Name: dynamic digital biomarkers of motor and cognitive function in parkinson's disease
Uploaded: 2019-07-24T15:00:00
Duration: 10 min 28 s
Description: Watch this Scientific Journal Video about Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease at JoVE.com

Denne forskning er finansieret delvis af Rutgers Discovery Informatics Institute til JR, Rutgers University TechAdvance midler til EBT og JV, New Jersey Governor's Council for forskning og behandlinger af autisme til EBT og Michael J Fox Foundation til RD.

Alle metoder, der er beskrevet her, er blevet godkendt af Rutgers University institutions Review Board.
1. deltagere og anskaffelses system oprettet
<ol><li>Indhente informeret samtykke fra deltagerne. Bemærk: deltagerne skal enten være diagnosticeret med Parkinsons lidelse, eller bør ikke diagnosticeres med nogen neurologiske forstyrrelser til at fungere som raske kontrol deltagere. Raske deltagere bør være køn og alder matches til patienten deltagere. Alle deltagere bør have mobiliteten til løbende at gå i 5 minutter.</li>
	<li>Mål deltagerens krops dimension (kropshøjde, fodlængde, armspan, ankel højde, hoftehøjde, hofte bredde, knæhøjde, skulder bredde, skulderhøjde; Figur 2a) til senere at oprette hans/hendes krop avatar i motion capture system. Bemærk: disse oplysninger bruges i bevægelses optagelses systemet til nøjagtigt at registrere positionsdata for deltagerens krop.</li>
	<li>Konfigurer bevægelses optagelses systemet, herunder de 17 trådløse bevægelses sporings sensorer og bevægelses sporingssoftware.<ol>
<li>Placer sensorer på følgende kropsdele: hoved, brystbenet, bækken, højre skulder, højre over arm, højre nedre arm, højre hånd, venstre skulder, venstre over arm, venstre nedre arm, venstre hånd, højre øvre ben, højre nedre ben, højre fod, venstre øvre ben, venstre nedre ben, venstre fod (figur 2b). Fastgør disse sensorer med rembånd for at give mulighed for diskret bevægelse.</li>
		<li>Når alle sensorer er placeret på rette steder, skal du kalibrere deltagerens position for at oprette hans/hendes avatar. Bemærk: oplysninger om kalibreringsmetode findes i Roetenberg et al.9.</li>
	</ol>
</li>
	<li>Opsætning af EEG-enhed og EEG-optagelses software.<ol>
<li>Placer 31 sensorer på tværs af hovedbunden og optageenheden på bagsiden af deltagerens hoved. Placer kanal sensorer på følgende steder: P7, P4, cz, PZ, P3, P8, O1, O2, T8, F8, C4, F4, Fp2, FZ, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, CP6, CP2, CP1, CP5, FC1, FC5, AF3, PO3 (figur 2c).</li>
		<li>Fastgør den resterende kanal sensor (oz) til en konnektor for at måle hjerte signalet ved at placere den tilsluttede sensor på deltagerens venstre side af maven (figur 2c).</li>
		<li>Fastgør to reference kanal sensorer bag deltagerens venstre øre, og indsæt derefter elektrode gel i sensorerne på EEG-hætten med en sprøjte (figur 2c).</li>
		<li>Når du er færdig, skal du starte streaming af de elektriske aktiviteter på optagelses softwaren i et par minutter, indtil den stabiliserer sig. Bemærk: figur 2D viser prøve spor fra EEG-signalerne, som udnyttes fra centralnervesystemet (CNS) og det autonome nervesystem (ans).</li>
	</ol>
</li>
	<li>Konfigurer mikrofonen til at registrere deltagerens stemme. Placer mikrofonen foran deltageren, og Tilslut den til den computer, hvor Lab Stream Layer (LSL) skal køre (Se LSL nedenfor) (figur 2E).</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59827/59827fig2.jpg"> Figur 2: Sat op til at digitalisere traditionelle kliniske tests, samtidig med at flere bølgeformer integreres fra diskrete trådløse wearable biosensorer. (A) oprettet til tegne opgaverne: faktisk patient iført diskrete wearable sensorer og avatar gengivet i realtid fra kinematik, der indsamles. (B) sensor placeringer af et sæt af små og lette bevægelses sporings sensorer (60 Hz), hvorfra bevægelsesdata er co-registreret synkront på tværs af kroppen. C) EEG-kort og reference placering. (D) prøve EEG bølgeformer fra 31 ledninger og hjerte signal udvundet fra Oz bly. (E) prøve bølgeform fra deltagerens stemme under en tælle opgave. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig2large.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
<ol start="6"><li>Konfigurer LSL-systemet til at synkronisere strømmen af EEG-, bevægelses-og lydsignaler sammen med tidsstempler til museklik (figur 3a).<ol>
<li>Åbn Lab Recorder app.</li>
		<li>Åbn LSL apps til mus og in-House bygget Xsens synkronisering app og linke dem til Lab Recorder app ved at kontrollere boksene museknapper og tracker kinematik i Record fra streams afsnit. Bemærk: musen app vil blive brugt til tidsstempel begivenheder under eksperimentet.</li>
		<li>Link EEG, motion og audio streams til Lab Recorder app ved at kontrollere kasserne Audiocapturewin, LSL-EEG, position i Record fra streams afsnit. Bemærk: LSL-systemet muliggør en samlet samling af målings tidsserier i forskningseksperimenter, der håndterer tidssynkronisering, sammen med netværk og realtidsadgang samt centraliseret indsamling, visning og disk registrering af dataene. I forbindelse med denne protokol strømmer LSL-systemet synkront fra CNS, det perifere nervesystem (PNS) og ANS, da personen naturligt udfører traditionelle kliniske opgaver.</li>
	</ol>
</li>
	<li>Indstil optagelse til pen-bevægelse, herunder pen tablet og bevægelses analyse software (figur 3b).<ol>
<li>Placer tegne tabletten og tavle-pc-pennen foran deltageren.</li>
		<li>Tilslut tabletten til den computer, hvorfra bevægelses analysesoftwaren skal optages.</li>
		<li>Placer et hvidt papir på tabletten og Fastgør det med et bånd. Bemærk: Forbered på forhånd papirerne til at vise en boks for at angive plads, hvor deltageren ville være at tegne i.</li>
	</ol>
</li>
	<li>Start optagelsen.<ol>
<li>Tryk på Record i LSL, motion capture software og EEG Recording software.</li>
		<li>Ved starten og slutningen af hver opgave, tidsstempel med museklik ved at trykke på tidsstempling knappen på motion capture software. Bemærk: på denne måde vil tidsstempler blive registreret i både LSL Stream-data og i motion capture-data. Dette vil sikre, at der er en back-up tidsstempel, hvis en af de tidsstempling funktioner mislykkes under optagelsen.</li>
	</ol>
</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59827/59827fig3.jpg"> Figur 3: Signalere digitalisering og synkronisering via et fælles system til behandling af Lab-Streamlag (LSL) i den centrale enhed. (A) LSL-systemet muliggør synkront medregistrering af motion (PNS), EEG (CNS), EKG (ans), stemme-og tidsstempling gennem museklik. (B) digitaliseret tablet og pen optagelse kinematik (position) af pennen spidsen, under tegning opgaver fra standardiserede kognitive tests. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig3large.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
2. eksperimentel procedure
<ol><li>Udføre opgave 1 — Benson Complex figur kopi (umiddelbar)10 (1 min).<ol>
<li>Instruer deltageren i at kopiere Benson-figuren på papiret og huske designet, fordi deltageren vil blive bedt om at tegne den igen fra hukommelsen senere. Bemærk: denne test er designet til at vurdere deltagerens Visuo-konstruktionsmæssige og visuelle hukommelsesfunktion (figur 4a).</li>
	</ol>
</li>
	<li>Udføre opgaver 2 og 3 — Trail Making test del A (3 min).<ol>
<li>Instruer deltageren i at tegne en linje mellem cirkler, der er nummereret i stigende rækkefølge. Bemærk: der er to opgaver i dette afsnit, hvor den første (opgave 2) er at fuldføre en prøve test (bestående af 8 tal), og den næste (opgave 3) er at fuldføre den egentlige test (bestående af 25 tal). Denne test var en del af hærens individuelle test batteri11, og vurderer behandlingshastighed og udøvende funktion og afhænger af Visuo og perceptuelle-scanning færdigheder (figur 4b).</li>
	</ol>
</li>
	<li>Udføre opgaver 4 og 5 — Trail Making test del B (5 min).<ol>
<li>Instruer deltageren i at tegne en linje mellem cirkler, der indeholder enten tal eller bogstaver, i stigende rækkefølge, mens du skifter mellem tal og bogstaver. F. eks. vil sekvensen være: A til 1; 1 til B; B til 2; 2 til C. Bemærk: der er to opgaver i dette afsnit, hvor den første (opgave 4) er at fuldføre en prøve test (bestående af 4 tal og 4 bogstaver), og den næste (opgave 5) er at fuldføre den egentlige test (bestående af 13 tal og 12 bogstaver). Trail Making test del B svarer til Trail Making test del A, men kræver mere kognitiv fleksibilitet som deltageren skifter fra nummer til bogstav sæt. (Figur 4b).</li>
	</ol>
</li>
	<li>Udfør opgave 6 – Clock Drawing (1 min).<ol>
<li>Instruer deltageren til at tegne et analogt ur med numrene 1 til 12 og indstille tiden til 10 sidste 11. Bemærk: denne test er en del af MoCA12 og vurderer deltagerens Visuo-konstruktionsmæssige færdigheder. (Figur 4c).</li>
	</ol>
</li>
	<li>Udfør opgave 7 — Benson Complex figur eksemplar (forsinket)10 (1 min).<ol>
<li>Instruer deltageren i at tegne Benson Complex figuren fra hukommelsen på et tomt stykke papir. Bemærk: denne test vurderer deltagerens Visuo-konstruktionsmæssige og visuelle hukommelsesfunktion. (Figur 4a).</li>
	</ol>
</li>
	<li>Udføre opgaver 8 og 9 — nummer span test (frem og tilbage)13 (10 min).<ol>
<li>Instruer deltageren i at gentage de tal, som eksperimenter læser højt.</li>
		<li>For opgave 8 (fremad) skal du instruere deltageren i at gentage tallene i samme rækkefølge og for opgave 9 (bagud) for at gentage dem i omvendt rækkefølge. For begge tests er der to forsøg pr. sekvenslængde fra 3 til 9 cifre for fremad og 2 til 8 cifre for den bagudrettede test. Fortsæt testen, indtil to talstrenge med samme længde mislykkes. Bemærk: begge tests måler kapaciteten til kortvarigt at holde oplysninger, men den bagudrettede test (opgave 9) måler også muligheden for at manipulere tallene og vende sekvensen. Som sådan, i forbindelse med denne protokol, denne opgave måler en hukommelse og en kognitiv komponent i forhold til stemmen biorytmer output.</li>
	</ol>
</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59827/59827fig4.jpg"> Figur 4: mod klinisk informerede digitale biomarkører og scorings kort: digitalisering af traditionelle kliniske tests for at muliggøre integration af kliniske kriterier og digitale biofysiske data. Prøve spor fra standardiserede kognitive tests. (A) Benson Complex tal, der gives til deltageren til at reproducere straks (i midten), eller efter en 10-minutters forsinkelse fra hukommelsen (højre). (B) spor en opgave, der involverer tal, som skal forbindes af en linje i stigende rækkefølge (øverst), og Trail B-opgave, der involverer vekslende mellem bogstaver og tal (nederst). (C) tegning af et ur med instruktioner til at indstille tiden til 10 sidste 11. For alle eksempler på spor er grå linjer udtryk for penlivernes forløb under tegnings opgaven, og blå linjer repræsenterer de faktiske pentegninger. Til analyse, vi undersøger begge typer af forløbskurver. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig4large.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
<ol start="7"><li>Udføre opgaver 10, 11 og 12 — peger (10 min).<ol>
<li>Placer et mål foran deltageren til at pege og røre.</li>
		<li>For opgave 10 (kontrol), instruere deltageren til at pege på målet 40 gange på en selv-tempo måde med den dominerende hånd.</li>
		<li>For opgave 11 (metronom), instruere deltageren til at pege på målet 40 gange på en selv-tempo måde, mens indstilling af metronomen Beat på 35 BPM i baggrunden, men ikke instruere noget om metronom beat.</li>
		<li>For opgave 12 (tempo peger), instruere deltageren til at pege på målet 40 gange i takt efter metronom Beat sat på 35 BPM. Bemærk: den peger opgave gør det muligt at adskille deltagerens bevægelse ved forsætlig (fremad bevægelse, fra det tidspunkt, hvor hånden hviler, indtil hånden når målet) og spontan (baglæns bevægelse, fra det tidspunkt, hvor hånden rører målet, indtil hånden når tilbage til sin hvileposition) segmenter, og dermed analysere de biofysiske signaler, når deltageren udøver frivillig kontrol (forsætlig bevægelse), og når deltageren udøver lidt kontrol (spontan bevægelse) (figur 5a ). Ved at introducere metronomen beats og kræver deltageren til at tempo peger på metronom beat, kan sammenligning være lavet af biofysiske signaler, når deltageren bevæger sig på en selvstændig tempo måde, og når deltageren er aktivt at kontrollere bevægelses tempo til et eksternt beat.</li>
	</ol>
</li>
	<li>Udfør opgaver 13, 14 og 15 – Walking (25 min).<ol>
<li>Instruer deltageren i at gå naturligt i 5 minutter under tre forskellige forhold.</li>
		<li>For opgave 13 (kontrol), instruere deltageren til at gå naturligt rundt i lokalet.</li>
		<li>For opgave 14 (metronom) instruere deltageren til at gå naturligt rundt i lokalet, mens du indstiller metronomen til at slå i baggrunden for 12 BPM.</li>
		<li>For opgave 15 (tempofyldt vejrtrækning), instruere deltageren til at gå naturligt rundt i lokalet, mens han/hun skridt vejrtrækning sats til metronom Beat indstillet på 12 BPM. Bemærk: ved at introducere metronomen beat kan man sammenligne de biofysiske signaler, mens deltageren bruger hele kroppen til at bevæge sig og trække vejret på en selv-tempo måde, og når deltageren aktivt kontrollerer åndedræts hastigheden (som normalt opstår automatisk), mens hele kroppen flyttes (figur 5b).</li>
	</ol>
</li>
</ol><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59827/59827fig5.jpg"> Figur 5: tredimensionale (3D) forløbskurver og deres hastighed-amplitude tidsserie output under frivillige bevægelser af overkroppen. Målstyret pege adfærd for at afprøve den frie kontrol ved hjælp af en version af den kinetiske tremor-opgave i bevægelses forstyrrelsen Society – Unified Parkinson's disease rating Scale (MDS-UPDRS). (A) deltager og avatar i siddende stilling, der udfører overdelen, målstyret pege opgave (øverst); 3D-positionelle forløbskurver fremad (til Target) og bagud (til hvileposition) bevægelse (nederst til venstre); og de tilsvarende lineære hastigheds profiler viser tidsrækken af udsving i hastigheds amplitude (m/s) og Inter-peak interval tidsindstillinger (MS), afledt af den lineære hastighed vektor flow (nederst til højre). (B) deltager og avatar i gåopgaven (øverst); 3D-positionelle forløbskurver for forskellige kropsdele (nederst til venstre) og tilsvarende hastigheds profiler (nederst til højre). <a href="https://www.jove.com/files/ftp_upload/59827/59827fig5large.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
<ol start="9"><li>Udfør opgaver 16 og 17 — ansigts video (10 min).<ol>
<li>Instruer deltageren i at sidde komfortabelt og sætte et kamera foran deltageren.</li>
		<li>For opgave 16 (kontrol), instruere deltageren til at stirre på et rum uden stimuli i 5 minutter.</li>
		<li>For opgave 17 (smil), instruere deltageren til at se en sjov video i 5 minutter. Bemærk: opsætning tager ca. 30 minutter, og hele protokollen tager cirka 60 minutter, og yderligere 10 minutter for PWP.</li>
	</ol>
</li>
</ol>

<ol>
	<li>Hawgood, S., Hook-Barnard, I. G., O'Brien, T. C., Yamamoto, K. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Precision+medicine:+Beyond+the+inflection+point.">Precision medicine: Beyond the inflection point.</a> Science Translational Medicine. 7 (300), 300ps317 (2015).</li><li>Torres, E. B., Whyatt, 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> Autism: The Movement Sensing Perspective. , (2018).</li><li>Torres, E. B., 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=Toward+Precision+Psychiatry:+Statistical+Platform+for+the+Personalized+Characterization+of+Natural+Behaviors.">Toward Precision Psychiatry: Statistical Platform for the Personalized Characterization of Natural Behaviors.</a> Frontiers in Neurology. 7, 8 (2016).</li><li>Espay, A. 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=Technology+in+Parkinson's+disease:+Challenges+and+opportunities.">Technology in Parkinson's disease: Challenges and opportunities.</a> Movement Disorders. 31 (9), 1272-1282 (2016).</li><li>Ponsen, M. M., Stoffers, D., Wolters, E. C., Booij, J., Berendse, H. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Olfactory+testing+combined+with+dopamine+transporter+imaging+as+a+method+to+detect+prodromal+Parkinson's+disease.">Olfactory testing combined with dopamine transporter imaging as a method to detect prodromal Parkinson's disease.</a> Journal of Neurology, Neurosurgery &amp; Psychiatry. 81 (4), 396-399 (2010).</li><li>Ponsen, M. M., 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=Idiopathic+hyposmia+as+a+preclinical+sign+of+Parkinson's+disease.">Idiopathic hyposmia as a preclinical sign of Parkinson's disease.</a> Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society. 56 (2), 173-181 (2004).</li><li>Oudre, L., Jakubowicz, J., Bianchi, P., Simon, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Classification+of+periodic+activities+using+the+Wasserstein+distance.">Classification of periodic activities using the Wasserstein distance.</a> IEEE Transactions on Biomedical Engineering. 59 (6), 1610-1619 (2012).</li><li>Derkinderen, P., 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=Parkinson+disease:+the+enteric+nervous+system+spills+its+guts.">Parkinson disease: the enteric nervous system spills its guts.</a> Neurology. 77 (19), 1761-1767 (2011).</li><li>Roetenberg, D., Luinge, H., Slycke, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Xsens+MVN:+Full+6DOF+human+motion+tracking+using+miniature+inertial+sensors.">Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors.</a> Xsens Motion Technologies BV, Tech. Rep. 1, (2009).</li><li>Possin, K. L., Laluz, V. R., Alcantar, O. Z., Miller, B. L., Kramer, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Distinct+neuroanatomical+substrates+and+cognitive+mechanisms+of+figure+copy+performance+in+Alzheimer's+disease+and+behavioral+variant+frontotemporal+dementia.">Distinct neuroanatomical substrates and cognitive mechanisms of figure copy performance in Alzheimer's disease and behavioral variant frontotemporal dementia.</a> Neuropsychologia. 49 (1), 43-48 (2011).</li><li>Army, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Army+individual+test+battery.">Army individual test battery.</a> Manual of Directions and Scoring. , (1944).</li><li>Nasreddine, Z. 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=The+Montreal+Cognitive+Assessment,+MoCA:+a+brief+screening+tool+for+mild+cognitive+impairment.">The Montreal Cognitive Assessment, MoCA: a brief screening tool for mild cognitive impairment.</a> Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).</li><li>Beekly, D. L., 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+National+Alzheimer's+Coordinating+Center+(NACC)+database:+the+uniform+data+set.">The National Alzheimer's Coordinating Center (NACC) database: the uniform data set.</a> Alzheimer Disease &amp; Associated Disorders. 21 (3), 249-258 (2007).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Objective Biometric Methods for the Diagnosis and Treatment of Nervous System Disorders. , (2018).</li><li>Ryu, J., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Fourth International Symposium on Movement and Computing, MOCO'17. , 1-8 (2017).</li><li>Torres, E. B., Donnellan, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Autism: The movement perspective. , (2015).</li><li>Torres, E. B., Vero, J., Rai, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Statistical+Platform+for+Individualized+Behavioral+Analyses+Using+Biophysical+Micro-Movement+Spikes.">Statistical Platform for Individualized Behavioral Analyses Using Biophysical Micro-Movement Spikes.</a> Sensors (Basel). 18 (4), (2018).</li><li>Torres, E. B., Denisova, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Motor+noise+is+rich+signal+in+autism+research+and+pharmacological+treatments.">Motor noise is rich signal in autism research and pharmacological treatments.</a> Scientific Reports. 6, (2016).</li><li>Shannon, 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+mathematical+theory+of+communication.">A mathematical theory of communication.</a> Bell System Technical Journal. 27, 379-423 (1948).</li><li>Silverstein, S. M., Wibral, M., Phillips, W. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Implications+of+information+theory+for+computational+modeling+of+schizophrenia.">Implications of information theory for computational modeling of schizophrenia.</a> Computational Psychiatry. 1, 82-101 (2017).</li><li>Jeong, J., Gore, J. C., Peterson, B. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mutual+information+analysis+of+the+EEG+in+patients+with+Alzheimer's+disease.">Mutual information analysis of the EEG in patients with Alzheimer's disease.</a> Clinical Neurophysiology. 112 (5), 827-835 (2001).</li><li>Torres, E. B., 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=Autism:+the+micro-movement+perspective.">Autism: the micro-movement perspective.</a> Frontiers in Integrative Neuroscience. 7, 32 (2013).</li><li>Von Holst, E., Mittelstaedt, H., Dodwell, P. 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> Perceptual Processing: Stimulus equivalence and pattern recognition. , 41-72 (1950).</li><li>Torres, E. B., Cole, J., Poizner, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Motor+output+variability,+deafferentation,+and+putative+deficits+in+kinesthetic+reafference+in+Parkinson's+disease.">Motor output variability, deafferentation, and putative deficits in kinesthetic reafference in Parkinson's disease.</a> Frontiers in Human Neuroscience. 8, 823 (2014).</li><li>Yanovich, P., Isenhower, R. W., Sage, J., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatial-orientation+priming+impedes+rather+than+facilitates+the+spontaneous+control+of+hand-retraction+speeds+in+patients+with+Parkinson's+disease.">Spatial-orientation priming impedes rather than facilitates the spontaneous control of hand-retraction speeds in patients with Parkinson's disease.</a> PLoS One. 8 (7), e66757 (2013).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+rates+of+change+of+the+stochastic+trajectories+of+acceleration+variability+are+a+good+predictor+of+normal+aging+and+of+the+stage+of+Parkinson's+disease.">The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease.</a> Frontiers in Integrative Neuroscience. 7, 50 (2013).</li><li>Torres, E. B., Heilman, K. M., Poizner, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Impaired+endogenously+evoked+automated+reaching+in+Parkinson's+disease.">Impaired endogenously evoked automated reaching in Parkinson's disease.</a> Journal of Neuroscience. 31 (49), 17848-17863 (2011).</li><li>Nguyen, J., Majmudar, U., Papathomas, T. V., Silverstein, S. M., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Schizophrenia:+The+micro-movements+perspective.">Schizophrenia: The micro-movements perspective.</a> Neuropsychologia. 85, 310-326 (2016).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Atypical+signatures+of+motor+variability+found+in+an+individual+with+ASD.">Atypical signatures of motor variability found in an individual with ASD.</a> Neurocase. 19 (2), 150-165 (2013).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Signatures+of+movement+variability+anticipate+hand+speed+according+to+levels+of+intent.">Signatures of movement variability anticipate hand speed according to levels of intent.</a> Behavioral Brain Functions. 9, 10 (2013).</li><li>Lai, M., Demuru, M., Hillebrand, A., Fraschini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+comparison+between+scalp-and+source-reconstructed+EEG+networks.">A comparison between scalp-and source-reconstructed EEG networks.</a> Scientific Reports. 8 (1), 12269 (2018).</li><li>Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Networks of the Brain. , (2010).</li><li>Rubinov, M., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Complex+network+measures+of+brain+connectivity:+uses+and+interpretations.">Complex network measures of brain connectivity: uses and interpretations.</a> Neuroimage. 52 (3), 1059-1069 (2010).</li><li>Kalampratsidou, V., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Peripheral+Network+Connectivity+Analyses+for+the+Real-Time+Tracking+of+Coupled+Bodies+in+Motion.">Peripheral Network Connectivity Analyses for the Real-Time Tracking of Coupled Bodies in Motion.</a> Sensors (Basel). 18 (9), 3117 (2018).</li><li>Torres, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+rates+of+change+of+the+stochastic+trajectories+of+acceleration+variability+are+a+good+predictor+of+normal+aging+and+of+the+stage+of+Parkinson's+disease.">The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease.</a> Frontiers in Integrative Neuroscience. 7 (50), (2013).</li></ol>

Forfatterne har intet at afsløre.

Dette arbejde introducerer en ny protokol, der muliggør integration af traditionelle kliniske tests med digitale data fra biofysiske signaler output fra nervesystemet, som den person udfører sådanne tests. Vi introducerer brugen af SPIBA og MMS som en samlende platform til at kombinere forskellige typer data, såsom diskrete scores, fra blyant-og papir observationsmetoder og kontinuerlige digitale data fra biofysiske sensorer. Metoderne illustreres ved hjælp af en kohorte af PWP og alders-og sexmatchede Kontroller, med en ekstra ung kontrol som den ideelle sunde reference til sammenligning. Vi viser, at traditionelle kliniske tests (f. eks. dem, der kan være en del af MoCA og MDS-UPDRS) kan anvendes til median rang af kohorten og automatisk udtrække, fra den iboende variabilitet af gruppens scores, oplysninger, der stratificerer data i den digitale efter klinisk definerede niveauer af sværhedsgrad. Sådanne niveauer justeres godt med niveauer af kliniske MDS-UPDRS og kognitiv/hukommelse test ydeevne. På et andet lag af gennemførelsen derefter, vi undersøger biorytmer af nervesystemet udnyttes fra CNS, PNS og ANS lag, således kendetegner forskellige niveauer af autonomi og kontrol. Vi leverer eksempeldata og stokastiske signaturer afledt af sådanne data, undersøgt gennem optik af de kliniske kriterier. I henhold til en sådan tilgang kan vi differentiere patienterne fra de sunde Kontroller; og gennem digitale biorytmer, differentiere inden for PWP, på deres klinisk definerede niveauer af sværhedsgrad.
Ved at tilpasse de biofysiske digitale data med de kliniske kriterier på denne måde, giver vi et fortolknings sæt af kriterier, der mere dynamisk kan spore individualiserede skift i resultater. Vi mønten disse nye resultater måler dynamiske digitale biomarkører, fordi de er baseret på digitale data, men de giver fortolkende resultater i henhold til veletablerede og validerede kliniske kriterier. De er afledt af tidsserien af nervesystemet processer, og de fanger den dynamiske karakter af en sådan. Vi er især i stand til at anvende både motor-og ikke-motoriske kriterier. Som sådan kan vi begynde at kvantificere ikke-motoriske aspekter af PD, der nu vides at gå forud for forværringen af motoriske symptomer, der konventionelt har defineret sygdommen hidtil. For eksempel kan ansigts analyser som dem, der præsenteres her, bruges til at undersøge spontane ansigts mikrobevægelser under REM-søvn for at opbygge et repertoire af dem, som kunne forudsige forringelsen af motoriske aktiviteter. Ligeledes, vi kunne bruge disse metoder til at undersøge niveauer af smerte under daglige aktiviteter og vurdere deres potentiale korrelerer med aktiviteter under REM Sleep tid. Dette er vigtigt, fordi både REM søvn og smerte dysregulering er kendt for at gå forud motoriske spørgsmål senere definere sværhedsgraden af PD5,6,7. Ved hjælp af vores digitalisering af de forskellige traditionelle kliniske opgaver, andre ikke-motoriske aktiviteter indlejret i de kliniske opgaver, der anvendes til at sonde kognitive og hukommelse evner blev karakteriseret her, og indekser af sådanne aktiviteter knyttet til motoriske symptomer. Disse metoder er modtagelig for at forbinde grundforskning og klinisk praksis i Parkinsons sygdom. De kan også udvides til andre lidelser i nervesystemet.
Udover motor udgang fra ansigtet, under REM-søvn, kan vi undersøge ansigtsbevægelser under naturlige sociale situationer inden for rammen af selv-sensing eller kinæstetisk genlyd til at måle niveauerne af fornyet feedback hjernen af patienten sandsynligvis får. Her, på trods af de meget subtile forskelle i mikro-gestus på tværs af de ansigtsområder, der svarer til trigeminus afferent regioner v1, v2, v3, det var muligt at udpege i den repræsentative deltager, hvilken region af ansigtet maksimalt skiftede stokastiske signaturer, når de skifter mellem neutrale og naturligt smilende stater. Dette antyder, at ved hjælp af SPIBA og MMS, vil vi være i stand til at evaluere andre ikke-motoriske (sensoriske) aspekter af PD relateret til vanskeligheder med sensorisk input fra kinesthetic-touch kanaler. Disse har været fundet for at være problematisk i PD, selv i de tidlige stadier af sygdommen24. Fordi sensoriske og motor går hånd i hånd, disse oplysninger kan hjælpe os med at forudsige mere indlysende motoriske problemer overflade senere i progressionaf denne lidelse1,7. Vi posit, at disse kinæstetisk kanaler langs trigeminus områder af ansigtet kan også hjælpe os dissociere forskellige typer af smerte dysregulering, herunder dem, der vedrører søvn ændringer5,6.
De nuværende metoder giver en ny måde at undersøge de biofysiske signaler opnået fra de centrale, perifere og autonome nervesystemer i tandem, under forskellige forhold, der kræver forskellige kognitive færdigheder og forskellige niveauer af autonomi og neuromotoriske kontrol. Ved hjælp af SPIBA Framework, hvor stokastiske analyser og pair-Wise netværks analyser anvendes på de standardiserede MMS-data, er det også muligt objektivt at karakterisere kognitive aktiviteter. De femten opgaver, der blev brugt i dette eksperiment kræver forskellige typer af kognitive færdigheder (f. eks Visuo-konstruktionsmæssige færdigheder, visuel hukommelse, perceptuelle-scanning færdigheder) og forskellige niveauer af kognitiv kontrol (f. eks bevidst tempo peger hastighed, tempo åndedrættet sats som anvist). Af denne grund, den stochasticitet og tilslutnings mønstre af CNS-PNS-ANS information transmission af biofysiske signaler udstillet under disse opgaver, kan bruges til at karakterisere forskellige niveauer af kognitive belastninger og deres indvirkning på motorens output.
Mens vi understreger fordelene ved vores nye analytiske metoder og protokoller, påpeger vi også forbehold og praktiske begrænsninger, der bør overvejes, når vi vedtager vores optagelses platform til synkron dataindsamling. Dette skyldes, at i denne opsætning, der er flere optagelse software typer streaming på en enkelt computer til synkronisering formål, kræver computerkraft af computeren til at være høj, ellers kunne man lide tab af data, computer frysning og/eller overskydende Støj. I det aktuelle design blev to streamingprogrammer (EEG og motion capture) og LSL kørt på en enkelt computer. Som sådan, vi var nødt til at være opmærksomme på behandling af overbelastning og mulige computer fryse. Dette var en af grundene til, at vi brugte en af EEG-kanalerne til at udtrække EKG-signalerne. Computere med højere hukommelseskapacitet og hurtigere processorer kan muligvis håndtere en separat EKG-software, der samtidig streamer med EEG-og sensor gitteret af kinematik. Disse spørgsmål er praktiske og uafhængige af de analytiske metoder (SPIBA) og standarddatatyper (MMS), som vi tilbyder. Men vi mener, at det er vigtigt at advare slutbrugeren om behovet for at vurdere beregningskraften, før du udformer protokollen for data-Co-registrering fra flere streams.
En anden advarsel vi påpege er, at de 15 opgaver, der er illustreret i protokollen er en delmængde af, hvad der kan bruges til at udvikle dynamiske digitale biomarkører. Med henblik på dette papir, vi begrænset til et par opgaver på grund af pladsbegrænsning, og valgte dem, der involverede forskellige niveauer af kontrol og kropslige bevægelse, og faktisk kan vi tilføje andre opgaver ikke er medtaget i dette papir. Vores mål er at udlede en mindre delmængde af opgaver, der ville kræve mindre tid og kræfter. Faktisk, fra vores laboratorium, peger opgaver (opgaver 10 − 12) er en række opgaver, som vi fandt at være en effektiv måde at karakterisere de stokastiske signaturer af biorytmer varierede af forskellige niveauer af frivillig kontrol og neurologiske lidelser, herunder PD 24 , 30.
De repræsentative resultater, der vises i denne undersøgelse, er en lille delmængde af, hvad der kan gøres med MMS-datasæt afledt af biosensorer bølgeformer og kameraernes bevægelses tekst ved hjælp af spiba-metoder. Til illustrerende formål undersøgte vi MMS i amplitude og fokuserede på udsving i den lineære hastigheds amplitude afledt af personens COM. COM er et resumé signal fra alle 17 krop sensorer gitter, som vi Co-registreret. Vi kunne dog udvide analyserne til andre rotations parametre og til andre kinetiske variabler (f. eks. kræfter og tryk), der genererer tidsserier af svingende parametre (f. eks. som vi gjorde med ansigts dataene). På grund af plads begrænsningen illustrerede vi også analysen af EEG-data baseret på dens oplysninger om Hovedbunds amplitude, men vi kan også anvende disse analyser på data, som stammer fra kilde rummet31. For alle former for data, kunne vi også undersøge stochasticitet af tiderne mellem toppe (i stedet for peak amplitude), som også genererer tidsserier. Andre tidsserier af parametre kan udledes af sådanne bølgeformer, og deres MMS kan bruges til at fastslå sammenhængskraft og tilslutningsmuligheder fra netværket, der blev konstrueret32,33,34. Desuden kan disse analyser også udvides til frekvens domænet34. Ud over analysen af den gensidige informationsnetværk kunne vi have fokuseret på andre topologiske elementer i netværket for at differentiere PWP og kontrol og stratificere PWP. Med henblik på dette papir fokuserer vi på nytten af disse analyser som et værktøj, men gennem denne type karakterisering, vil vi få viden til at give klinisk informerede fortolkninger af de digitale data, som disse analytiske værktøjer giver.
De nuværende metoder, der er beskrevet i denne undersøgelse, tjener til at introducere nogle af de mange mulige måder, hvorpå SPIBA og MMS kan anvendes på klinisk og digital dataintegration. Vi tilbyder denne samlende platform, standardiseret datatype og eksperimentel protokol i håb om endelig at informere digitale data om kliniske kriterier, og ligeledes tilføje mere præcision fra de digitale data til de traditionelle blyant-og-papir metoder. En sådan forbedring vil 1) muliggøre mere præcis sporing af symptom ændring i respons på behandling, 2) forbedre forståelsen af naturlig PD progression over tid, og 3) lette stratificering af PD symptom præsentation (som kan diktere unikke kliniske anbefalinger for hver under gruppe). Som sådan, vi håber at anvende disse metoder til yderligere forskning i PD, men også se nytten i klinisk anvendelse samt. Ved hjælp af kommercielle-grade enheder såsom mobiltelefoner, biofysiske data kan fås til at udføre de analyser, som vi illustreret i dette papir. I øjeblikket er der bestræbelser på at indsamle sådanne digitale data på en større skala, såsom mPower app Study fra University of Rochester (https://parkinsonmpower.org) og Kaggle. Faktisk, ved hjælp af disse åbne datalagre, vi var i stand til at stratificere PD og normale aldrende individer fra accelerometer data fra mobiltelefoner, og til automatisk at klassificere aktiviteter, der er indlejret i de kliniske tests præsenteret her 35.
Som et næste skridt sigter vi mod at indsamle flere data fra en bredere vifte af PWP-populationen og deres matchede kontrol deltagere og registrere dem på forskellige tidspunkter for at kunne udføre både en tværsnits-og longitudinel analyse ved hjælp af vores metoder. Vi forudser sådanne indsamlede digitale data ville tilbyde meget mere end summen af deres dele, og virkelig realisere de principper for præcision medicin i Neurologi og psykiatri.

Precision Medicine (PM) (figur 1) er dukket op som en kraftfuld platform til at udvikle personlige målrettede behandlinger. Inden for kræftforskning har denne model været meget vellykket, og dens grundsætninger er bundet til at revolutionere det medicinske område i den nærmeste fremtid1. PM kombinerer flere lag af viden, lige fra patienternes selv-rapporter til Genomics. Integrering af oplysninger på tværs af alle disse lag resulterer i en personlig vurdering, der muliggør fortolkning af data og mere præcise behandlings anbefalinger med henblik på at overveje alle aspekter af personens liv.
Der er flere udfordringer, når de forsøger at tilpasse PM-platformen til neuropsykiatriske og neurologiske lidelser i nervesystemet2,3, og disse udfordringer er for nylig blevet udtrykt4. Blandt disse er forskellen i de data, der er erhvervet, nemlig diskrete scores fra kliniske blyant-og-papir metoder styret af observation, og kontinuerlige biofysiske data fysisk erhvervet fra nervesystemet output (f. eks ved hjælp af biosensorer). Data fra kliniske scorer har tendens til at antage en én-størrelse-fits alle statiske model, der gennemtvinger en enkelt (teoretisk) sandsynlighedsfordeling funktion (PDF). Denne a priori antagelse er pålagt data uden ordentlig empirisk validering, fordi normative data ikke er blevet erhvervet og karakteriseret i første omgang. Som sådan er der ingen ordentlig lighed-metrisk-baserede kriterier beskriver de neurotypiske modale tilstande af de menneskelige nervesystemer, som den raske person aldre og sandsynligheder rum bruges til at kaste disse parameter variationer skift på et eller andet tidsinterval. Uden normative data og passende ligheds målinger er det ikke muligt at måle afgange fra typiske stater, da de dynamisk ændrer sig på tværs af personens liv. Det er heller ikke muligt at forudsige de sensoriske konsekvenser af de kommende ændringer.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59827/59827fig1.jpg"> Figur 1: Precision Medicine platform: udfylde kløften mellem adfærd og genomforskning at muliggøre målrettet behandling udvikling i personlig medicin oversat til neurologiske og neuropsykiatriske lidelser i nervesystemet. Precision Medicine platform til udvikling af personlige målrettede behandlinger kan oversættes til at diagnosticere og behandle neurologiske og neuropsykiatriske lidelser i nervesystemet. Men i vidennetværket, lag af adfærdsmæssige analyser behov for et paradigmeskift til at integrere nye fremspirende digitale resultater fra biofysiske data med mere traditionelle kliniske kriterier. En udfordring forude er at tilvejebringe statistisk forsvarlige metoder og nye intuitive visualiseringsværktøjer til en sådan integration og samtidig tilskynde klinikere, patienter og omsorgsgivere til at anvende digitale resultat foranstaltninger. Dette tal er blevet modificeret fra Hawgood et al.1 med tilladelse fra American Association for fremme af videnskaben. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig1large.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
Den nuværende "Grand gennemsnit" tilgang udjævninger ud som støj den enkeltes stokastiske udsving i data, dvs signal variabilitet, der manifesterer sig som den person naturligt aldre, som uorden skrider frem, og som personens nervesystem modtage og reagere på behandlinger. Manglen på normative data (dvs. vurdering af store tværsnits-og langsgående portioner af den raske befolkning) forhindrer os i at forstå den neurotypiske dynamik i sund aldring. Som sådan bliver det en udfordring at vide, hvordan man mere generelt forudse konsekvenserne af en given patologi, da patologien begynder at systemisk manifestere sig i individet. Forudsigende tilgange er afgørende for at designe regenerativ terapier og/eller neuroprotektive terapier, der forsinker den degenerative proces. Parkinsons sygdom er et godt eksempel på patologier, hvorved manifestationer af sygdommen indledes med mange andre målbare symptomer. Vi ved i dag, at de synlige motoriske lidelser var forud for mindre synlige sensoriske problemer såsom formindsket olfaktoriske funktion5,6, ændringer i tale mønstre, hurtig øjenbevægelse (REM) Sleep7, og andre ikke-motoriske symptomer relateret til driften af det enteriske nervesystem8. Ved det tidspunkt, hvor sygdommen manifesterer sig, er der allerede høj dopaminerge nedbrydning i systemet; men ikke-motoriske symptomer kunne have forudset nogle af de synlige motoriske svækkelser, hvorved sygdommen i øjeblikket primært vurderes.
Der er behov for at ændre de nuværende analytiske modeller og overveje betydningen af korrekt karakterisering af empiriske data på tværs af alle niveauer i nervesystemet, hvorved biorhythmic beslutningsforslag manifesterer sig og kan dynamisk udnyttes i form af tidsserier Co-registreret med et væld af sensorer. Motion data i sin mere generelle forstand bør ikke være begrænset til bevægelser og de lidelser, de udsender. Digitale data fra alle biorytmer i nervesystemet (inklusive ikke-bevægelses bølgeformer) tilbyder det prognosticerings potentiale, vi kan vi har brug for for at hjælpe med at forebygge eller bremse hurtig neurodegeneration. Men, som vi forstærker vores repertoire af datatyper, bør vi undgå den iboende antagelse af parametriske lineære modeller for statistisk slutning og fortolkning i øjeblikket i brug til at analysere sådanne data. Det vil være afgørende at evaluere egnetheden af sådanne lineære modeller for de typer af meget ikke-lineære problemer, som vi studerer i nervesystemet patologier underlagt stokastiske forskydninger og dynamiske ændringer. Advarsler i den nuværende antagelse-analyse pipeline sløjfer er til stede i begge datatyper, der udnyttes: dem fra de diskrete kliniske scores og dem fra de kontinuerlige digitale biofysiske bølgeformer. Mens de forbliver frakoblet, vil det være vigtigt at udforme nye rammer, der muliggør korrekt integration af begge typer data på måder, der tilpasser digitale resultater med kliniske kriterier for at lette brugen af nye digitale teknologier af patienter, omsorgsgivere og klinikere.
For at overvinde nogle af disse udfordringer har vi for nylig tilpasset PM-platformen i figur 1 for at give præcision fænotypebestemmelse til neurologiske og neuropsykiatriske tilstande3. Til det formål har vi designet en ny måde at indsamle, analysere og fortolke adfærdsmæssige data i takt med traditionelle kliniske scoring tests, der sikrer komplekse relationer mellem kognitive og motoriske fænomener. Mere præcist, vi har digitaliseret blyant-og-papir metoder. Data fra sådanne metoder alene er alt for grove til at fange vigtige oplysninger undslippe det blotte øje. Men deres anvendelse i kombination med digitale data fra biofysiske sensorer tilbyder en ny vej til at forbinde nye digitale teknologier med kliniske kriterier, der kan tilskynde klinikere til at vedtage dem i den nærmeste fremtid.
Her introducerer vi brugen af digitale data i forbindelse med kliniske vurderinger. Nemlig, som den person udfører den kliniske opgave, fx at tegne et ur i Montreal kognitiv vurdering (MoCA) test, biorytmer output af nervesystemet er co-registreret på tværs af forskellige funktionelle lag. Disse omfatter elektroencefalografi (EEG), elektro kardiografi (EKG eller EKG), stemme mønstre og kinematik fra kroppen, og kinematisk output fra håndholdte pen, som personen bruger til at trække uret på en digitaliseret tablet. Vi indsamler også video data fra ansigtet, som personen trækker, for at udføre synspunkts analyser prædiktiv for følelsesmæssige tilstande. Disse data analyseres derefter gennem optikken af en ny statistisk platform for individualiseret adfærdsmæssig analyse (SPIBA) og fortolket i henhold til de kliniske kriterier, der ligger til grund for sådanne tests. Mere specifikt anvendes de diskrete scorer til median-rang af kohorten af patienter og på denne måde stratificerer gruppen baseret på de kliniske kriterier. Vi kan derefter undersøge de kontinuerlige biofysiske data fra de således identificerede grupper, i søgen efter digitalt drevne stokastiske kriterier, der fundamentalt adskiller en delmængde af patienter fra en anden, på tværs af mere end én parametrisk dimension. Ved at undersøge de kontinuerlige biofysiske data i sig selv, i henhold til de iboende udsving for hver person i kohorten og blindet fra de kliniske kriterier, kan vi desuden søge efter selv spirende klynger inden for kohorten og sammenligne i hvilket omfang sådanne klynger kortlagt på dem, at de undertyper informeret af de kliniske kriterier afsløret.
Denne tilgang giver en ny måde at identificere parametre inden for den rigdom af biofysiske digitale data, at mest effektivt fange forskellene på tværs af undertyper og gør disse forskelle som potentielt gode kandidater til stratificere patienter med Parkinsons (PWP) i blinde, altså på tværs af en tilfældig lodtrækning fra den almindelige befolkning. Relevansen af denne metode er dobbelt. Vi kan virkelig personliggøre behandlingerne, samtidig med at vi integrerer uensartede datatyper fra biosensorer og kliniske kriterier korrekt. dvs. kontinuerlige digitale biofysiske data i form af tidsserier og diskrete kliniske resultater fra traditionelle tests.
Selv om dette er en generel tilgang, der gælder for alle lidelser i nervesystemet, vi ramme arbejdet inden for rammerne af PWP og tilbyde nye måder at gøre statistiske slutninger om de kontinuerlige digitale data Co-registreret under udførelsen af sådanne kliniske test i betragtning af det diskrete kliniske scoringssystem. Som sådan muliggør arbejdet en klinisk fortolkning af de digitale resultater, som kan anvendes i kliniske miljøer. Endelig giver vi anbefalinger til at begynde at designe nye måder at visualisere sådanne individuelle resultater at indlejre i nye apps til brugervenlighed i hjemmet og kliniske indstillinger af patienterne, plejere og det kliniske personale ens.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Enobio 32</td>
			<td>NE Neuroelectrics</td>
			<td>NE006WF</td>
			<td>wearable, wireless electrophysiology sensor system for the recording of EEG.</td>
		</tr>
		<tr>
			<td>Inking Pen</td>
			<td>Wacom</td>
			<td>KP1302</td>
			<td>tablet pen</td>
		</tr>
		<tr>
			<td>Intuos Pro</td>
			<td>Wacom</td>
			<td>PTH451</td>
			<td>pen tablet</td>
		</tr>
		<tr>
			<td>Lab Stream Layer System</td>
			<td>n/a</td>
			<td>n/a</td>
			<td>open source software to synchronize different devices</td>
		</tr>
		<tr>
			<td>Microphone</td>
			<td>Zaffiro</td>
			<td>B07BDFP6XC</td>
			<td>computer microphone</td>
		</tr>
		<tr>
			<td>MovAlyzeR</td>
			<td>Neuroscript</td>
			<td>Version 6.1.0.0.</td>
			<td>pen movement caption software</td>
		</tr>
		<tr>
			<td>MTw Awinda wireless motion tracker</td>
			<td>Xsens</td>
			<td>MTw Awinda</td>
			<td>motion capture system</td>
		</tr>
		<tr>
			<td>MVN Analyze</td>
			<td>Xsens</td>
			<td>Version 2019</td>
			<td>motion-tracking software</td>
		</tr>
		<tr>
			<td>NIC 2.0</td>
			<td>NE Neuroelectrics</td>
			<td>NE001SW2</td>
			<td>Neuroelectrics Instrument Controller (NIC) EEG streaming software</td>
		</tr>
		<tr>
			<td>OpenPose</td>
			<td>n/a</td>
			<td>n/a</td>
			<td>open source machine learning software to extract facial information</td>
		</tr>
	</tbody>
</table>

dynamic digital biomarkers of motor and cognitive function in parkinson's disease

Da Parkinsons sygdom (PD) er en heterogen lidelse, er personlig medicin virkelig nødvendig for at optimere plejen. I deres nuværende form, standard scores fra papir og blyant symptom-foranstaltninger, der traditionelt anvendes til at spore sygdomsprogression er for grove (diskret) at fange granularitet af de kliniske fænomener under overvejelse, i lyset af enorme symptom Mangfoldighed. Af denne grund, sensorer, wearables, og mobile enheder er i stigende grad indarbejdet i PD forskning og rutinemæssig pleje. Disse digitale foranstaltninger, som er mere præcise, giver data, der er mindre standardiserede og kan fortolkes, end traditionelle foranstaltninger, og de to datatyper er derfor stort set i siloer. Begge disse spørgsmål udgør hindringer for den brede kliniske anvendelse af feltets mest præcise vurderingsværktøjer. Denne protokolbehandler begge problemer. Ved hjælp af traditionelle opgaver til at måle kognition og motor kontrol, tester vi deltageren, mens Co-registrering biofysiske signaler diskret ved hjælp af wearables. Vi integrerer derefter pointene fra traditionelle papir-og blyant metoder med de digitale data, som vi løbende registrerer. Vi tilbyder en ny standardiseret datatype og samlende statistisk platform, der muliggør dynamisk sporing af ændringer i personens stokastiske signaturer under forskellige forhold, der sonde forskellige funktionelle niveauer af neuromotoriske kontrol, lige fra frivilligt til autonomisk. Protokollen og standardiseret statistisk ramme tilbyder dynamiske digitale biomarkører af fysisk og kognitiv funktion i PD, der svarer til validerede kliniske skalaer, samtidig betydeligt forbedre deres præcision.

Watch this Scientific Journal Video about Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease at JoVE.com

Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease

Dynamiske digitale biomarkører af motorisk og kognitiv funktion i Parkinsons sygdom

Denne protokol tilbyder en digitalisering af dele af traditionelle kliniske opgaver, der almindeligvis anvendes til at måle kognition og motorisk kontrol i Parkinsons sygdom. Kliniske opgaver digitaliseres, mens biofysiske rytmer er co-registreret fra forskellige funktionelle niveauer i nervesystemet, der spænder fra frivillig, spontan, automatisk til autonom.

As Parkinson&#8217;s disease (PD) is a heterogeneous disorder, personalized medicine is truly required to optimize care. In their current form, standard ...

Denne protokol kan hjælpe os stratify den heterogene Parkinsons sygdom ved kognitive og motoriske sværhedsgrad. Ved hjælp af bærbare sensorer kan vi digitalisere kliniske opgaver, der er almindeligt anvendt af læger. Ved co-registrering aktiviteter på tværs af forskellige funktionelle niveauer af nervesystemet, identificerer vi meget informative parametre for kognition, bevægelse og følelser, til at producere dynamiske digitale biomarkører for Parkinsons sygdom.Dette arbejde tilbyder en samlende ramme til at karakterisere og spore underskrifter neurologiske lidelser i en personlig måde, sammen med udviklingen af en hel kohorte, der modtager en given behandling eller terapi. Denne teknik giver en samlende statistisk platform til dynamisk at spore ændringer i signaturer af statistisk variabilitet produceret af selvgenererede biologiske aktiviteter, der spænder fra molekyler, til celler, til adfærd. Streaming af flere software kræver en masse computerhukommelse, så vi vil råde ved hjælp af computere med høj beregningskapacitet, ellers systemer kan gå ned, mens de optager.Vi bruger flere enheder til at optage hjernen, kroppen og hjertet, alt sammen i tandem, under naturlige bevægelser, så et dynamisk medie, såsom video, bedst illustrerer dette. Demonstrere procedurerne fra mit laboratorium vil være kandidatstuderende Jihye Ryu og Joseph Vero. Efter at have indhentet informeret samtykke fra deltageren, måle deltagerens krop dimensioner til at tillade oprettelsen af deres krop avatar i motion-capture system.Derefter skal du konfigurere motion-capture-systemet, herunder de sytten trådløse bevægelsessporingssensorer og bevægelsessporingssoftwaren. Placer sensorer på alle kropsdele, som angivet, og fastgør sensorerne med rembånd, så der er uhindret bevægelse. Når alle sensorerne er placeret, kalibreres deltagerens position for at oprette avataren.Hvis du vil konfigurere EEG-enheden og optagesoftwaren, skal du placere 31 kanalsensorer på tværs af hovedbunden og placere optageenheden på bagsiden af hovedet. Fastgør den sidste kanalsensor til et stik for at måle hjertesignalet, og placer sensoren på venstre side af deltagerens mave. Derefter fastgøres til referencekanalsensorer bag deltagerens venstre øre, og brug en sprøjte til at indsætte elektrodegel i sensorerne på EEG-hætten.Hvis du vil fange deltagerens stemme under evalueringerne, skal du placere en mikrofon foran deltageren og slutte mikrofonen til den computer, som laboratoriestreamlaget kører på. Dernæst for at konfigurere lab stream lag system til at synkronisere strømme af EEG, bevægelse, lyd og museklik tidsstempler, åbne lab optager app, åbne og forbinde lab stream lag apps til mus og lyd fange vinde app, og derefter åbne en in-house bygget xsense synkronisering app. I post fra stream sektion af lab optager app, tryk Update'at få en komplet liste over streaming elementer, og markér afkrydsningsfelterne for AudioCaptureWin'EEG'MouseButtons'Position'og TrackerKinematics'at forbinde lyd, EEG, museklik, og bevægelse gennem lab stream lag system.Konfigurer optagelsen til optagelse til optagelse af pennens bevægelse, herunder pennetabletten og bevægelsesanalysesoftwaren, og placer tegnetavlen og tavle-pc-pennen foran deltageren. Tilslut tabletten til den computer, hvor bevægelsesanalysesoftwaren optages, og tape et stykke hvidt papir på tabletten. Tryk derefter på post i lab stream lag, motion-capture software, og EEG optagelse software.I starten og slutningen af hver opgave skal du klikke på knappen tidsstempling på motion-capture-softwaren for at tidsstemple opgaven. Glem ikke at skrive det faktiske tidspunkt ned, når du klikker på tidsstemplingsknappen som en sikkerhedskopi, så når du ser på dataene senere, kan du identificere opgaven fra tidsstemplerene. For en umiddelbar Benson kompleks figur kopi, instruere deltageren til at kopiere Benson figur på papiret, og at huske designet, fordi de vil blive bedt om at trække design igen fra hukommelsen senere.I forbindelse med del A i en trail-making-test skal du bede deltageren om at tegne en linje mellem cirkler, der er nummereret i stigende rækkefølge. Hvis du vil udføre del B i trail-making-testen, skal du instruere om at tegne en linje mellem cirkler, der indeholder enten tal eller bogstaver i stigende rækkefølge, mens du skifter mellem tal og bogstaver. For en urtegning opgave, instruere deltageren til at tegne et analogt ur med tallene en til tolv, og at indstille tiden til ti forbi elleve.For at foretage en forsinket Benson kompleks figur kopi, instruere deltageren til at trække Benson kompleks figur fra hukommelsen på et tomt stykke papir. Hvis du vil udføre en blæsertest for fremadrettede numre, skal du bede deltageren om at gentage de tal, som eksperimentatoren læser højt i samme rækkefølge. For en blæsertest for bagudrettede numre skal du bede deltageren om at gentage de tal, som eksperimentatoren læser højt i omvendt rækkefølge.For en pegeopgave skal du placere et mål foran deltageren for at pege og røre og instruere deltageren i at pege på målet 40 gange i dit eget tempo med den dominerende hånd. For en metronom peger opgave, instruere deltageren til at pege på målet fyrre gange på en tempofyldt måde, mens du indstiller en metronom til at slå på femogtredyrlige slag i minuttet i baggrunden, men ikke instruere noget om metronom beat. For en tempo peger opgave, instruere deltageren til at pege på målet fyrre gange efter tempoet i metronomen slå sat til femogtrede slag i minuttet.For at udføre en gangopgave skal du først instruere deltageren i at gå naturligt rundt i lokalet i fem minutter. Derefter instruere deltageren til at gå naturligt rundt i lokalet, mens du indstiller metronomen til at slå i baggrunden i tolv slag i minuttet. Derefter instruere deltageren til at gå naturligt rundt i lokalet, mens pacing deres vejrtrækning sats til metronomen beat sat til tolv slag i minuttet.For en ansigtsvideo skal du først instruere deltageren i at sidde komfortabelt og indstille et kamera foran deltageren. Til kontrolvurderingen skal deltageren instrueres i at stirre på et rum uden stimuli i fem minutter. For smil vurdering, instruere deltageren til at se en sjov video i fem minutter.I hver af de tegning opgaver, patienterne i denne repræsentative undersøgelse stratificeret bortset fra de kontroller, differentiere deres individuelle stokastiske underskrifter af motorvariation i henhold til Movement Disorder Society forenet Parkinsons sygdom ratings skala medium rangeret score. En opgave med at pege på en spacial mål udføres for at vurdere de forskellige niveauer af viljesbestemt kontrol, og dette tal illustrerer nedbrydningen af centrum af masse bane som deltageren sværhedsgraden af lidelsen stiger. Ved hjælp af denne analyse, er det muligt at skelne hver undertype af patienten med Parkinsons sygdom, og at spore ændringer i patientens stokastiske signaturer fra baseline til metronom-associerede peger opgaver af både spontane og uinstruerede og bevidst og instrueret tilfælde.I en automatisk walking evaluering, centrum for masse baner for kontrol og patienter med Parkinsons sygdom, som medium-rangeret af Movement Disorders Society forenet Parkinsons sygdom ratings skala score kan opnås. Stokastisk analyse af gangopgaven kan derefter udføres, for hvilke der kan foretages differentiering mellem patienter og kontroller, og blandt patienter med forskellige sværhedsgrader af sygdommen. Åben positur software kan bruges til at fastslå områder af ansigtet, der er mest aktive under en given opgave, og at sonde det følelsesmæssige indhold ved at fastslå området overgange på tværs af følelser under opgaver.Integration af digitale biofysiske signaler for EEG, magnotometer bevægelse, og EKG, ved hjælp af in oplysningsmæssige teoretiske målinger og netværksforbindelse analyser, er det muligt at skelne mellem patienter og kontroller, og blandt patienter med forskellig sværhedsgrad, ved at undersøge tætheden af netværket. Ved hjælp af de digitaliserede data i hjernen en krop signaler, kan vi anvende en række analyser, herunder krydskorrelation og cross-coherency at karakterisere interaktivitet mellem forskellige former for biosignaler. Vores laboratorium har udvidet disse metoder til at karakterisere andre neurologiske og adfærdsmæssige lidelser, såsom smerte, og at studere legemliggjort kognition, og alle disse adresse forskellige spørgsmål.

Research

JoVE Journal

Behavior

Assessment of Sensorimotor Function in Mouse Models of Parkinson's Disease

Vurdering af sensorimotorisk Funktion i musemodeller af Parkinsons sygdom

Sensitive and  reliable behavioral outcome measures are essential to the evaluation of  potential therapeutic treatments in preclinical trials for many  ...

Methods to Explore the Influence of Top-down Visual Processes on Motor Behavior

Metoder til at udforske Indflydelse af Top-down Visual processer på motorisk adfærd

Kinesthetic awareness is important to successfully navigate the environment. When we interact with our daily surroundings, some aspects of movement are ...

Community-based Adapted Tango Dancing for Individuals with Parkinson's Disease and Older Adults

EU-baserede Tilpasset Tango Dans for Personer med Parkinsons sygdom og ældre voksne

Adapted tango dancing improves mobility and balance in older adults and additional populations with balance impairments. It is composed of very simple ...

Non-Invasive Electrical Brain Stimulation Montages for Modulation of Human Motor Function

Ikke-invasiv elektrisk Brain Stimulation montager for Modulation of Human Motor Function

Non-invasive electrical brain stimulation (NEBS) is used to modulate brain function and behavior, both for research and clinical purposes. In particular, ...

The "Motor" in Implicit Motor Sequence Learning: A Foot-stepping Serial Reaction Time Task

"Motor" i implicitte Motor sekvens læring: en mund-stepping seriel reaktion tid opgave

This protocol describes a modified serial reaction time (SRT) task used to study implicit motor sequence learning. Unlike the classic SRT task that ...

A Novel Single Animal Motor Function Tracking System Using Simple, Readily Available Software

En roman enkelt dyr motorik Tracking System ved hjælp af enkle, let tilgængelige Software

We have recently demonstrated that implanting intracortical microelectrodes in the motor corteces of rats&#160;results in immediate and lasting motor ...

Automated, Long-term Behavioral Assay for Cognitive Functions in Multiple Genetic Models of Alzheimer's Disease, Using IntelliCage

Automatiseret, langsigtede adfærdsmæssige Assay for kognitive funktioner i flere genetiske modeller af Alzheimers sygdom, ved hjælp af IntelliCage

Multiple factors&#8212;such as aging and genes&#8212;are frequently associated with cognitive decline. Genetically modified mouse models of cognitive ...

A Networked Desktop Virtual Reality Setup for Decision Science and Navigation Experiments with Multiple Participants

En netværksbaseret Desktop Virtual Reality Setup for beslutning videnskab og Navigation eksperimenter med flere deltagere

Investigating the interactions among multiple participants is a challenge for researchers from various disciplines, including the decision sciences and ...

Virtual Reality Experiments with Physiological Measures

Virtual Reality eksperimenter med fysiologiske foranstaltninger

Virtual reality (VR) experiments are increasingly employed because of their internal and external validity compared to real-world observation and ...

Behavioral Assessments of Spontaneous Locomotion in a Murine MPTP-induced Parkinson's Disease Model

Adfærdsmæssige vurderinger af spontan bevægelse i en Murine MPTP-induceret Parkinsons sygdom Model

Parkinson&#8217;s disease (PD) is a common neurodegenerative disorder disease, causing the phenomenon of shaking, rigidity, slowness of movement and ...