan Hastalar için Derin Beyin Stimülasyonunun Optimize Edilmesi

<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>

Yazarların ifşa edecek herhangi bir çıkar çatışması yoktur.

Nöromodülasyon araştırmalarında gelecekteki araştırmaları desteklemek için çok modlu bir veri toplama platformunun evde prototipinin tasarımını paylaşıyoruz. Tasarım açık kaynaklı ve modülerdir, böylece herhangi bir donanım parçası değiştirilebilir ve herhangi bir yazılım bileşeni, genel platform çökmeden güncellenebilir veya değiştirilebilir. Nöral verilerin toplanması ve kimliksizleştirilmesi yöntemleri seçilen INS'ye özgü olsa da, geri kalan yöntemler ve davranışsal veri top...

Derin beyin stimülasyonu (DBS), Parkinson hastalığı (PD) gibi nörolojik bozuklukları, elektrik akımını doğrudan beyindeki belirli bölgelere ileterek tedavi eder. Dünya çapında tahmini 8,5 milyon PD vakası vardır ve DBS'nin semptomları yönetmek için ilaç yetersiz kaldığında kritik bir tedavi olduğu kanıtlanmıştır 1,2. Bununla birlikte, DBS etkinliği, bazen geleneksel olarak sabit genlik, frekans ve nabız genişliğinde verilen stimülasyondan kaynaklanan yan etkilerle sınırlandırılabilir3. Bu açık döngü uygulaması, semptom durumundaki dalgalanmalara yanıt vermez ve bu da hastanın değişen ihtiyaçlarına uygun şekilde eşleşmeyen stimülasyon ayarlarıyla sonuçlanır. DBS, şu anda klinisyenler tarafından her bir hasta için manuel olarak gerçekleştirilen stimülasyon parametrelerinin ayarlanmasının zaman alıcı süreci tarafından daha da engellenmektedir.
Uyarlanabilir DBS (aDBS), semptomla ilişkili biyobelirteçler tespit edildiğinde stimülasyon parametrelerini gerçek zamanlı olarak ayarlayarak DBS'nin etkili bir sonraki yinelemesi olduğu gösterilen kapalı döngü bir yaklaşımdır 3,4,5. Çalışmalar, subtalamik çekirdekteki (STN) beta salınımlarının (10-30 Hz), PD 6,7'nin karakteristiği olan hareketin yavaşlaması olan bradikinezi sırasında tutarlı bir şekilde meydana geldiğini göstermiştir. Benzer şekilde, korteksteki yüksek gama salınımlarının (50-120 Hz), PD8'de de yaygın olarak görülen aşırı ve istemsiz bir hareket olan diskinezi dönemlerinde meydana geldiği bilinmektedir. Son zamanlarda yapılan çalışmalar, aDBS'yi klinik dışında uzun süreler boyunca başarılı bir şekilde uygulamıştır5, ancak bir hasta evdeyken klinikte yapılandırılan aDBS algoritmalarının uzun vadeli etkinliği belirlenmemiştir.
Bu dinamik algoritmaların günlük yaşamda karşılaşılan semptomları baskılamada zamanla değişen etkinliğini yakalamak için uzak sistemlere ihtiyaç vardır. aDBS'nin dinamik stimülasyon yaklaşımı, azaltılmış yan etkilerle potansiyel olarak daha kesin bir tedaviyi mümkün kılarken,3,9, aDBS, klinisyenlerin her hasta için stimülasyon parametrelerini manuel olarak tanımlaması için hala yüksek bir yükten muzdariptir. Konvansiyonel DBS sırasında programlanacak çok sayıda parametreye ek olarak, aDBS algoritmaları da dikkatli bir şekilde ayarlanması gereken birçok yeni parametre sunar. Stimülasyon ve algoritma parametrelerinin bu kombinasyonu, yönetilemeyen sayıda olası kombinasyonla geniş bir parametre alanı sağlar ve aDBS'nin birçok hastaya ölçeklenmesini yasaklar10. Araştırma ortamlarında bile, aDBS sistemlerini yapılandırmak ve değerlendirmek için gereken ek süre, algoritmaları yalnızca klinikte yeterince optimize etmeyi zorlaştırır ve parametrelerin uzaktan güncellenmesi gerekir. aDBS'yi ölçeklenebilen bir tedavi haline getirmek için stimülasyon ve algoritma parametresi ayarlaması otomatikleştirilmelidir. Ek olarak, aDBS'yi klinik dışında uygulanabilir uzun süreli bir tedavi olarak kurmak için tedaviden elde edilen sonuçlar tekrarlanan çalışmalarda analiz edilmelidir. Tedavi etkinliğinin uzaktan değerlendirilmesi için veri toplayabilen ve aDBS algoritma parametrelerine yönelik güncellemeleri uzaktan dağıtabilen bir platforma ihtiyaç vardır.
Bu protokolün amacı, klinik dışında aDBS etkinliğini artırmak ve bu tedavinin daha fazla sayıda kişiye ölçeklenmesini sağlamak için çok modlu bir evde veri toplama platformu için yeniden kullanılabilir bir tasarım sağlamaktır. Bildiğimiz kadarıyla, kontrollü görevler ve doğal davranış sırasında aDBS sistemlerini değerlendirmek için ev içi video kameralar, giyilebilir sensörler, kronik nöral sinyal kaydı ve hasta odaklı geri bildirim kullanarak terapötik sonuçları uzaktan değerlendiren ilk veri toplama platformu tasarımıdır.
Platform, daha önce geliştirilmiş sistemler üzerine inşa edilmiş donanım ve yazılım bileşenlerinden oluşan bir ekosistemdir5. Bir kişiden evinin rahatlığında çok modlu veri toplamaya izin vermek için minimum donanımın ilk kurulumundan sonra tamamen uzaktan erişim yoluyla bakımı yapılabilir. Önemli bir bileşen, nöral aktiviteyi algılayan ve STN'ye stimülasyon sağlayan ve göğüs implantlarından gelen ivmeyi kaydeden implante edilebilir nörostimülasyon sistemidir (INS)11 . İlk yerleştirmede kullanılan implant için, STN'ye implante edilen bilateral derivasyonlardan ve motor korteks üzerine implante edilen elektrokortikografi elektrotlarından nöral aktivite kaydedilir. Bir video kayıt sistemi, klinisyenlerin semptom şiddetini ve tedavi etkinliğini izlemesine yardımcı olur ve hasta gizliliğini korumak için devam eden kayıtların kolayca iptal edilmesini sağlayan bir grafik kullanıcı arayüzü (GUI) içerir. Videolar, iki boyutlu (2D) veya üç boyutlu (3D) konumun kinematik yörüngelerini çıkarmak için işlenir ve açısal hız ve ivme bilgilerini yakalamak için akıllı saatler her iki bileğe takılır. Daha da önemlisi, tüm veriler uzun vadeli bulut depolamaya aktarılmadan önce şifrelenir ve hastayı tanımlayabilen videolara sahip bilgisayara yalnızca bir sanal özel ağ (VPN) üzerinden erişilebilir. Sistem, tüm veri akışlarının post-hoc zaman hizalaması için iki yaklaşım içerir ve veriler, hastanın hareket kalitesini uzaktan izlemek ve aDBS algoritmalarını iyileştirmek için semptomla ilgili biyobelirteçleri tanımlamak için kullanılır. Bu çalışmanın video kısmı, veri toplama sürecini ve toplanan videolardan çıkarılan kinematik yörüngelerin animasyonlarını göstermektedir.
Protokolün geliştirilmesine bir dizi tasarım hususu rehberlik etti: Veri güvenliği ve hasta mahremiyetinin sağlanması: Tanımlanabilir hasta verilerinin toplanması, sağlık sigortası taşınabilirlik ve sorumluluk yasası (HIPAA) olması için iletim ve depolamada azami özen gerektirir12,13 uyumlu ve hastanın kendi evindeki mahremiyetine saygı göstermek. Bu projede bu, sistem bilgisayarları arasındaki tüm hassas trafiğin gizliliğini sağlamak için özel bir VPN kurularak başarıldı. Stimülasyon parametresi güvenlik sınırları: İstenmeyen etkileri olabilecek aDBS algoritmalarını denerken hastanın güvende kalmasını sağlamak çok önemlidir. Hastanın INS'si, bir klinisyen tarafından, aşırı stimülasyon veya yetersiz stimülasyondan kaynaklanan güvenli olmayan etkilere izin vermeyen stimülasyon parametreleri için güvenli sınırlara sahip olacak şekilde yapılandırılmalıdır. INS sistemi ile11 Bu çalışmada kullanılan bu özellik, bir klinisyen programcı tarafından etkinleştirilmiştir. Hasta vetosunun sağlanması: Güvenli parametre sınırları içinde bile, semptomların ve stimülasyon yanıtlarının günlük değişkenliği, hasta için test edilen bir algoritmadan hoşlanmadıkları ve normal klinik açık döngü DBS'ye dönmek istedikleri hoş olmayan durumlara neden olabilir. Seçilen INS sistemi, hastanın stimülasyon grubunu ve mA cinsinden stimülasyon genliğini manuel olarak değiştirmesine izin veren bir hasta telemetri modülü (PTM) içerir. Ayrıca, veri toplamadan önce INS'nin uzaktan yapılandırılması için kullanılan INS bağlantılı bir araştırma uygulaması da vardır14, bu da hastanın aDBS denemelerini iptal etmesini ve tedavisini kontrol etmesini sağlar. Karmaşık ve doğal davranışları yakalamak: Klinisyenlerin tedavi etkinliğini uzaktan izlemelerini ve araştırma analizlerinde kullanılmak üzere poz tahminlerinden kinematik yörüngeleri çıkarmasını sağlamak için video verileri platforma dahil edildi15. Giyilebilir sensörler daha az müdahaleci olsa da, yalnızca giyilebilir sistemleri kullanarak tüm vücudun tam dinamik hareket aralığını yakalamak zordur. Videolar, hastanın tüm hareket açıklığının ve zaman içindeki semptomlarının aynı anda kaydedilmesini sağlar. Hastalar için sistem kullanılabilirliği: Evde çok modlu verilerin toplanması, bir hastanın evinde birden fazla cihazın kurulmasını ve kullanılmasını gerektirir ve bu da hastaların gezinmesi için külfetli hale gelebilir. Hasta kontrolünü sağlarken sistemin kullanımını kolaylaştırmak için, bir kayıt başlatılmadan önce yalnızca hastaya implante edilen veya fiziksel olarak takılan cihazlar (bu durumda INS sistemi ve akıllı saatler dahil) manuel olarak AÇILMALıdır. Hastadan ayrı cihazlar için (bu durumda video kameralardan kaydedilen verileri içerir), kayıtlar herhangi bir hasta etkileşimi gerektirmeden otomatik olarak başlar ve biter. GUI tasarımı sırasında düğme sayısını en aza indirmeye ve etkileşimlerin basit olması için derin menü ağaçlarından kaçınmaya özen gösterildi. Tüm cihazlar kurulduktan sonra, bir araştırma koordinatörü hastaya, herhangi bir cihazdaki kayıtların nasıl sonlandırılacağı ve ilaç geçmişinin ve semptom raporlarının nasıl girileceği gibi, her cihazın bir parçası olan hastaya yönelik GUI'ler aracılığıyla tüm cihazlarla nasıl etkileşime gireceğini gösterdi. Veri toplama şeffaflığı: Kameraların ne zaman AÇIK olduğunu açıkça belirtmek zorunludur, böylece insanlar ne zaman kaydedildiklerini bilirler ve bir anlık mahremiyete ihtiyaç duyarlarsa kaydı askıya alabilirler. Bunu başarmak için, hastaya dönük bir GUI ile video kayıtlarını kontrol etmek için bir kamera sistemi uygulaması kullanılır. GUI, uygulama başlatıldığında otomatik olarak açılır ve bir sonraki programlanmış kaydın saatini ve tarihini listeler. Bir kayıt devam ederken, kaydın ne zaman biteceğinin planlandığını belirten bir mesaj görüntülenir. GUI'nin ortasında, kırmızı ışığın büyük bir görüntüsü görüntülenir. Görüntü, bir kayıt devam ederken ışığın parlak bir şekilde yandığını gösterir ve kayıtlar KAPALI olduğunda ışıksız bir görüntüye dönüşür.
Protokol, evde veri toplama platformu tasarlama, oluşturma ve dağıtma, toplanan verilerin eksiksizlik ve sağlamlık açısından kalite kontrolü ve gelecekteki araştırmalarda kullanılmak üzere işlem sonrası veriler için yöntemleri detaylandırır.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65305/65305fig01.jpg"> Şekil 1: Veri akışı. Her modalite için veriler, işlenmeden önce hastanın ikametgahından bağımsız olarak toplanır ve tek bir uzak depolama uç noktasında toplanır. Her modalite için veriler otomatik olarak uzak depolama uç noktasına gönderilir. Ekip üyelerinden birinin yardımıyla, daha sonra alınabilir, geçerliliği kontrol edilebilir, modaliteler arasında zaman uyumlu hale getirilebilir ve ayrıca modaliteye özgü daha fazla ön işleme tabi tutulabilir. Derlenen veri kümesi daha sonra sürekli analiz için tüm ekip üyeleri tarafından güvenli bir şekilde erişilebilen bir uzak depolama uç noktasına yüklenir. Özellikle ham video gibi hassas veriler için veri erişimi olan tüm makineler, tüm verilerin güvenli bir şekilde aktarılmasını ve depolanan verilerin her zaman şifrelenmesini sağlayan bir VPN içine alınır. <a href="https://www.jove.com/files/ftp_upload/65305/65305fig01large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</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

Adaptif derin beyin stimülasyonu (aDBS), Parkinson hastalığı (PH) gibi nörolojik bozuklukların tedavisini iyileştirmek için umut vaat ediyor. aDBS, semptomları daha kesin bir şekilde hedeflemek için stimülasyon parametrelerini gerçek zamanlı olarak ayarlamak için semptomla ilgili biyobelirteçleri kullanır. Bu dinamik ayarlamaları etkinleştirmek için, her bir hasta için bir aDBS algoritmasının parametreleri belirlenmelidir. Bu, klinik araştırmacılar tarafından zaman alıcı manuel ayarlamalar gerektirir ve bu da tek bir hasta için en uygun konfigürasyonu bulmayı veya birçok hastaya ölçeklendirmeyi zorlaştırır. Ayrıca, hasta evdeyken klinikte yapılandırılan aDBS algoritmalarının uzun vadeli etkinliği açık bir soru olmaya devam etmektedir. Bu tedaviyi büyük ölçekte uygulamak için, tedavi sonuçlarını uzaktan izlerken aDBS algoritma parametrelerini otomatik olarak yapılandıracak bir metodolojiye ihtiyaç vardır. Bu yazıda, alanın her iki sorunu da ele almasına yardımcı olmak için evde veri toplama platformu için bir tasarım paylaşıyoruz. Platform, açık kaynaklı ve evde sinirsel, ataletsel ve çok kameralı video verilerinin toplanmasına izin veren entegre bir donanım ve yazılım ekosisteminden oluşur. Hasta tarafından tanımlanabilir verilerin gizliliğini sağlamak için platform, verileri sanal bir özel ağ üzerinden şifreler ve aktarır. Yöntemler, veri akışlarının zamana göre hizalanmasını ve video kayıtlarından poz tahminlerinin çıkarılmasını içerir. Bu sistemin kullanımını göstermek için, bu platformu PH'li bir bireyin evine yerleştirdik ve 1,5 yıl boyunca kendi kendine yönlendirilen klinik görevler ve serbest davranış dönemleri sırasında veri topladık. Veriler, farklı terapötik koşullar altında motor semptom şiddetini değerlendirmek için alt terapötik, terapötik ve supra-terapötik stimülasyon amplitüdlerinde kaydedildi. Bu zamana göre ayarlanmış veriler, platformun terapötik değerlendirme için evde senkronize edilmiş çok modlu veri toplama yeteneğine sahip olduğunu göstermektedir. Bu sistem mimarisi, otomatik aDBS araştırmalarını desteklemek, yeni veri kümeleri toplamak ve nörolojik bozukluklardan muzdarip olanlar için klinik dışında DBS tedavisinin uzun vadeli etkilerini incelemek için kullanılabilir.

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>

Yazar Spotlight: Parkinson Hastalığı için Otomatik Derin Beyin Stimülasyonu - Evde İzlemenin Olanaklarını ve Zorluklarını Keşfetmek 

Kliniği Eve Getirmek: Uyarlanabilir Derin Beyin Stimülasyonunu Desteklemek için Evde Çok Modlu Veri Toplama Ekosistemi

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.

Prototip platform tasarımı ve dağıtımı Bir prototip platform tasarladık ve tek bir hastanın evine yerleştirdik (Şekil 1). Evde ilk donanım kurulumundan sonra, platformun bakımı yapılabilir ve veriler tamamen uzaktan erişim yoluyla toplanabilir. INS cihazları, akıllı saatler ve kameralar, hastaların kayıtları başlatmasına ve durdurmasına olanak tanıyan hastaya dönük uygulamalara sahiptir. Video toplama donanımı, onaylanmış bir zamanlama yapı...

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

Protokol, nörolojik hareket bozukluğu olan kişiler için uyarlanabilir derin beyin stimülasyonunu (aDBS) optimize eden araştırmaları destekleyen evde çok modlu veri toplama platformunun bir prototipini göstermektedir. Ayrıca, platformun bir yıldan fazla bir süredir Parkinson hastalığı olan bir bireyin evine konuşlandırılmasından elde edilen önemli bulguları da sunuyoruz.

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

Araştırmam, birinin evinin rahatlığında Parkinson hastalığı için uyarlanabilir derin beyin stimülasyonunu veya ADBS'yi otomatikleştirmeyi destekliyor. Bir soru, bu tedavinin hasta mahremiyetini sağlarken klinik dışında uzun süre güvenli bir şekilde izlenip izlenemeyeceğidir. Ek olarak, hastanın kliniğe dönmesine gerek kalmadan ADBS parametrelerini otomatik olarak ayarlama olasılığını araştırıyoruz.ADBS araştırması, hastalar günlük yaşamlarına devam ederken hareket kalitesini doğru bir şekilde ölçmek ve tedavi algoritmalarına uzaktan güncellemeler sunmak için veri toplama platformlarına ihtiyaç duyar. Bu protokol, hastalar evlerinde serbestçe hareket ederken, izole kinematik benzeri parmak hareketlerini yakalamak için video verileri de dahil olmak üzere birden fazla modalite toplar. Sonuçlarımız, Parkinson hastalığındaki değişiklikleri uzun süreler boyunca keşfetmemize izin veriyor ve Parkinson hastalığının klinik gözlem dışındaki çeşitli semptomlarını analiz etmek ve tedavi etmek için hangi ölçümlerin gerekli olduğunu sormamıza izin veriyor.

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 Görüntüleme.  University of Washington. Araştırmam, birinin evinin rahatlığında Parkinson hastalığı için uyarlanabilir derin beyin stimülasyonunu veya ADBS'yi otomatikleştirmeyi destekliyor. Bir soru, bu tedavinin hasta mahremiyetini sağlarken klinik dışında uzun süre güvenli bir şekilde izlenip izlenemeyeceğidir. Ek olarak, hastanın kliniğe dönmesine gerek kalmadan ADBS parametrelerini otomatik olarak ayarlama olasılığını araştırıyoruz.ADBS araştırması, hastalar günlük yaşamlarına devam ...