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

Cette recherche est financée en partie par le Rutgers Discovery Informatics Institute to JR, le Rutgers University TechAdvance Funds to EBT et JV, le New Jersey Governor's Council for the Research and Treatments of Autism to EBT et la Michael J Fox Foundation to RD.

Toutes les méthodes décrites ici ont été approuvées par la Commission d'examen institutionnel de l'Université Rutgers.
1. Participants et système d'acquisition mis en place
<ol><li>Obtenir le consentement éclairé des participants. REMARQUE : Les participants devraient soit recevoir un diagnostic de maladie de Parkinson, soit ne pas recevoir de trouble neurologique pour être des participants à un contrôle sain. Les participants en bonne santé doivent être âgés et égaux aux participants patients. Tous les participants doivent avoir la mobilité de marcher en permanence pendant 5 minutes.</li>
	<li>Mesurer la dimension corporelle du participant (hauteur du corps, longueur du pied, travée de bras, hauteur de la cheville, hauteur de la hanche, largeur de la hanche, hauteur du genou, largeur des épaules, hauteur des épaules; Figure 2A) pour créer plus tard son avatar corporel dans le système de capture de mouvement. REMARQUE : Ces informations sont utilisées dans le système de capture de mouvement pour enregistrer avec précision les données de position du corps du participant.</li>
	<li>Configurez le système de capture de mouvement, y compris les 17 capteurs de suivi de mouvement sans fil et le logiciel de suivi des mouvements.<ol>
<li>Placer les capteurs sur les parties du corps suivantes : tête, sternum, bassin, épaule droite, bras supérieur droit, bras inférieur droit, main droite, épaule gauche, bras supérieur gauche, bras inférieur gauche, main gauche, jambe supérieure droite, jambe inférieure droite, pied droit, jambe supérieure gauche, jambe inférieure gauche, jambe inférieure gauche, jambe inférieure gauche, jambe gauche inférieure, gauche de la jambe inférieure, gauche pied(figure 2B). Sécurisez ces capteurs avec des bandes de courroie pour permettre un mouvement discret.</li>
		<li>Une fois que tous les capteurs sont placés à des endroits appropriés, calibrer la position du participant pour créer son avatar. REMARQUE: Les détails sur la méthode d'étalonnage peuvent être trouvés dans Roetenberg et al.9.</li>
	</ol>
</li>
	<li>Configurez un appareil EEG et un logiciel d'enregistrement EEG.<ol>
<li>Placez 31 capteurs sur le cuir chevelu et le dispositif d'enregistrement à l'arrière de la tête du participant. Placez les capteurs de canal aux emplacements suivants : 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 Figure (2C).</li>
		<li>Fixez le capteur de canal restant (Oz) à un connecteur pour mesurer le signal cardiaque, en positionnant ce capteur connecté sur l'estomac gauche du participant (Figure 2C).</li>
		<li>Attachez deux capteurs de canal de référence derrière l'oreille gauche du participant, puis insérez du gel d'électrode dans les capteurs du bouchon EEG à l'aide d'une seringue (Figure 2C).</li>
		<li>Une fois terminé, commencez à diffuser les activités électriques sur le logiciel d'enregistrement pendant quelques minutes jusqu'à ce qu'il se stabilise. REMARQUE : La figure 2D montre des traces d'échantillons provenant des signaux de l'EEG exploités par le système nerveux central (SNC) et le système nerveux autonome (ANS).</li>
	</ol>
</li>
	<li>Configurez le microphone pour capturer la voix du participant. Placez le microphone devant le participant et connectez-le à l'ordinateur où la couche de flux de laboratoire (LSL) s'exécutera (voir LSL ci-dessous) (Figure 2E).</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59827/59827fig2.jpg"> Figure 2 : Mettre en place pour numériser les tests cliniques traditionnels, tout en intégrant plusieurs formes d'ondes à partir de biocapteurs portables sans fil discrets. (A) Mise en place pour les tâches de dessin: patient réel portant des capteurs portables discrets et avatar rendu en temps réel à partir de la cinématique en cours de collecte. (B) Emplacements des capteurs d'un ensemble de capteurs de mouvement petits et légers (60 Hz), à partir desquels les données de mouvement sont co-enregistrées de façon synchrone à travers le corps. (C) Carte eEG et emplacement de référence. (D) Échantillon de formes d'ondes EEG des 31 fils et signal cardiaque extrait s'il s'agit du plomb Oz. (E) Exemple de forme d'onde de la voix du participant lors d'une tâche de comptage. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig2large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de ce chiffre.</a>
<ol start="6"><li>Configurez le système LSL pour synchroniser les flux d'EEG, de mouvement et de signaux audio, ainsi que des horodateurs de clics de souris (Figure 3A).<ol>
<li>Ouvrez l'application Lab Recorder.</li>
		<li>Ouvrez les applications LSL pour la souris et l'application de synchronisation Xsens intégrée en interne et liez-les à l'application Lab Recorder en cochant les cases Boutons de souris et Tracker Kinematics dans la section Enregistrement des flux. REMARQUE : L'application Souris sera utilisée pour les événements d'horodatage pendant l'expérience.</li>
		<li>Lier l'EEG, le mouvement et les flux audio à l'application Lab Recorder en cochant les cases AudioCaptureWin, LSL-EEG, Position dans la section Enregistrement des flux. REMARQUE : Le système LSL permet une collection unifiée de séries chronologiques de mesure dans le cadre d'expériences de recherche qui traitent la synchronisation du temps, ainsi que la mise en réseau et l'accès en temps réel, ainsi que la collecte centralisée, l'affichage et l'enregistrement des disques des données. Dans le cadre de ce protocole, le système LSL s'écoule de façon synchrone à partir du SNC, du système nerveux périphérique (SNN) et de l'ANS, car la personne effectue naturellement des tâches cliniques traditionnelles.</li>
	</ol>
</li>
	<li>Configurer l'enregistrement pour le mouvement du stylet, y compris la tablette de stylo et le logiciel d'analyse de mouvement (Figure 3B).<ol>
<li>Placez la tablette de dessin et le stylo tablette devant le participant.</li>
		<li>Connectez la tablette à l'ordinateur à partir duquel le logiciel d'analyse de mouvement sera l'enregistrement.</li>
		<li>Placer un papier blanc sur la tablette et fixer avec une bande. REMARQUE : Préparez à l'avance les papiers pour afficher une boîte pour indiquer l'espace où le participant s'insinerait.</li>
	</ol>
</li>
	<li>Commencez à enregistrer.<ol>
<li>Enregistrement de presse dans LSL, logiciel de capture de mouvement, et logiciel d'enregistrement D'EEG.</li>
		<li>Au début et à la fin de chaque tâche, timestamp avec des clics de souris en appuyant sur le bouton d'horodatage sur le logiciel de capture de mouvement. REMARQUE : De cette façon, les horodateurs seront enregistrés à la fois dans les données du flux LSL et dans les données de capture de mouvement. Cela permettra de s'assurer qu'il ya un horodatage de sauvegarder, au cas où l'une des fonctions d'horodatage échoue lors de l'enregistrement.</li>
	</ol>
</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59827/59827fig3.jpg"> Figure 3 : Numérisation et synchronisation des signaux par l'intermédiaire du système De la couche de flux de laboratoire (LSL) d'une unité centrale commune. (A) Système LSL permet de co-enregistrement synchrone du mouvement (PNS), EEG (CNS), ECG (ANS), voix et horodatage par clics de souris. (B) Comprimé numérisé et stylo enregistrant la cinématique (position) de la pointe du stylo, pendant le dessin des tâches des tests cognitifs normalisés. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig3large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de ce chiffre.</a>
2. Procédure expérimentale
<ol><li>Tâche de conduite 1 — Benson Complex Figure Copy (Immediate)10 (1 min).<ol>
<li>Demandez au participant de copier la figure de Benson sur le papier, et de se souvenir de la conception parce que le participant sera invité à le dessiner à nouveau de la mémoire plus tard. REMARQUE : Ce test est conçu pour évaluer la fonction visuo-constructionet et visuelle du participant (figure 4A).</li>
	</ol>
</li>
	<li>Effectuer des tâches 2 et 3 — Trail Making Test Part A (3 min).<ol>
<li>Demandez au participant de tracer une ligne entre les cercles numérotés dans l'ordre croissant. REMARQUE : Il y a deux tâches dans cette section, où la première (tâche 2) consiste à effectuer un test d'échantillon (composé de 8 numéros), et la suivante (tâche 3) est de compléter le test réel (composé de 25 numéros). Ce test était une composante de la batterie d'essai individuelle de l'Armée de terre11, et évalue la vitesse de traitement et la fonction exécutive et dépend des compétences visuomotrices et perceptuelles-scanning (Figure 4B).</li>
	</ol>
</li>
	<li>Effectuer les tâches 4 et 5 — Trail Making Test Part B (5 min).<ol>
<li>Demandez au participant de tracer une ligne entre les cercles qui contiennent des nombres ou des lettres, dans l'ordre croissant, tout en alternant entre les nombres et les lettres. Par exemple, la séquence serait : A à 1 ; 1 à B; B à 2; 2 à C. REMARQUE : Il y a deux tâches dans cette section, où la première (tâche 4) consiste à effectuer un exemple de test (composé de 4 nombres et 4 lettres), et la suivante (tâche 5) est de compléter le test réel (composé de 13 nombres et 12 lettres). Trail Making Test Partie B est similaire à Trail Making Test Partie A, mais nécessite plus de flexibilité cognitive que le participant passe de nombre à l'ensemble de lettres. (Figure 4B).</li>
	</ol>
</li>
	<li>Tâche de conduite 6 — Dessin d'horloge (1 min).<ol>
<li>Demandez au participant de dessiner une horloge analogique avec des nombres 1 à 12 et fixez le temps à 10 passé 11. REMARQUE : Ce test fait partie du MoCA12 et évalue les compétences visuo-constructional du participant. (Figure 4C).</li>
	</ol>
</li>
	<li>Tâche de conduite 7 — Benson Complex Figure Copy (retardé)10 (1 min).<ol>
<li>Demandez au participant de dessiner la figure du complexe Benson de mémoire sur un morceau de papier vierge. REMARQUE : Ce test évalue la fonction visuo-constructionnelle et visuelle du participant. (Figure 4A).</li>
	</ol>
</li>
	<li>Effectuer des tâches 8 et 9 — Test d'envergure numérique (avant et arrière)13 (10 min).<ol>
<li>Demandez au participant de répéter les nombres que l'expérimentateur lit à haute voix.</li>
		<li>Pour la tâche 8 (en avant), demandez au participant de répéter les nombres dans le même ordre, et pour la tâche 9 (en arrière), de les répéter dans l'ordre inverse. Pour les deux tests, il y a deux essais par séquence allant de 3 à 9 chiffres pour l'avant, et 2 à 8 chiffres pour le test vers l'arrière. Continuer les tests jusqu'à ce que deux chaînes de nombre s'échouent. REMARQUE : Les deux tests mesurent la capacité de tenir brièvement l'information, mais le test en arrière (tâche 9) mesure également la capacité de manipuler les nombres et d'inverser la séquence. En tant que tel, dans le contexte du protocole actuel, cette tâche mesure une mémoire et une composante cognitive par rapport à la sortie des biorythmes vocaux.</li>
	</ol>
</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59827/59827fig4.jpg"> Figure 4 : Vers des biomarqueurs numériques cliniquement informés et des cartes de notation : Numérisation des tests cliniques traditionnels pour permettre l'intégration des critères cliniques et des données biophysiques numériques. Échantillondez des traces de tests cognitifs normalisés. (A) Figure complexe Benson fournie au participant pour reproduire immédiatement (au centre), ou après un retard de 10 minutes de mémoire (à droite). (B) Sentier Une tâche impliquant des nombres à connecter par une ligne dans un ordre ascendant (en haut), et la tâche du sentier B impliquant l'alternance entre les lettres et les nombres (en bas). (C) Dessin d'une horloge avec des instructions pour régler le temps à 10 passé 11. Pour toutes les traces d'échantillon, les lignes grises représentent la trajectoire des ascenseurs de stylo pendant la tâche de dessin, et les lignes bleues représentent les dessins réels de stylo. Pour l'analyse, nous examinons les deux types de trajectoires. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig4large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de ce chiffre.</a>
<ol start="7"><li>Effectuer des tâches 10, 11 et 12 — Pointage (10 min).<ol>
<li>Placez une cible devant le participant pour pointer et toucher.</li>
		<li>Pour la tâche 10 (contrôle), demandez au participant de pointer la cible 40 fois à une manière auto-trépidante avec la main dominante.</li>
		<li>Pour la tâche 11 (métronome), demandez au participant de pointer la cible 40 fois de façon autonome, tout en fixant le rythme du métronome à 35 bpm en arrière-plan, mais n'enseignez rien sur le rythme du métronome.</li>
		<li>Pour la tâche 12 (pointage rythmé), demandez au participant de pointer la cible 40 fois au rythme suivant le rythme du métronome fixé à 35 bpm. REMARQUE : La tâche de pointage permet de séparer le mouvement du participant par un mouvement délibéré (mouvement vers l'avant, à partir du moment où la main se repose jusqu'à ce que la main atteigne la cible) et spontané (mouvement vers l'arrière, à partir du moment où la main touche la cible jusqu'à la la main remonte à sa position de repos) segments, analysant ainsi les signaux biophysiques lorsque le participant exerce un contrôle volontaire (mouvement délibéré), et lorsque le participant exerce peu de contrôle (mouvement spontané) (figure5A ). En introduisant les battements de métronome et en exigeant du participant qu'il rythme le pointage vers le rythme du métronome, on peut comparer les signaux biophysiques lorsque le participant se déplace de façon autonome et lorsque le participant contrôle activement le rythme de mouvement à un rythme extérieur.</li>
	</ol>
</li>
	<li>Effectuer des tâches 13, 14 et 15 — Marche (25 min).<ol>
<li>Demandez au participant de marcher naturellement pendant 5 minutes dans trois conditions différentes.</li>
		<li>Pour la tâche 13 (contrôle), demandez au participant de marcher naturellement autour de la pièce.</li>
		<li>Pour la tâche 14 (métronome), demandez au participant de marcher naturellement autour de la salle tout en plaçant le métronome à battre en arrière-plan pour 12 bpm.</li>
		<li>Pour la tâche 15 (respiration rythmée), demandez au participant de marcher naturellement dans la pièce pendant qu'il rythme le rythme respiratoire du rythme métronome fixé à 12 bpm. REMARQUE : En introduisant le rythme du métronome, on peut comparer les signaux biophysiques pendant que le participant utilise tout le corps pour se déplacer et respirer de façon autonome, et lorsque le participant contrôle activement le rythme respiratoire (qui habituellement se produit automatiquement) lors du déplacement de l'ensemble du corps (Figure 5B).</li>
	</ol>
</li>
</ol><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59827/59827fig5.jpg"> Figure 5 : Tridimensionnelle (3D) trajectoires et leur sortie de série de temps d'amplitude de vitesse pendant les mouvements volontaires du haut du corps. Comportement de pointage orienté vers l'objectif pour sonder le contrôle volontaire à l'aide d'une version de la tâche de tremblement cinétique de la Société des troubles du mouvement - Unified Parkinson's Disease Rating Scale (MDS-UPDRS). (A) Participant et avatar en position assise exécutant le haut du corps, tâche de pointage orientée vers l'objectif (en haut); trajectoires positionnelles 3D du mouvement vers l'avant (à la cible) et vers l'arrière (à la position de repos) (en bas à gauche); et les profils de vitesse linéaires correspondants montrant la série temporelle de fluctuations de l'amplitude de vitesse (m/s) et des horaires d'intervalle inter-pics (ms), dérivés du flux vectoriel de vitesse linéaire (en bas à droite). (B) Participant et avatar dans la tâche de marche (en haut); Trajectoires positionnelle 3D de différentes parties du corps (en bas à gauche) et profils de vitesse correspondants (en bas à droite). <a href="https://www.jove.com/files/ftp_upload/59827/59827fig5large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de ce chiffre.</a>
<ol start="9"><li>Effectuer des tâches 16 et 17 — Face Video (10 min).<ol>
<li>Demandez au participant de s'asseoir confortablement et installez une caméra devant le participant.</li>
		<li>Pour la tâche 16 (contrôle), demandez au participant de regarder un espace sans aucun stimulus pendant 5 minutes.</li>
		<li>Pour la tâche 17 (sourire), demandez au participant de regarder une vidéo drôle pendant 5 minutes. REMARQUE : La mise en place prend environ 30 minutes, et l'ensemble du protocole prend environ 60 minutes, et 10 minutes supplémentaires pour 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>

Les auteurs n'ont rien à révéler.

Ce travail introduit un nouveau protocole qui permet l'intégration des tests cliniques traditionnels avec les données numériques provenant de la production de signaux biophysiques par les systèmes nerveux que la personne effectue de tels tests. Nous introduisons l'utilisation de SPIBA et du MMS comme plate-forme unificatrice pour combiner des types disparates de données telles que des scores discrets provenant de méthodes d'observation au crayon et au papier et des données numériques continues provenant de capteurs biophysiques. Les méthodes sont illustrées à l'aide d'une cohorte de PWP et de contrôles correspondant à l'âge et au sexe, avec un contrôle supplémentaire pour les jeunes comme référence saine idéale pour la comparaison. Nous montrons que les tests cliniques traditionnels (p. ex., ceux qui peuvent faire partie du MoCA et du MDS-UPDRS) peuvent être utilisés pour classer la cohorte et extraire automatiquement, à partir de la variabilité inhérente des scores du groupe, des informations qui stratifient les données dans le royaume selon les niveaux cliniquement définis de sévérité. Ces niveaux s'alignent bien avec les niveaux de MDS-UPDRS clinique et les performances cognitives/mémoire de test. À une autre couche de mise en œuvre, nous examinons alors les biorythmes des systèmes nerveux exploités à partir du SNC, du PNS et des couches ANS, caractérisant ainsi différents niveaux d'autonomie et de contrôle. Nous fournissons des données d'échantillon et des signatures stochastiques dérivées de ces données, examinées par l'optique des critères cliniques. Dans une telle approche, nous pouvons différencier les patients des contrôles sains ; et par les biorythmes numériques, différencient au sein du PWP, selon leurs niveaux de gravité cliniquement définis.
En alignant les données numériques biophysiques avec les critères cliniques de cette façon, nous fournissons un ensemble interprétable de critères qui peuvent suivre plus dynamiquement les changements individualisés dans les résultats. Nous reprenons ces nouvelles mesures de résultats dynamiques biomarqueurs numériques, parce qu'ils sont basés sur des données numériques, mais ils fournissent des résultats interprétables selon des critères cliniques bien établis et validés. Ils sont dérivés de la série chronologique des processus du système nerveux, et ils capturent la nature dynamique de ces. En particulier, nous sommes en mesure d'utiliser à la fois des critères moteurs et non moteurs. En tant que tel, nous pouvons commencer à quantifier les aspects non-moteurs de la qui sont maintenant connus pour précéder la détérioration des symptômes moteurs qui ont traditionnellement défini le trouble jusqu'à présent. Par exemple, des analyses faciales telles que celles présentées ici pourraient être utilisées pour examiner les micro-gestes spontanés du visage pendant le sommeil paradoxal afin de construire un répertoire de ceux qui pourraient prévoir la détérioration des activités motrices. De même, nous pourrions utiliser ces méthodes pour examiner les niveaux de douleur pendant les activités quotidiennes et évaluer leur potentiel est en corrélation avec les activités pendant le temps de sommeil paradoxal. Ceci est important, parce que le sommeil paradoxal et la dysrégulation de la douleur sont connus pour précéder les problèmes moteurs plus tard définir le niveau de gravité de La DP5,6,7. Utilisant notre numérisation des diverses tâches cliniques traditionnelles, d'autres activités non-motrices incorporées dans les tâches cliniques utilisées pour sonder les capacités cognitives et de mémoire ont été caractérisées ici, et des index de ces activités cartographiés aux symptômes moteurs. Ces méthodes sont susceptibles de relier la recherche fondamentale et les pratiques cliniques dans la maladie de Parkinson. Ils peuvent également être étendus à d'autres troubles du système nerveux.
Outre la sortie motrice du visage, pendant le sommeil paradoxal, nous pouvons examiner les gestes faciaux pendant les situations sociales naturelles dans le cadre de l'auto-détection ou la réafference kinesthésique pour évaluer les niveaux de rétroaction réafferent le cerveau du patient obtient le plus probablement. Ici, malgré les différences très subtiles dans les micro-gestes à travers les zones faciales correspondant aux régions afferenelles trigéninales V1, V2, V3, il était possible de repérer dans le participant représentatif, quelle région du visage a décalé au maximum le signatures stochastiques lors de la transition entre des états neutres et naturellement souriants. Ceci suggère que l'utilisation du SPIBA et du MMS, nous serons en mesure d'évaluer d'autres aspects non moteurs (sensoriels) de la MP liés aux difficultés avec l'entrée sensorielle des canaux kinesthésiques-touch. Ceux-ci se sont avérés problématiques dans La DP, même pendant les premiers stades du désordre24. Parce que sensoriel et moteur vont de pair, cette information pourrait nous aider à prévoir des problèmes moteurs plus évidents surgissant plus tard dans la progression de ce trouble1,7. Nous postulons que ces canaux kinesthésiques le long des zones trigéminales du visage peuvent également nous aider à dissocier différents types de dysrégulation de la douleur, y compris ceux liés aux altérations du sommeil5,6.
Les méthodes actuelles fournissent une nouvelle façon d'examiner les signaux biophysiques obtenus à partir des systèmes nerveux central, périphérique et autonome en tandem, dans des conditions différentes nécessitant différentes compétences cognitives et différents niveaux d'autonomie et contrôle neuromoteur. En utilisant le cadre SPIBA, où des analyses stochastiques et des analyses de réseau paire-sage sont appliquées sur les données MMS normalisées, il est également possible de caractériser objectivement les activités cognitives. Les quinze tâches qui ont été utilisées dans cette expérience exigent différents types de compétences cognitives (p. ex., compétences visuo-constructionnelles, mémoire visuelle, compétences de balayage perceptuel) et différents niveaux de contrôle cognitif (p. ex., rythmer délibérément le pointage vitesse, le rythme de la respiration comme indiqué). Pour cette raison, la stochasticité et les modèles de connectivité de la transmission d'information CNS-PNS-ANS des signaux biophysiques exposés au cours de ces tâches, peuvent être utilisés pour caractériser différents niveaux de charges cognitives et leur impact sur la production motrice.
Bien que nous soulignions les avantages de nos nouvelles méthodes et protocoles d'analyse, nous soulignons également les mises en garde et les limites pratiques qui devraient être prises en considération lors de l'adoption de notre plate-forme d'enregistrement pour la collecte de données synchrones. C'est parce que dans cette configuration, il existe plusieurs types de logiciels d'enregistrement en streaming sur un seul ordinateur à des fins de synchronisation, nécessitant la puissance de calcul de l'ordinateur pour être élevé, ou bien on pourrait encourir la perte de données, le gel de l'ordinateur et / ou l'excès bruit. Dans la conception actuelle, deux logiciels de streaming (EEG, et la capture de mouvement) et LSL ont été exécutés sur un seul ordinateur. En tant que tel, nous avons dû être conscients de la surcharge de traitement et le gel possible de l'ordinateur. C'est l'une des raisons pour lesquelles nous avons utilisé l'un des canaux EEG pour extraire les signaux ECG. Les ordinateurs avec une capacité de mémoire plus élevée et des processeurs plus rapides peuvent être en mesure de gérer un logiciel ECG séparé simultanément en streaming avec l'EEG et la grille de capteurs de la cinématique. Ces questions sont de nature pratique et indépendantes des méthodes analytiques (SPIBA) et des types de données standard (MMS) que nous offrons. Pourtant, nous croyons qu'il est important d'alerter l'utilisateur final de la nécessité d'évaluer la puissance de calcul avant de concevoir le protocole de co-enregistrement des données à partir de plusieurs flux.
Une autre mise en garde que nous soulignons est que, les 15 tâches illustrées dans le protocole sont un sous-ensemble de ce qui peut être utilisé pour développer des biomarqueurs numériques dynamiques. Aux fins du présent document, nous nous sommes limités à quelques tâches en raison de la contrainte de l'espace, et avons choisi ceux qui impliquaient différents niveaux de contrôle et de mouvement corporel, et en effet nous pouvons ajouter d'autres tâches non incluses dans ce document. Notre objectif est de tirer un sous-ensemble plus petit de tâches qui exigeraient moins de temps et d'efforts. En fait, à partir de notre laboratoire, les tâches de pointage (tâches 10 à 12) sont un ensemble de tâches que nous avons trouvées comme un moyen efficace et efficace de caractériser les signatures stochastiques des biorythmes variées par différents niveaux de contrôle volontaire et de troubles neurologiques, y compris la DP. 24 Ans, états-unis , 30.
Les résultats représentatifs présentés dans cette étude sont un petit sous-ensemble de ce qui peut être fait avec les ensembles de données MMS dérivés des formes d'ondes biocapteurs et de la légende de mouvement des caméras, à l'aide des méthodes SPIBA. À des fins d'illustration, nous avons examiné le MMS en amplitude et nous nous sommes concentrés sur les fluctuations de l'amplitude linéaire de vitesse dérivée du COM de la personne. Le COM est un signal sommaire de la grille des 17 capteurs corporels que nous avons co-enregistré. Cependant, nous pourrions étendre les analyses à d'autres paramètres de rotation et à d'autres variables cinétiques (p. ex., forces et pression) qui génèrent des séries chronologiques de paramètres fluctuants (p. ex., comme nous l'avons fait avec les données de visage). En outre, en raison de la contrainte d'espace, nous avons seulement illustré l'analyse des données d'EEG basées sur ses informations d'amplitude de cuir chevelu, mais nous pouvons également appliquer ces analyses aux données dérivées de l'espace source31. Pour tous les modes de données, nous pourrions également examiner la stochasticité des temps entre les pics (au lieu de l'amplitude de pointe), qui génèrent également des séries chronologiques. D'autres séries chronologiques de paramètres peuvent être dérivées de ces formes d'ondes, et leur MMS peut être utilisé pour déterminer la cohésion et la connectivité du réseau qui a été construit32,33,34. En outre, ces analyses peuvent également être étendues au domaine de fréquence34. En plus de l'analyse du réseau d'information mutuelle, nous aurions pu nous concentrer sur d'autres caractéristiques topologiques du réseau afin de différencier les PWP et les contrôles et de stratifier PWP. Aux fins du présent document, nous nous concentrons sur l'utilité de ces analyses en tant qu'outil, mais grâce à ce type de caractérisation, nous acquerrons des connaissances pour fournir des interprétations cliniquement éclairées des données numériques que ces outils d'analyse fournissent.
Les méthodes actuelles décrites dans cette étude servent à introduire certaines des nombreuses façons possibles que sIPA et le MMS peuvent être appliqués à l'intégration clinique et numérique des données. Nous offrons cette plate-forme unificatrice, ce type de données standardisé et un protocole expérimental dans l'espoir d'éclairer enfin les données numériques des critères cliniques, tout en renforçant la précision des données numériques jusqu'aux méthodes traditionnelles de crayon et de papier. Une telle amélioration permettra un suivi plus précis du changement de symptôme en réponse au traitement, 2) améliorer la compréhension de la progression naturelle de la au fil du temps, et 3) faciliter la stratification de la présentation des symptômes de la DP (qui peut dicter une clinique unique recommandations pour chaque sous-groupe). En tant que tel, nous espérons appliquer ces méthodes à la recherche plus approfondie dans la DP, mais aussi voir l'utilité dans l'application clinique ainsi. À l'aide d'appareils de qualité commerciale tels que les téléphones mobiles, des données biophysiques peuvent être obtenues pour effectuer les analyses que nous avons illustrées dans cet article. Actuellement, il ya des efforts dans la collecte de ces données numériques à plus grande échelle tels que l'étude de l'application mPower de l'Université de Rochester (https://parkinsonmpower.org) et Kaggle. En effet, à l'aide de ces dépôts de données en libre accès, nous avons pu stratifier les personnes âgées de la et du vieillissement normal à partir des données d'accéléromètre obtenues à partir de téléphones mobiles, et de classer automatiquement les activités qui sont intégrées dans les tests cliniques présentés ici 35.
Comme prochaine étape, nous visons à recueillir plus de données à partir d'un plus large éventail de population de PWP et leurs participants de contrôle appariés et les enregistrer à différents moments pour être en mesure d'effectuer une analyse transversale et longitudinale en utilisant nos méthodes. Nous prévoyons que ces données numériques recueillies offriraient beaucoup plus que la somme de leurs parties, et vraiment réaliser les principes de la médecine de précision en neurologie et en psychiatrie.

La médecine de précision (PM) (Figure 1) est apparue comme une plate-forme puissante pour développer des traitements ciblés personnalisés. Dans le domaine de la recherche sur le cancer, ce modèle a connu un grand succès et ses principes ne manqueront pas de révolutionner le domaine médical dans un proche avenir1. PM combine plusieurs couches de connaissances, allant de l'auto-déclaration des patients à la génomique. L'intégration de l'information dans toutes ces couches donne lieu à une évaluation personnalisée qui permet d'interpréter les données et de formuler des recommandations de traitement plus précises visant à examiner tous les aspects de la vie de la personne.
Il ya plusieurs défis lors de la tentative d'adapter la plate-forme PM aux troubles neuropsychiatriques et neurologiques des systèmes nerveux2,3, et ces défis ont récemment été exprimés4. Parmi ceux-ci, il y a la disparité dans les données acquises, à savoir des scores distincts provenant de méthodes cliniques au crayon et au papier guidées par l'observation, et des données biophysiques continues acquises physiquement à partir de la sortie des systèmes nerveux (p. ex., à l'aide de biocapteurs). Les données des scores cliniques tendent à supposer un modèle statique d'une taille unique qui applique une fonction unique (théorique) de distribution de probabilité (PDF). Cette hypothèse a priori est imposée aux données sans validation empirique appropriée, parce que les données normatives n'ont pas été acquises et caractérisées en premier lieu. En tant que tel, il n'y a aucun critère de similarité-métrique approprié décrivant les états neurotypiques de maturation des systèmes nerveux humains, pendant que la personne en bonne santé vieillit et les espaces de probabilité utilisés pour jeter ces variations de paramètre changent à un certain taux. Sans données normatives et des mesures de similitude appropriées, il n'est pas possible de mesurer les écarts par rapport aux états typiques car ils changent dynamiquement dans la vie de la personne. Il n'est pas non plus possible de prévoir les conséquences sensorielles des changements à venir.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59827/59827fig1.jpg"> Figure 1 : Plate-forme de médecine de précision : Combler l'écart entre les comportements et la génomique pour permettre le développement ciblé de traitements en médecine personnalisée traduits en troubles neurologiques et neuropsychiatriques du système nerveux. La plate-forme de médecine de précision pour le développement de traitements ciblés personnalisés peut être traduite pour diagnostiquer et traiter les troubles neurologiques et neuropsychiatriques du système nerveux. Cependant, dans le réseau de connaissances, la couche d'analyses comportementales a besoin d'un changement de paradigme pour intégrer les nouveaux résultats numériques émergents à partir de données biophysiques avec des critères cliniques plus traditionnels. Un défi à relever est de fournir des méthodes statistiquement saines et de nouveaux outils de visualisation intuitive pour une telle intégration, tout en encourageant l'utilisation des mesures numériques des résultats par les cliniciens, les patients et les soignants. Ce chiffre a été modifié à partir de Hawgood et coll.1 avec la permission de l'American Association for the Advancement of Science. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig1large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de ce chiffre.</a>
L'approche actuelle de «grande moyenne» lisse en tant que bruit les fluctuations stochastiques de l'individu dans les données, c'est-à-dire la variabilité du signal qui se manifeste à mesure que la personne vieillit naturellement, au fur et à mesure que le trouble progresse et que les systèmes nerveux de la personne recevoir et répondre aux traitements. Le manque de données normatives (c.-à-d. l'évaluation de grandes parties transversales et longitudinales de la population saine) nous empêche de comprendre la dynamique neurotypique du vieillissement en bonne santé. En tant que tel, il devient difficile de savoir comment anticiper plus généralement les conséquences d'une pathologie donnée, que cette pathologie commence à se manifester de façon systémique dans l'individu. Les approches prédictives sont essentielles à la conception de thérapies régénératives et/ou de thérapies neuroprotectrices qui ralentissent le processus dégénératif. La maladie de Parkinson est un bon exemple de pathologies par lequel les manifestations du trouble sont précédées par de nombreux autres symptômes mesurables. Nous savons aujourd'hui que les troubles moteurs visibles ont été précédés par des problèmes sensoriels moins visibles tels que la diminution de la fonction olfactive5,6, les changements dans les modèles de la parole, le mouvement oculaire rapide (REM) sommeil7, et d'autres non-moteur symptômes liés au fonctionnement des systèmes nerveux entériques8. Au moment où le trouble se manifeste, il ya déjà un épuisement dopaminergique élevé dans le système; cependant, les symptômes non moteurs auraient pu prévoir certaines des déficiences motrices visibles, par lesquelles le trouble est actuellement principalement évalué.
Il est nécessaire de modifier les modèles analytiques actuels et de considérer l'importance de caractériser correctement les données empiriques à tous les niveaux du système nerveux, par laquelle les mouvements biorythmiques se manifestent et peuvent être exploités dynamiquement sous la forme de séries chronologiques. co-enregistré avec une multitude de capteurs. Les données de mouvement dans leur sens plus général ne devraient pas se limiter aux mouvements et aux désordres qu'elles diffusent. Les données numériques de tous les biorythmes du système nerveux (y compris les formes d'ondes non-mouvement) offrent le potentiel de prévision que nous pourrions avoir besoin pour aider à prévenir ou à ralentir la neurodégénérescence rapide. Pourtant, à mesure que nous augmentons notre répertoire de types de données, nous devrions éviter l'hypothèse inhérente de modèles linéaires paramétriques pour l'inférence statistique et l'interprétation actuellement utilisées pour analyser ces données. Il sera essentiel d'évaluer l'adéquation de ces modèles linéaires pour les types de problèmes hautement non linéaires que nous étudions dans les pathologies du système nerveux soumises à des changements stochastiques et des changements dynamiques. Les mises en garde dans les boucles actuelles de pipeline d'analyse des hypothèses sont présentes dans les deux types de données exploités : ceux des scores cliniques discrets et ceux des formes d'ondes biophysiques numériques continues. Bien qu'ils restent déconnectés, il sera important de concevoir de nouveaux cadres qui permettent une intégration adéquate des deux types de données de manière à aligner les résultats numériques sur les critères cliniques afin de faciliter l'utilisation des technologies numériques émergentes par les patients, les soignants et les cliniciens.
Pour surmonter certains de ces défis, nous avons récemment adapté la plate-forme PM de la figure 1 pour fournir des phénotypages de précision pour les affections neurologiques et neuropsychiatriques3. À cette fin, nous avons conçu une nouvelle façon de recueillir, d'analyser et d'interpréter les données comportementales en tandem avec les tests cliniques traditionnels de notation qui permettent de déterminer les relations complexes entre les phénomènes cognitifs et moteurs. Plus précisément, nous avons numérisé les méthodes du crayon et du papier. Les données de ces seules méthodes sont beaucoup trop grossières pour capturer des informations importantes échappant à l'œil nu. Mais leur utilisation en combinaison avec les données numériques des capteurs biophysiques offre une nouvelle voie pour relier les nouvelles technologies numériques émergentes avec des critères cliniques susceptibles d'encourager les cliniciens à les adopter dans un proche avenir.
Ici, nous introduisons l'utilisation des données numériques dans le cadre d'évaluations cliniques. À savoir, comme la personne effectue la tâche clinique, par exemple, en dessinant une horloge dans le test d'évaluation cognitive de Montréal (MoCA), la production de biorythmes par les systèmes nerveux sont co-enregistrés à travers différentes couches fonctionnelles. Il s'agit notamment de l'électroencéphalographie (EEG), l'électrocardiographie (ECG ou EKG), les modèles vocaux et la cinématique du corps, et la sortie cinématique du stylo à main que la personne utilise pour dessiner l'horloge sur une tablette numérisée. Nous recueillons également des données vidéo à partir du visage que la personne dessine, pour effectuer des analyses de sentiment prédictive des états émotionnels. Ces données sont ensuite analysées à l'aide de l'optique d'une nouvelle plate-forme statistique pour l'analyse comportementale individualisée (SPIBA) et interprétées selon les critères cliniques sous-jacents à ces tests. Plus précisément, les scores discrets sont utilisés pour reclasser la cohorte de patients et, de cette façon, stratifier le groupe en fonction de ces critères cliniques. Nous pouvons ensuite examiner les données biophysiques continues des groupes ainsi identifiés, à la recherche de critères stochastiques numériques qui séparent fondamentalement un sous-ensemble de patients d'un autre, à travers plus d'une dimension paramétrique. De plus, en examinant les données biophysiques continues en soi, en fonction des fluctuations inhérentes de chaque personne au sein de la cohorte et aveuglées par les critères cliniques, nous pouvons rechercher des grappes auto-émergentes au sein de la cohorte, et comparer le mesure dans laquelle ces grappes cartographient sur ceux que les sous-types informés par les critères cliniques ont révélés.
Cette approche offre une nouvelle façon d'identifier les paramètres dans la richesse des données numériques biophysiques, qui saisissent le plus efficacement les différences entre les sous-types et rend ces différences en tant que candidats potentiellement bons pour stratifier les patients atteints de la maladie de Parkinson chez les aveugles, c'est-à-à-à-d. à travers un tirage aléatoire de la population générale. La pertinence de cette méthode est double. Nous pouvons vraiment personnaliser les traitements, tout en intégrant correctement des types de données disparates à partir de biocapteurs et de critères cliniques; c.-à-d., les données biophysiques numériques continues sous forme de séries chronologiques, et les scores cliniques discrets des essais traditionnels.
Bien qu'il s'agisse d'une approche générale, applicable à tous les troubles du système nerveux, nous encadons le travail dans le contexte de PWP et offrons de nouvelles façons de faire des inférences statistiques sur les données numériques continues coenregistrées lors de la performance de ces cliniques en tenant compte du système de notation clinique discret. En tant que tel, le travail permet l'interprétation clinique des résultats numériques susceptibles d'être utilisés dans les milieux cliniques. Enfin, nous fournissons des recommandations pour commencer à concevoir de nouvelles façons de visualiser ces résultats individuels pour intégrer dans de nouvelles applications pour faciliter l'utilisation à domicile et en milieu clinique par les patients, les soignants et le personnel clinique.

<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

Comme la maladie de Parkinson (MD) est un trouble hétérogène, la médecine personnalisée est vraiment nécessaire pour optimiser les soins. Dans leur forme actuelle, les scores standard du papier et du crayon, les mesures des symptômes traditionnellement utilisées pour suivre la progression de la maladie sont trop grossières (discrètes) pour saisir la granularité des phénomènes cliniques à l'étude, face à d'énormes symptômes. diversité. Pour cette raison, les capteurs, les portables et les appareils mobiles sont de plus en plus intégrés dans la recherche sur la DP et les soins de routine. Ces mesures numériques, bien que plus précises, produisent des données moins standardisées et interprétables que les mesures traditionnelles, et par conséquent, les deux types de données restent largement en silo. Ces deux questions présentent des obstacles à l'application clinique générale des outils d'évaluation les plus précis du domaine. Ce protocole aborde les deux problèmes. En utilisant des tâches traditionnelles pour mesurer la cognition et le contrôle moteur, nous testons le participant, tout en co-enregistrant les signaux biophysiques discrètement à l'aide de wearables. Nous intégrons ensuite les partitions des méthodes traditionnelles de papier et de crayon avec les données numériques que nous enregistrons en permanence. Nous offrons un nouveau type de données standardisé et une plate-forme statistique unificatrice qui permet le suivi dynamique du changement dans les signatures stochastiques de la personne dans différentes conditions qui sondent différents niveaux fonctionnels de contrôle neuromoteur, allant de volontaire à autonome. Le protocole et le cadre statistique normalisé offrent des biomarqueurs numériques dynamiques de la fonction physique et cognitive dans la DP qui correspondent à des échelles cliniques validées, tout en améliorant considérablement leur précision.

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

Biomarqueurs numériques dynamiques de la fonction motrice et cognitive dans la maladie de Parkinson

Ce protocole offre une numérisation de portions de tâches cliniques traditionnelles couramment utilisées pour mesurer la cognition et le contrôle moteur dans la maladie de Parkinson. Les tâches cliniques sont numérisées tandis que les rythmes biophysiques sont co-enregistrés à partir de différents niveaux fonctionnels du système nerveux, allant du volontaire, spontané, automatique à autonome.

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

Ce protocole peut nous aider à stratifier la maladie de Parkinson hétérogène par gravité cognitive et motrice. À l’aide de capteurs portable, nous pouvons numériser les tâches cliniques couramment utilisées par les médecins. En co-enregistrant des activités à différents niveaux fonctionnels du système nerveux, nous identifions des paramètres très instructifs de la cognition, du mouvement et de l’émotion, afin de produire des biomarqueurs numériques dynamiques de la maladie de Parkinson.Ce travail offre un cadre unificateur pour caractériser et suivre les signatures des troubles neurologiques d’une manière personnalisée, ainsi que l’évolution de toute une cohorte recevant un traitement ou une thérapie donné. Cette technique fournit une plate-forme statistique unificatrice pour suivre dynamiquement les changements dans les signatures de variabilité statistique produite par les activités biologiques autogénérées allant des molécules aux cellules, en en particulier au comportement. Streaming de plusieurs logiciels nécessite beaucoup de mémoire d’ordinateur, de sorte que nous vous conseillons d’utiliser des ordinateurs avec une capacité de calcul élevée, sinon les systèmes peuvent s’écraser pendant qu’ils enregistrent.Nous utilisons plusieurs appareils pour enregistrer le cerveau, le corps et le cœur, le tout en tandem, lors de mouvements naturels, de sorte qu’un médium dynamique, comme la vidéo, illustrerait le mieux cela. Les étudiants diplômés Jihye Ryu et Joseph Vero feront la démonstration des procédures de mon laboratoire. Après avoir obtenu les consentements éclairés du participant, mesurez les dimensions corporelles du participant pour permettre la création de son avatar corporel dans le système de capture de mouvement.Ensuite, configurer le système de capture de mouvement, y compris les dix-sept capteurs de suivi de mouvement sans fil, et le logiciel de suivi des mouvements. Placez des capteurs sur toutes les parties du corps, comme indiqué, et fixez les capteurs avec des bandes de sangle, pour permettre un mouvement sans entrave. Lorsque tous les capteurs ont été placés, calibrez la position du participant pour créer l’avatar.Pour configurer l’appareil EEG et le logiciel d’enregistrement, placez trente et un capteurs de canaux sur le cuir chevelu et placez le dispositif d’enregistrement à l’arrière de la tête. Fixez le dernier capteur de canal à un connecteur pour mesurer le signal cardiaque et placez le capteur sur le côté gauche de l’estomac du participant. Ensuite, fixez-vous à des capteurs de canal de référence derrière l’oreille gauche du participant et utilisez une seringue pour insérer du gel d’électrode dans les capteurs du bouchon EEG.Pour capter la voix du participant pendant les évaluations, placez un microphone devant le participant et connectez le microphone à l’ordinateur sur lequel la couche de flux de laboratoire sera en cours d’exécution. Ensuite, pour configurer le système de couches de flux de laboratoire pour synchroniser les flux d’EEG, motion, audio, et mouse-click timestamps, ouvrir l’application enregistreur de laboratoire, ouvrir et lier les applications de couche de flux de laboratoire pour la souris et la capture audio gagner app, puis ouvrir une application de synchronisation xsense construite en interne. Dans l’enregistrement de la section flux de l’application enregistreur de laboratoire, appuyez sur Update’to obtenir une liste complète des éléments en streaming, et cochez les cases pour AudioCaptureWin’EEG’MouseButtons’Position’and TrackerKinematics’to link the audio, EEG, mouse clicks, and motion through the lab stream layer system.Configurez l’enregistrement pour capturer le mouvement du stylo, y compris la tablette de stylet et le logiciel d’analyse de mouvement, et placez la tablette de dessin et le stylo tablette devant le participant. Connectez la tablette à l’ordinateur sur lequel le logiciel d’analyse des mouvements sera enregistré et collez un morceau de papier blanc sur la tablette. Ensuite, appuyez sur enregistrer dans la couche de flux de laboratoire, le logiciel de capture de mouvement, et le logiciel d’enregistrement EEG.Au début et à la fin de chaque tâche, cliquez sur le bouton d’horodatage sur le logiciel de capture de mouvement pour amortir la tâche. N’oubliez pas d’écrire l’heure réelle lorsque vous cliquez sur le bouton d’horodatage comme une sauvegarde, donc quand vous regardez les données plus tard, vous pouvez identifier la tâche à partir des horodatages. Pour une copie de figure complexe benson immédiate, demandez au participant de copier la figure benson sur le papier, et de se rappeler la conception, parce qu’ils seront invités à dessiner la conception à nouveau de mémoire plus tard.Pour la partie A d’un test de suivi, demandez au participant de tracer une ligne entre les cercles numérotés dans l’ordre ascendant. Pour effectuer la partie B du test d’élaboration des sentiers, demandez de tracer une ligne entre les cercles qui contiennent des nombres ou des lettres dans l’ordre ascendant, tout en alternant entre les chiffres et les lettres. Pour une tâche de dessin d’horloge, demandez au participant de dessiner une horloge analogique avec les nombres un à douze, et de définir l’heure à dix heures et onze heures passées.Pour effectuer une copie de figure complexe Benson retardée, demandez au participant de dessiner la figure complexe Benson de mémoire sur un morceau de papier vierge. Pour effectuer un test de ventilateur de numéros avant, demandez au participant de répéter les numéros que l’expérimentateur lit à haute voix dans le même ordre. Pour un test de ventilateur de nombres vers l’arrière, demandez au participant de répéter les nombres que l’expérimentateur lit à haute voix dans l’ordre inverse.Pour une tâche de pointage, placez une cible devant le participant pour pointer et toucher, et demandez au participant de pointer la cible quarante fois d’une manière auto-rythpide avec la main dominante. Pour une tâche de pointage métronome, demandez au participant de pointer vers la cible quarante fois d’une manière auto-rythpide, tout en fixant un métronome à battre à trente-cinq battements par minute en arrière-plan, mais ne rien instruire sur le rythme métronome. Pour une tâche de pointage rythcée, demandez au participant de pointer vers la cible quarante fois suivant le rythme du battement de métronome fixé à trente-cinq battements par minute.Pour effectuer une tâche de marche, demandez d’abord au participant de marcher naturellement autour de la salle pendant cinq minutes. Ensuite, demandez au participant de se promener naturellement dans la pièce tout en mettant le métronome à battre en arrière-plan pendant douze battements par minute. Ensuite, demandez au participant de se promener naturellement dans la pièce tout en arpentant son rythme respiratoire au rythme du métronome fixé à douze battements par minute.Pour une vidéo sur le visage, demandez d’abord au participant de s’asseoir confortablement et de mettre en place une caméra devant le participant. Pour l’évaluation du contrôle, demandez au participant de regarder un espace sans stimuli pendant cinq minutes. Pour l’évaluation du sourire, demandez au participant de regarder une vidéo amusante pendant cinq minutes.Dans chacune des tâches de dessin, les patients dans cette étude représentative stratifié en dehors des contrôles, différeciant leurs signatures stochastiques individuelles de la variabilité motrice selon la Movement Disorder Society unifié la maladie de Parkinson échelle moyenne scores classés. Une tâche de pointer vers une cible spaciale est effectuée pour évaluer les différents niveaux de contrôle volitionnel, et ce chiffre illustre la dégradation du centre de la trajectoire de masse que la gravité participante du trouble augmente. En utilisant cet essai, il est possible de distinguer chaque sous-type de patient présentant la maladie de Parkinson, et de suivre des changements dans les signatures stochastiques du patient de la ligne de base aux tâches de pointage métronome-associées des cas spontanés et noninstructed et délibérés et instruits.Dans une évaluation automatique de marche, le centre des trajectoires de masse pour des contrôles et des patients présentant la maladie de Parkinson, comme moyen-classé par la société de désordres de mouvement a unifié des scores d’échelle de maladie de Parkinson peut être obtenu. L’analyse stochastique de la tâche de marche peut alors être effectuée, pour laquelle des différenciations peuvent être faites entre les patients et les contrôles, et parmi les patients présentant différentes séverités de la maladie. Le logiciel de pose ouverte peut être utilisé pour déterminer les zones du visage qui sont les plus actives au cours d’une tâche donnée, et pour sonder le contenu émotionnel en vérifiant les transitions de zone à travers les émotions pendant les tâches.En intégrant les signaux biophysiques numériques pour l’EEG, le mouvement du magnotomètre et l’ECG, en utilisant des mesures théoriques informationnelles et des analyses de connectivité réseau, il est possible de différencier les patients et les témoins, et entre les patients dont la gravité est différente, en examinant la densité du réseau. En utilisant les données numérisées du cerveau un signal corporel, nous pouvons appliquer une variété d’analyses, y compris la corrélation croisée et la cohérence croisée pour caractériser l’interactivité entre les différents modes de biosignaux. Notre laboratoire a étendu ces méthodes pour caractériser d’autres troubles neurologiques et comportementaux, tels que la douleur, et d’étudier la cognition incarnée, et tous ces répondre à différentes questions.

Research

JoVE Journal

Behavior

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

L&#39;évaluation de la fonction sensori-motrice chez des souris modèles de la maladie de Parkinson

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

Recherche

Sciences du comportement

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

Méthodes pour explorer l&#39;influence de haut en bas Visual Processes sur le comportement du moteur

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

Adapté à base communautaire Tango danse pour les personnes atteintes de la maladie de Parkinson chez les personnes âgées

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

Non-Invasive Brain Stimulation électrique Montages pour modulation de la fonction Motor humain

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

Le « moteur » moteur implicite de séquences d’apprentissage : une réaction série pied-stepping temps tâche

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

Une roman Animal unique motricité Tracking System à l’aide d’un logiciel Simple, facilement accessible

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

Automatisé, à long terme analyse comportementale pour les fonctions cognitives dans de multiples modèles génétiques de la maladie d’Alzheimer, à l’aide de 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

Une installation de réalité virtuelle Bureau en réseau pour les sciences de la décision et des expériences de Navigation avec plusieurs Participants

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

Expériences de réalité virtuelle avec mesures physiologiques

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

Évaluations comportementales de Locomotion spontanée dans un modèle murin induite par le MPTP la maladie de Parkinson

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