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

Questa ricerca è finanziata in parte dal Rutgers Discovery Informatics Institute a JR, dal Rutgers University TechAdvance Funds per EBT e JV, dal Consiglio del Governatore del New Jersey per la ricerca e i trattamenti dell'autismo a EBT e dalla Michael J Fox Foundation alla RD.

Tutti i metodi qui descritti sono stati approvati dal Rutgers University Institutional Review Board.
1. Partecipanti e sistema di acquisizione
<ol><li>Ottenere il consenso informato dei partecipanti. NOTA: I partecipanti devono essere diagnosticati con disturbo di Parkinson, o non devono essere diagnosticati con qualsiasi disturbo neurologico per servire come partecipanti di controllo sano. I partecipanti sani devono essere sesso ed età corrispondenti ai partecipanti al paziente. Tutti i partecipanti dovrebbero avere la mobilità di camminare continuamente per 5 minuti.</li>
	<li>Misurare la dimensione del corpo del partecipante (altezza del corpo, lunghezza del piede, portata del braccio, altezza della caviglia, altezza dell'anca, larghezza dell'anca, altezza del ginocchio, larghezza della spalla, altezza della spalla; Figura 2A) per creare in seguito il suo avatar del corpo nel sistema di motion capture. NOTA: queste informazioni vengono utilizzate nel sistema di motion capture per registrare con precisione i dati di posizione del corpo del partecipante.</li>
	<li>Configura il sistema di motion capture, inclusi i 17 sensori wireless di tracciamento del movimento e il software di tracciamento del movimento.<ol>
<li>Posizionare i sensori sulle seguenti parti del corpo: testa, sterne, bacino, spalla destra, braccio destro, braccio inferiore destro, mano destra, spalla sinistra, braccio sinistro, braccio inferiore sinistro, mano sinistra, gamba destra, gamba destra, gamba destra, piede destro, gamba sinistra, gamba sinistra, gamba sinistra, gamba sinistra, gamba sinistra, gamba sinistra, sinistra piedi (Figura 2B). Fissare questi sensori con cinturini per consentire un movimento discreto.</li>
		<li>Una volta posizionati tutti i sensori in posizioni adeguate, calibrare la posizione del partecipante per creare il proprio avatar. NOTA: I dettagli sul metodo di calibrazione sonodisponibili in Roetenberg et al.</li>
	</ol>
</li>
	<li>Configurare il dispositivo EEG e il software di registrazione EEG.<ol>
<li>Posizionare 31 sensori sul cuoio capelluto e sul dispositivo di registrazione sulla parte posteriore della testa del partecipante. Posizionare i sensori di canale nelle seguenti posizioni: P7, P4, Cz, Pz, P3, P8, O1, O2, T8, F8, C4, F4, 22, Fz, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, 66, CP2, CP1, CP5, CP5, FP5, AF3,Figura 23.</li>
		<li>Collegare il sensore di canale rimanente (Oz) a un connettore per misurare il segnale cardiaco, posizionando il sensore collegato sullo stomaco sinistro del partecipante (Figura 2C).</li>
		<li>Collegare due sensori di canale di riferimento dietro l'orecchio sinistro del partecipante, quindi inserire il gel elettrodo nei sensori sul tappo EEG utilizzando una siringa (Figura 2C).</li>
		<li>Una volta completato, avviare lo streaming delle attività elettriche sul software di registrazione per alcuni minuti fino a quando non si stabilizza. NOTA: La figura 2D mostra tracce di esempio dai segnali EEG sfruttati dal sistema nervoso centrale (SNC) e dal sistema nervoso autonomo (ANS).</li>
	</ol>
</li>
	<li>Configurare il microfono per acquisire la voce del partecipante. Posizionare il microfono davanti al partecipante e collegarlo al computer in cui verrà eseguito il livello del flusso lab (LSL) (vedere LSL di seguito) (Figura 2E).</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59827/59827fig2.jpg"> Figura 2: Preparati a digitalizzare i test clinici tradizionali, integrando più forme d'onda da biosensori indossabili wireless non intrusivi. (A) Impostare per le attività di disegno: paziente reale che indossa sensori indossabili non intrusivi e avatar resi in tempo reale dalla cinematica raccolta. (B) Posizioni dei sensori di una serie di sensori di tracciamento del movimento piccoli e leggeri (60 Hz), da cui i dati di movimento sono registrati in modo sincrono sul corpo. (C) Mappa EEG e posizione di riferimento. (D) Esempi di forme d'onda EEG dai 31 cavi e dal segnale cardiaco estratto dal cavo Oz. (E) Forma d'onda di esempio dalla voce del partecipante durante un'attività di conteggio. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig2large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<ol start="6"><li>Impostare il sistema LSL per sincronizzare i flussi di segnali EEG, motion e audio, insieme ai timestamp del clic del mouse (Figura 3A).<ol>
<li>Aprire l'app Lab Recorder.</li>
		<li>Apri LSL Apps for Mouse e in-house built Xsens sincronizzazione app e collegarli all'applicazione Lab Recorder selezionando le caselle Pulsanti del mouse e Tracker Kinematics nella sezione Record from Streams. NOTA: l'app Mouse verrà utilizzata per eseguire il timestamp degli eventi durante l'esperimento.</li>
		<li>Collega flussi EEG, movimento e audio all'app Lab Recorder selezionando le caselle AudioCaptureWin, LSL-EEG, Posizione nella sezione Registra da flussi. NOTA: il sistema LSL consente una raccolta unificata di serie temporali di misurazione negli esperimenti di ricerca che gestiscono la sincronizzazione del tempo, insieme all'accesso in rete e in tempo reale, nonano la raccolta, la visualizzazione e la registrazione su disco dei dati. Nel contesto di questo protocollo, il sistema LSL trasmette in modo sincrono dal CNS, dal sistema nervoso periferico (PNS) e dall'ANS, poiché la persona svolge naturalmente compiti clinici tradizionali.</li>
	</ol>
</li>
	<li>Impostare la registrazione per il movimento della penna, inclusi tablet penna e software di analisi del movimento (Figura 3B).<ol>
<li>Posizionare la tavoletta e la penna del Tablet PC davanti al partecipante.</li>
		<li>Collegare il tablet al computer da cui verrà registrato il software di analisi del movimento.</li>
		<li>Posizionare un foglio bianco sul tablet e fissarlo con un nastro adesivo. NOTA: Preparare in anticipo i documenti per mostrare una casella per indicare lo spazio in cui il partecipante sta attingendo.</li>
	</ol>
</li>
	<li>Avviare la registrazione.<ol>
<li>Premere la registrazione in LSL, software di motion capture e software di registrazione EEG.</li>
		<li>All'inizio e alla fine di ogni attività, timestamp con i clic del mouse premendo il pulsante timestamp sul software di motion capture. NOTA: in questo modo, i timestamp verranno registrati sia nei dati del flusso LSL che nei dati di motion capture. Ciò garantirà che vi sia un timestamp di backup, nel caso in cui una delle funzioni di timestamp non riesca durante la registrazione.</li>
	</ol>
</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59827/59827fig3.jpg"> Figura 3: Digitalizzazione e sincronizzazione dei segnali tramite il sistema Lab Stream Layer (LSL) di un'unità di elaborazione centrale comune. (A) Il sistema LSL consente in modo sincrono la co-registrazione del movimento (PNS), EEG (CNS), ECG (ANS), la voce e il timestamp con un clic del mouse. (B) Tavoletta e penna digitalizzate che registrano la cinematica (posizione) della punta della penna, durante il disegno di attività da test cognitivi standardizzati. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig3large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
2. Procedura sperimentale
<ol><li>Eseguire l'attività 1 - Copia figura complessa Benson (immediata)10 (1 min).<ol>
<li>Indicare al partecipante di copiare la figura di Benson sulla carta e di ricordare il disegno perché al partecipante verrà chiesto di disegnarlo di nuovo a memoria in seguito. NOTA: questo test è progettato per valutare la funzione di memoria visiva e visuo-costruttiva del partecipante (Figura 4A).</li>
	</ol>
</li>
	<li>Eseguire le attività 2 e 3 - Trail Making Test Parte A (3 min).<ol>
<li>Indicare al partecipante di tracciare una linea tra i cerchi numerati in ordine crescente. NOTA: ci sono due attività in questa sezione, dove il primo (attività 2) è quello di completare un test di esempio (costituito da 8 numeri), e il successivo (attività 3) è quello di completare il test effettivo (costituito da 25 numeri). Questo test era un componente della Army Individual Test Battery11e valuta la velocità di elaborazione e la funzione esecutiva e dipende dalle capacità di scansione visuomotor e percettiva (Figura 4B).</li>
	</ol>
</li>
	<li>Eseguire le attività 4 e 5 - Trail Making Test Parte B (5 min).<ol>
<li>Indicare al partecipante di tracciare una linea tra i cerchi che contengono numeri o lettere, in ordine crescente, alternando numeri e lettere. Ad esempio, la sequenza sarebbe: A a 1; da 1 a B; B a 2; da 2 a C. NOTA: Ci sono due compiti in questa sezione, dove il primo (attività 4) è quello di completare un test di esempio (costituito da 4 numeri e 4 lettere), e il successivo (attività 5) è quello di completare il test effettivo (costituito da 13 numeri e 12 lettere). Trail Making Test Parte B è simile a Trail Making Test Parte A, ma richiede maggiore flessibilità cognitiva quando il partecipante passa da numero a set di lettere. (Figura 4B).</li>
	</ol>
</li>
	<li>Condurre l'attività 6 - Disegno orologio (1 min).<ol>
<li>Indicare al partecipante di disegnare un orologio analogico con numeri da 1 a 12 e di impostare l'ora su 10 oltre 11. NOTA: Questo test fa parte del MoCA12 e valuta le capacità costruttive del partecipante. (Figura 4C).</li>
	</ol>
</li>
	<li>Eseguire l'attività 7 - Copia figura complessa Benson (ritardo)10 (1 min).<ol>
<li>Istruire il partecipante a disegnare la figura complessa di Benson a memoria su un foglio bianco. NOTA: Questo test valuta la funzione di memoria visiva e visuo-costruttiva del partecipante. (Figura 4A).</li>
	</ol>
</li>
	<li>Eseguire le attività 8 e 9 - Test della campata numerica (avanti e indietro)13 (10 min).<ol>
<li>Indicare al partecipante di ripetere i numeri che lo sperimentatore legge ad alta voce.</li>
		<li>Per l'attività 8 (avanti), indicare al partecipante di ripetere i numeri nello stesso ordine e all'attività 9 (indietro), di ripeterli nell'ordine inverso. Per entrambi i test, ci sono due prove per lunghezza di sequenza che vanno da 3 a 9 cifre per l'avanti e da 2 a 8 cifre per il test all'indietro. Continuare il test fino a quando non vengono superate due stringhe di numeri alla stessa lunghezza. NOTA: entrambi i test misurano la capacità di conservare brevemente le informazioni, ma il test all'indietro (attività 9) misura anche la capacità di manipolare i numeri e invertire la sequenza. Come tale, nel contesto del presente protocollo, questo compito misura una memoria e una componente cognitiva in relazione alla produzione di bioritmi vocali.</li>
	</ol>
</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59827/59827fig4.jpg"> Figura 4: Verso biomarcatori digitali clinicamente informati e schede di punteggio: Digitalizzazione dei test clinici tradizionali per consentire l'integrazione di criteri clinici e dati biofisici digitali. Tracce di esempio da test cognitivi standardizzati. (A) Figura complessa di Benson fornita al partecipante per riprodursi immediatamente (al centro) o dopo un ritardo di 10 minuti dalla memoria (a destra). (B) Trail Un'attività che coinvolge numeri che devono essere collegati da una linea in ordine crescente (in alto) e attività Trail B che prevede l'alternanza tra lettere e numeri (in basso). (C) Disegno di un orologio con le istruzioni per impostare l'ora su 10 oltre 11. Per tutte le tracce di esempio, le linee grigie rappresentano la traiettoria degli ascensori della penna durante l'attività di disegno, e le linee blu rappresentano i disegni a penna effettivi. Per l'analisi, esaminiamo entrambi i tipi di traiettorie. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig4large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<ol start="7"><li>Eseguire le attività 10, 11 e 12 - Puntamento (10 min).<ol>
<li>Posizionare un bersaglio davanti al partecipante per puntare e toccare.</li>
		<li>Per l'attività 10 (controllo), indicare al partecipante di puntare al bersaglio 40 volte con la mano dominante.</li>
		<li>Per l'attività 11 (metronomo), indicare al partecipante di puntare al bersaglio 40 volte con un modo autogestito, mentre l'impostazione del ritmo del metronomo a 35 bpm sullo sfondo, ma non istruire nulla sul battito del metronomo.</li>
		<li>Per l'attività 12 (puntamento a ritmo), indicare al partecipante di puntare al bersaglio 40 volte al ritmo successivo al ritmo successivo al ritmo metronomo impostato a 35 bpm. NOTA: Il compito di puntamento consente di separare il movimento del partecipante mediante deliberato (movimento in avanti, dal momento in cui la mano è appoggiata fino a quando la mano raggiunge il bersaglio) e spontanea (movimento all'indietro, dal momento in cui la mano tocca il bersaglio fino al raggiunge la sua posizione di riposo) segmenti, analizzando così i segnali biofisici quando il partecipante sta esercitando un controllo volontario (movimento intenzionale), e quando il partecipante esercita poco controllo (movimento spontaneo) (Figura5A ). Introducendo i battiti del metronomo e richiedendo al partecipante di camminare il puntamento al battito del metronomo, è possibile fare un confronto dei segnali biofisici quando il partecipante si muove in modo autogestito e quando il partecipante controlla attivamente il ritmo di movimento a un battito esterno.</li>
	</ol>
</li>
	<li>Condurre le attività 13, 14 e 15 - Camminare (25 min).<ol>
<li>Istruire il partecipante a camminare naturalmente per 5 minuti in tre condizioni diverse.</li>
		<li>Per l'attività 13 (controllo), istruire il partecipante a camminare naturalmente per la stanza.</li>
		<li>Per l'attività 14 (metronomo), istruisci il partecipante a camminare naturalmente per la stanza mentre imposti il metronomo in modo che sia battuto sullo sfondo per 12 bpm.</li>
		<li>Per l'attività 15 (respirazione a ritmo sostenuto), istruire il partecipante a camminare naturalmente per la stanza mentre passa la frequenza respiratoria al ritmo del metronomo impostato alle 12 bpm. NOTA: Introducendo il battito del metronomo, è possibile fare un confronto dei segnali biofisici mentre il partecipante sta usando l'intero corpo per muoversi e respirare in modo autogestito, e quando il partecipante controlla attivamente il ritmo respiratorio (che di solito automaticamente) durante lo spostamento dell'intero corpo (Figura 5B).</li>
	</ol>
</li>
</ol><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59827/59827fig5.jpg"> Figura 5: Tridimensionale (3D) traiettorie e la loro velocità-ampiezza time series uscita durante i movimenti volontari della parte superiore del corpo. Comportamento di puntamento mirato agli obiettivi per il controllo volitivo della sonda utilizzando una versione del compito di tremore cinetico della Società del Disordine del Movimento – Scala di valutazione unificata della malattia di Parkinson (MDS-UPDRS). (A) Partecipante e avatar in posizione seduta che svolgono la parte superiore del corpo, attività di puntamento verso obiettivo (in alto); Traiettorie di posizione 3D del movimento in avanti (al bersaglio) e all'indietro (alla posizione di riposo) (in basso a sinistra); e i corrispondenti profili di velocità lineari che mostrano la serie temporale di fluttuazioni di ampiezza di velocità (m/s) e intervalli inter-peak (ms), derivati dal flusso vettoriale della velocità lineare (in basso a destra). (B) Partecipante e avatar nell'attività a piedi (in alto); Traiettorie di posizionamento 3D di diverse parti del corpo (in basso a sinistra) e profili di velocità corrispondenti (in basso a destra). <a href="https://www.jove.com/files/ftp_upload/59827/59827fig5large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
<ol start="9"><li>Condurre le attività 16 e 17 - Face Video (10 min).<ol>
<li>Istruire il partecipante a sedersi comodamente, e impostare una telecamera di fronte al partecipante.</li>
		<li>Per l'attività 16 (controllo), indicare al partecipante di fissare uno spazio senza stimoli per 5 minuti.</li>
		<li>Per l'attività 17 (sorriso), istruisci il partecipante a guardare un video divertente per 5 minuti. NOTA: la configurazione richiede circa 30 minuti e l'intero protocollo richiede circa 60 minuti e altri 10 minuti per 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>

Gli autori non hanno nulla da rivelare.

Questo lavoro introduce un nuovo protocollo che consente l'integrazione di test clinici tradizionali con i dati digitali provenienti dai segnali biofisici prodotti dai sistemi nervosi mentre la persona esegue tali test. Introduciamo l'uso di SPIBA e MMS come piattaforma unificante per combinare tipi di dati diversi, come punteggi discreti da metodi di osservazione a matita e carta e dati digitali continui provenienti da sensori biofisici. I metodi sono illustrati utilizzando una coorte di PWP e controlli abbinati a età e sesso, con un ulteriore controllo giovane come riferimento sano ideale per il confronto. Dimostriamo che i test clinici tradizionali (ad esempio, quelli che possono far parte del MoCA e del MDS-UPDRS) possono essere utilizzati per mediare la coorte ed estrarre automaticamente, dalla variabilità intrinseca dei punteggi del gruppo, informazioni che stratificano i dati nel regno in base ai livelli di gravità clinicamente definiti. Tali livelli si allineano bene con i livelli di MDS-UPDRS clinico e le prestazioni del test cognitivo/memoria. Ad un altro livello di attuazione, quindi, esaminiamo i bioritmi dei sistemi nervosi sfruttati dal SNC, dal PNS e dagli strati ANS, caratterizzando così diversi livelli di autonomia e controllo. Forniamo dati campione e firme stocastiche derivate da tali dati, esaminate attraverso l'ottica dei criteri clinici. Con tale approccio, possiamo differenziare i pazienti dai controlli sani; e attraverso i bioritmi digitali, differenziarsi all'interno del PWP, sui loro livelli di gravità clinicamente definiti.
Allineando i dati digitali biofisici con i criteri clinici in questo modo, forniamo un insieme interpretabile di criteri in grado di monitorare in modo più dinamico i cambiamenti individualizzati nei risultati. Coniamo questi nuovi risultati misurano i biomarcatori digitali dinamici, perché si basano su dati digitali, ma forniscono risultati interpretabili secondo criteri clinici ben consolidati e convalidati. Essi sono derivati dalla serie temporale di processi del sistema nervoso, e catturano la natura dinamica di tale. In particolare, siamo in grado di utilizzare criteri sia motori che non motori. Come tale, possiamo iniziare a quantificare gli aspetti non motori della PD che ora sono noti per precedere il deterioramento dei sintomi motori che convenzionalmente hanno definito il disturbo finora. Ad esempio, le analisi facciali come quelle qui presentate potrebbero essere utilizzate per esaminare microgesti facciali spontanei durante il sonno REM per costruire un repertorio di quelli che potrebbero prevedere il deterioramento delle attività motorie. Allo stesso modo, potremmo usare questi metodi per esaminare i livelli di dolore durante le attività quotidiane e valutare le loro potenziali correlazioni con le attività durante il tempo di sonno REM. Questo è importante, perché sia il sonno REM e la disregolazione del dolore sono noti per precedere i problemi motori in seguito definendo il livello di gravità di PD5,6,7. Utilizzando la nostra digitalizzazione dei vari compiti clinici tradizionali, altre attività non motorie incorporate nei compiti clinici utilizzati per sondare le capacità cognitive e di memoria sono state caratterizzate qui, e gli indici di tali attività mappati ai sintomi motori. Questi metodi sono suscettibili di collegare la ricerca di base e le pratiche cliniche nella malattia di Parkinson. Possono anche essere estesi ad altri disturbi del sistema nervoso.
Oltre all'uscita motoria dal viso, durante il sonno REM, possiamo esaminare i gesti facciali durante le situazioni sociali naturali all'interno del quadro di auto-rilevamento o reafference cinestetica per misurare i livelli di feedback reafferent il cervello del paziente molto probabilmente ottiene. Qui, nonostante le sottili differenze nei microgesti attraverso le aree facciali corrispondenti alle regioni trigeminali afferenti V1, V2, V3, è stato possibile individuare il partecipante rappresentativo, quale regione del viso ha spostato al massimo il firme stocastiche durante la transizione tra stati neutri e naturalmente sorridenti. Ciò suggerisce che utilizzando lo SPIBA e l'MMS, saremo in grado di valutare altri aspetti non motori (sensoriali) della PD relativi alle difficoltà con l'input sensoriale dai canali cinestetica-tocco. Questi sono stati trovati per essere problematico nella PD, anche durante le prime fasi del disturbo24. Poiché sensoriale e motorio vanno di pari passo, queste informazioni potrebbero aiutarci a prevedere problemi motori più evidenti che emergono più avanti nella progressione di questo disturbo1,7. Ipotiamo che questi canali cinestetici lungo le aree trigemine del viso possano anche aiutarci a dissociare diversi tipi di disregolazione del dolore, compresi quelli relativi alle alterazioni del sonno5,6.
I metodi attuali forniscono un nuovo modo di esaminare i segnali biofisici ottenuti dal sistema nervoso centrale, periferico e autonomo in tandem, in condizioni diverse che richiedono diverse competenze cognitive e diversi livelli di autonomia e controllo neuromotorio. Utilizzando il quadro SPIBA, in cui le analisi stocastiche e le analisi di rete accoppiate vengono applicate sui dati MMS standardizzati, è anche possibile caratterizzare oggettivamente le attività cognitive. I quindici compiti che sono stati utilizzati in questo esperimento richiedono diversi tipi di abilità cognitive (ad esempio, abilità visuo-costruttive, memoria visiva, capacità di scansione percettiva) e diversi livelli di controllo cognitivo (ad esempio, deliberatamente passo il puntamento del puntamento velocità, ritmo la velocità respiratoria come indicato). Per questo motivo, i modelli di stocasticità e connettività della trasmissione di informazioni CNS-PNS-ANS dei segnali biofisici esposti durante questi compiti, possono essere utilizzati per caratterizzare diversi livelli di carichi cognitivi e il loro impatto sulla produzione motoria.
Mentre sottolineiamo i vantaggi dei nostri nuovi metodi e protocolli analitici, sottolineiamo anche avvertimenti e limitazioni pratiche che dovrebbero essere prese in considerazione quando si adotta la nostra piattaforma di registrazione per la raccolta sincrona dei dati. Questo perché in questa configurazione, ci sono più tipi di software di registrazione in streaming su un singolo computer per scopi di sincronizzazione, che richiedono la potenza di calcolo del computer per essere alta, altrimenti si potrebbe incorrere in perdita di dati, congelamento del computer e / o eccesso rumore. Nella progettazione corrente, due software di streaming (EEG e motion capture) e LSL sono stati eseguiti su un singolo computer. Come tale, abbiamo dovuto essere consapevoli del sovraccarico di elaborazione e possibile congelamento del computer. Questo è stato uno dei motivi per cui abbiamo utilizzato uno dei canali EEG per estrarre i segnali ECG. I computer con una maggiore capacità di memoria e processori più veloci potrebbero essere in grado di gestire contemporaneamente uno streaming simultaneo di un software ECG separato con l'EEG e la griglia di sensori della cinematica. Questi problemi sono di natura pratica e indipendenti dai metodi analitici (SPIBA) e dai tipi di dati standard (MMS) che offriamo. Tuttavia, riteniamo importante avvisare l'utente finale della necessità di valutare la potenza di calcolo prima di progettare il protocollo per la co-registrazione dei dati da più flussi.
Un altro avvertimento che sottolineiamo è che, i 15 compiti illustrati nel protocollo sono un sottoinsieme di ciò che può essere utilizzato per sviluppare biomarcatori digitali dinamici. Ai fini di questo documento, ci siamo limitati ad alcuni compiti a causa del vincolo di spazio, e abbiamo scelto quelli che coinvolgevano diversi livelli di controllo e movimento corporeo, e infatti possiamo aggiungere altri compiti non inclusi in questo documento. Il nostro obiettivo è quello di derivare un sottoinsieme più piccolo di attività che richiederebbero meno tempo e fatica. Infatti, dal nostro laboratorio, i compiti di puntamento (compiti 10-12) sono un insieme di compiti che abbiamo trovato essere un modo efficace ed efficiente per caratterizzare le firme stocastiche dei bioritmi variavano da diversi livelli di controllo volontario e disturbi neurologici, tra cui PD 24 Mi lasa' di , 30.
I risultati rappresentativi mostrati in questo studio sono un piccolo sottoinsieme di ciò che può essere fatto con i set di dati MMS derivati dalle forme d'onda dei biosensori e dalla didascalia del movimento delle telecamere, utilizzando i metodi SPIBA. A scopo illustrativo, abbiamo esaminato l'MMS in ampiezza e ci siamo concentrati sulle fluttuazioni dell'ampiezza della velocità lineare derivate dalla COM della persona. Il COM è un segnale di riepilogo da tutti i 17 sensori del corpo che abbiamo co-registrato. Tuttavia, potremmo estendere le analisi ad altri parametri di rotazione e ad altre variabili cinetiche (ad esempio, forze e pressione) che generano serie temporali di parametri fluttuanti (ad esempio, come abbiamo fatto con i dati del volto). Inoltre, a causa del vincolo di spazio, abbiamo solo illustrato l'analisi dei dati EEG in base alle sue informazioni sull'ampiezza del cuoio capelluto, ma possiamo anche applicare queste analisi ai dati derivati dallo spazio di origine31. Per tutte le modalità di dati, potremmo anche esaminare la stocasticità dei tempi tra i picchi (invece dell'ampiezza di picco), che generano anche serie temporali. Altre serie temporali di parametri possono essere derivate da tali forme d'onda, e il loro MMS può essere utilizzato per accertare coerenza e connettività dalla rete che è stata costruita32,33,34. Inoltre, queste analisi possono essere estese anche al dominio di frequenza34. Oltre all'analisi reciproca della rete informativa, avremmo potuto concentrarci su altre caratteristiche topologiche della rete per differenziare PWP e controlli e stratificare il PWP. Ai fini di questo documento, ci concentriamo sull'utilità di queste analisi come strumento, ma attraverso questo tipo di caratterizzazione, acquisiamo conoscenze per fornire interpretazioni clinicamente informate dei dati digitali che questi strumenti analitici forniscono.
Gli attuali metodi descritti in questo studio servono a introdurre alcuni dei molti modi possibili in cui SPIBA e MMS possono essere applicati all'integrazione dei dati clinici e digitali. Offriamo questa piattaforma unificante, un tipo di dati standardizzato e un protocollo sperimentale nella speranza di informare finalmente i dati digitali dei criteri clinici e allo stesso modo aggiungere maggiore precisione dai dati digitali ai metodi tradizionali carta e matita. Tale miglioramento consentirà 1) un monitoraggio più accurato del cambiamento dei sintomi in risposta al trattamento, 2) migliorare la comprensione della progressione naturale della PD nel tempo e 3) facilitare la stratificazione della presentazione dei sintomi della PD (che può dettare clinica unica raccomandazioni per ogni sottogruppo). Come tale, speriamo di applicare questi metodi per ulteriori ricerche nella PD, ma anche vedere l'utilità nell'applicazione clinica pure. Utilizzando dispositivi di qualità commerciale come i telefoni cellulari, è possibile ottenere dati biofisici per eseguire le analisi che abbiamo illustrato in questo documento. Attualmente, ci sono sforzi nella raccolta di tali dati digitali su scala più ampia come lo studio dell'app mPower dell'Università di Rochester (https://parkinsonmpower.org) e di Kaggle. Infatti, utilizzando questi archivi di dati ad accesso aperto, siamo stati in grado di stratificare la PD e il normale invecchiamento degli individui dai dati dell'accelerometro ottenuti dai telefoni cellulari, e di classificare automaticamente le attività che sono incorporate nei test clinici qui presentati 35.
Come passo successivo, ci proponiamo di raccogliere più dati da una più ampia gamma di popolazione PWP e dai loro partecipanti al controllo corrispondenti e registrarli in momenti diversi per essere in grado di eseguire sia un'analisi trasversale che longitudinale utilizzando i nostri metodi. Esistiamo tali dati digitali raccolti offrirebbero molto di più della somma delle loro parti e realizziamo veramente i principi della medicina di precisione in neurologia e psichiatria.

La medicina di precisione (PM) (Figura1) è emersa come una potente piattaforma per sviluppare trattamenti mirati personalizzati. Nel campo della ricerca sul cancro, questo modello ha avuto molto successo e i suoi principi sono destinati a rivoluzionare il campo medico nel prossimo futuro1. IL PM combina più livelli di conoscenza, che vanno dall'auto-report dei pazienti alla genomica. L'integrazione delle informazioni in tutti questi livelli si traduce in una valutazione personalizzata che consente l'interpretazione dei dati e raccomandazioni di trattamento più precise volte a considerare tutti gli aspetti della vita della persona.
Ci sono diverse sfide quando si cerca di adattare la piattaforma PM a disturbi neuropsichiatrici e neurologici del sistema nervoso2,3, e queste sfide sono state recentemente espresse4. Tra questi vi sono la disparità nei dati acquisiti, vale a dire punteggi discreti da metodi clinici a matita e carta guidati dall'osservazione, e dati biofisici continui fisicamente acquisiti dall'uscita dei sistemi nervosi (ad esempio, utilizzando biosensori). I dati dei punteggi clinici tendono ad assumere un modello statico unico che applica una singola funzione (PDF) di distribuzione di probabilità (teorica). Questa ipotesi a priori è imposta sui dati senza una corretta convalida empirica, perché i dati normativi non sono stati acquisiti e caratterizzati in primo luogo. Come tale, non esiste un criterio adeguato basato sulla somiglianza-metrica che descrivono gli stati neurotipici maturazionali del sistema nervoso umano, poiché la persona sana invecchia e gli spazi di probabilità utilizzati per lanciare queste variazioni parametriche cambiano ad una certa velocità. Senza dati normativi e metriche di somiglianza adeguate, non è possibile misurare le deviazioni dagli stati tipici in quanto cambiano dinamicamente nella vita della persona. Inoltre, non è possibile prevedere le conseguenze sensoriali dei cambiamenti imminenti.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59827/59827fig1.jpg"> Figura 1: Piattaforma di medicina di precisione: Colmare il divario tra comportamenti e genomica per consentire lo sviluppo di trattamento mirato nella medicina personalizzata tradotta in disturbi neurologici e neuropsichiatrici del sistema nervoso. La piattaforma di medicina di precisione per lo sviluppo di trattamenti mirati personalizzati può essere tradotta per diagnosticare e trattare disturbi neurologici e neuropsichiatrici del sistema nervoso. Tuttavia, nella rete della conoscenza, il livello di analisi comportamentali richiede un cambiamento di paradigma per integrare nuovi risultati digitali emergenti dai dati biofisici con criteri clinici più tradizionali. Una sfida per venire è quella di fornire metodi statisticamente validi e nuovi strumenti di visualizzazione intuitivi per tale integrazione, incoraggiando al contempo l'uso di misure di esito digitale da parte di medici, pazienti e operatori sanitari. Questa cifra è stata modificata da Hawgood et al.1 con il permesso dell'American Association for the Advancement of Science. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig1large.jpg" target="_blank">Fare clic qui per visualizzare una versione più grande di questa figura.</a>
L'attuale approccio "grandaging" attenua come rumore le fluttuazioni stocastiche dell'individuo nei dati, cioè la variabilità del segnale che si manifesta come la persona invecchia naturalmente, come il disturbo progredisce, e come il sistema nervoso della persona ricevere e rispondere ai trattamenti. La mancanza di dati normativi (cioè, la valutazione di grandi porzioni trasversali e longitudinali della popolazione sana) ci impedisce di comprendere le dinamiche neurotipiche dell'invecchiamento sano. Come tale, diventa una sfida sapere come anticipare più in generale le conseguenze di una data patologia, come tale patologia comincia a manifestarsi sistemicamente nell'individuo. Gli approcci predittivi sono fondamentali per progettare terapie rigenerative e/o terapie neuroprotettive che rallentano il processo degenerativo. Il morbo di Parkinson è un buon esempio di patologie in cui le manifestazioni del disturbo sono precedute da molti altri sintomi misurabili. Oggi sappiamo che i disturbi motori visibili sono stati preceduti da problemi sensoriali meno visibili come la funzione olfattiva diminuita5,6, cambiamenti nei modelli di discorso, movimento rapido degli occhi (REM) sonno7, e altri non-motore sintomi legati al funzionamento del sistema nervoso enterico8. Con il tempo il disturbo si manifesta, c'è già alto esaurimento dopaminergico nel sistema; tuttavia i sintomi non motori avrebbero potuto prevedere alcune delle compromissione motorie visibili, con le quali il disturbo è attualmente valutato principalmente.
È necessario modificare gli attuali modelli analitici e considerare l'importanza di caratterizzare correttamente i dati empirici in tutti i livelli del sistema nervoso, per cui i movimenti bioritmici si manifestano e possono essere sfruttati dinamicamente sotto forma di serie temporali co-registrato con una moltitudine di sensori. I dati di movimento nel suo senso più generale non dovrebbero limitarsi ai movimenti e ai disturbi che trasmettono. I dati digitali provenienti da tutti i bioritmi del sistema nervoso (comprese le forme d'onda non di movimento) offrono il potenziale di previsione di cui potremmo aver bisogno per aiutare a prevenire o rallentare la neurodegenerazione rapida. Tuttavia, man mano che aumentiamo il nostro repertorio di tipi di dati, dovremmo evitare l'assunzione intrinseca di modelli lineari parametrici per l'inferenza statistica e l'interpretazione attualmente in uso per analizzare tali dati. Sarà fondamentale valutare l'adeguatezza di tali modelli lineari per i tipi di problemi altamente non lineari che studiamo nelle patologie dei sistemi nervosi soggette a cambiamenti stocastici e cambiamenti dinamici. Gli avvertenze negli attuali cicli di pipeline assunzione-analisi sono presenti in entrambi i tipi di dati in corso: quelli dei punteggi clinici discreti e quelli delle forme d'onda biofisiche digitali continue. Pur rimanendo disconnessi, sarà importante progettare nuovi quadri che consentano una corretta integrazione di entrambi i tipi di dati in modo da allineare i risultati digitali con criteri clinici per facilitare l'uso delle tecnologie digitali emergenti da parte dei pazienti, operatori sanitari e medici.
Per superare alcune di queste sfide, abbiamo recentemente adattato la piattaforma PM in Figura 1 per fornire fenotipizzazione di precisione per le condizioni neurologiche e neuropsichiatriche3. A tal fine, abbiamo progettato un nuovo modo di raccogliere, analizzare e interpretare i dati comportamentali in concomidità con i tradizionali test clinici di punteggio che accertano relazioni complesse tra fenomeni cognitivi e motori. Più precisamente, abbiamo digitalizzato i metodi a matita e carta. I dati di tali metodi da soli sono troppo grossolani per catturare informazioni importanti che sfuggono ad occhio nudo. Ma il loro utilizzo in combinazione con i dati digitali provenienti da sensori biofisici offre una nuova strada per collegare le nuove tecnologie digitali emergenti con criteri clinici suscettibili di incoraggiare i medici ad adottarli nel prossimo futuro.
Qui, introduciamo l'uso dei dati digitali nel contesto delle valutazioni cliniche. Vale a dire, mentre la persona svolge il compito clinico, ad esempio, disegnando un orologio nel test di valutazione cognitiva di Montreal (MoCA), i bioritmi prodotti dai sistemi nervosi sono co-registrati tra diversi strati funzionali. Questi includono l'elettroencefalografia (EEG), l'elettrocardiografia (ECG o EKG), i modelli vocali e la cinematica dal corpo e l'uscita cinematica dalla penna portatile che la persona utilizza per disegnare l'orologio su una tavoletta digitalizzata. Raccogliamo anche dati video dal viso mentre la persona disegna, per eseguire analisi del sentiment predittive degli stati emotivi. Questi dati vengono quindi analizzati attraverso l'ottica di una nuova piattaforma statistica per l'analisi comportamentale individualizzata (SPIBA) e interpretati in base ai criteri clinici alla base di tali test. Più specificamente, i punteggi discreti vengono utilizzati per mediare la coorte dei pazienti e in questo modo, stratificare il gruppo in base a tali criteri clinici. Possiamo quindi esaminare i dati biofisici continui dei gruppi così identificati, alla ricerca di criteri stocastici guidati digitalmente che separano fondamentalmente un sottoinsieme di pazienti da un altro, attraverso più di una dimensione parametrica. Inoltre, esaminando i continui dati biofisici di per sé, in base alle fluttuazioni intrinseche di ogni persona all'interno della coorte e accecata dai criteri clinici, possiamo cercare cluster autoemergenti all'interno della coorte e confrontare il in cui tali cluster mappano su quelli che i sottotipi informati dai criteri clinici hanno rivelato.
Questo approccio offre un nuovo modo per identificare i parametri all'interno della ricchezza dei dati digitali biofisici, che catturano più efficacemente le differenze tra i sottotipi e rende queste differenze come potenzialmente buoni candidati per stratificare i pazienti con Parkinson (PWP) nei ciechi, cioè attraverso un pareggio casuale dalla popolazione generale. La rilevanza di questo metodo è duplice. Possiamo davvero personalizzare i trattamenti, integrando correttamente tipi di dati disparati da biosensori e criteri clinici; cioè dati biofisici digitali continui sotto forma di serie temporali e punteggi clinici discreti dai test tradizionali.
Anche se questo è un approccio generale, applicabile a tutti i disturbi del sistema nervoso, inquadriamo il lavoro nel contesto del PWP e offriamo nuovi modi per fare deduzioni statistiche sui dati digitali continui co-registrati durante l'esecuzione di tali test clinici considerando il sistema di punteggio clinico discreto. Come tale, il lavoro consente l'interpretazione clinica dei risultati digitali suscettibili di utilizzare in ambienti clinici. Infine, forniamo raccomandazioni per iniziare a progettare nuovi modi per visualizzare tali risultati individuali da incorporare in nuove app per facilità d'uso in ambienti domestici e clinici da parte dei pazienti, degli operatori sanitari e del personale clinico.

<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

Poiché il morbo di Parkinson (PD) è un disturbo eterogeneo, la medicina personalizzata è veramente necessaria per ottimizzare la cura. Nella loro forma attuale, i punteggi standard da carta e matita sintomo- misure tradizionalmente utilizzate per monitorare la progressione della malattia sono troppo grossolane (discrete) per catturare la granularità dei fenomeni clinici in esame, di fronte a sintomo tremendo varietà f inv. Per questo motivo, sensori, dispositivi indossabili e dispositivi mobili sono sempre più incorporati nella ricerca sulla PD e nella cura di routine. Queste misure digitali, sebbene più precise, producono dati meno standardizzati e interpretabili rispetto alle misure tradizionali e, di conseguenza, i due tipi di dati rimangono in gran parte in silos. Entrambi questi problemi presentano ostacoli all'ampia applicazione clinica degli strumenti di valutazione più precisi del settore. Questo protocollo risolve entrambi i problemi. Utilizzando compiti tradizionali per misurare la cognizione e il controllo motorio, testiamo il partecipante, co-registrando i segnali biofisici in modo discreto utilizzando i dispositivi indossabili. Integriamo quindi i punteggi dei metodi tradizionali carta e matita con i dati digitali che registriamo continuamente. Offriamo un nuovo tipo di dati standardizzato e una piattaforma statistica unificante che consente il monitoraggio dinamico del cambiamento nelle firme stocastiche della persona in diverse condizioni che sondano diversi livelli funzionali di controllo neuromotorio, che vanno da volontario all'autonomico. Il protocollo e il quadro statistico standardizzato offrono biomarcatori digitali dinamici della funzione fisica e cognitiva nella PD che corrispondono a scale cliniche convalidate, migliorando ne migliorando significativamente la precisione.

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

Biomarcatori digitali dinamici della funzione motoria e cognitiva nella malattia di Parkinson

Questo protocollo offre una digitalizzazione di porzioni di compiti clinici tradizionali comunemente utilizzati per misurare la cognizione e il controllo motorio nella malattia di Parkinson. I compiti clinici sono digitalizzati mentre i ritmi biofisici sono co-registrati da diversi livelli funzionali del sistema nervoso, che vanno da volontari, spontanei, automatici a autonomici.

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

Questo protocollo può aiutarci a stratificare l'eterogeneo morbo di Parkinson per gravità cognitiva e motoria. Utilizzando sensori indossabili, possiamo digitalizzare le attività cliniche comunemente utilizzate dai medici. Registrando le attività attraverso diversi livelli funzionali del sistema nervoso, identifichiamo parametri altamente informativi di cognizione, movimento ed emozione, per produrre biomarcatori digitali dinamici del morbo di Parkinson.Questo lavoro offre un quadro unificante per caratterizzare e tracciare le firme dei disturbi neurologici in modo personalizzato, insieme all'evoluzione di un'intera coorte che riceve un determinato trattamento o terapia. Questa tecnica fornisce una piattaforma statistica unificante per tenere traccia dinamicamente dei cambiamenti nelle firme della variabilità statistica prodotte dalle attività biologiche autogenerate che vanno dalle molecole, alle cellule, al comportamento. Lo streaming di più software richiede molta memoria del computer, quindi consigliamo di utilizzare computer con un'elevata capacità di calcolo, altrimenti i sistemi potrebbero bloccarsi durante la registrazione.Usiamo più dispositivi per registrare il cervello, il corpo e il cuore, tutti in tandem, durante i movimenti naturali, quindi un mezzo dinamico, come il video, lo illustrerebbe al meglio. A dimostrare le procedure del mio laboratorio saranno gli studenti laureati Jihye Ryu e Joseph Vero. Dopo aver ottenuto i consensi informati dal partecipante, misurare le dimensioni del corpo del partecipante per consentire la creazione del proprio avatar corporeo nel sistema di motion-capture.Quindi, configura il sistema di acquisizione del movimento, inclusi i diciassette sensori wireless di tracciamento del movimento e il software di tracciamento del movimento. Posizionare i sensori su tutte le parti del corpo, come indicato, e fissare i sensori con bande di cinturino, per consentire un movimento senza ostacoli. Una volta posizionati tutti i sensori, calibrare la posizione del partecipante per creare l'avatar.Per configurare il dispositivo EEG e il software di registrazione, posizionare trentuno sensori di canale sul cuoio capelluto e posizionare il dispositivo di registrazione sul retro della testa. Collegare il sensore dell'ultimo canale a un connettore per misurare il segnale cardiaco e posizionare il sensore sul lato sinistro dello stomaco del partecipante. Quindi, attaccare ai sensori di canale di riferimento dietro l'orecchio sinistro del partecipante e utilizzare una siringa per inserire il gel dell'elettrodo nei sensori sul cappuccio EEG.Per acquisire la voce del partecipante durante le valutazioni, posizionare un microfono davanti al partecipante e collegare il microfono al computer su cui verrà eseguono il livello del flusso lab. Quindi, per configurare il sistema lab stream layers per sincronizzare i flussi di timestamp EEG, movimento, audio e clic con il mouse, apri l'app di registrazione lab, apri e collega le app di livello flusso lab per l'app win di acquisizione mouse e audio e quindi apri un'app di sincronizzazione xsense integrata internamente. Nella sezione record dal flusso dell'app registratore lab, premi Aggiorna'per ottenere un elenco completo degli elementi di streaming e seleziona le caselle relative a AudioCaptureWin'EEG'MouseButtons'Position' e TrackerKinematics'per collegare l'audio, l'EEG, i clic del mouse e il movimento attraverso il sistema di livelli del flusso lab.Impostare la registrazione per acquisire il movimento della penna, inclusa la tavoletta grafica e il software di analisi del movimento, e posizionare la tavoletta da disegno e la penna del tablet di fronte al partecipante. Collegare il tablet al computer su cui verrà registrato il software di analisi del movimento e registrare un pezzo di carta bianca sul tablet. Quindi, premi la registrazione nel livello del flusso di laboratorio, nel software di acquisizione del movimento e nel software di registrazione EEG.All'inizio e alla fine di ogni attività, fare clic sul pulsante di timestamp sul software di acquisizione del movimento per programmare il timestamp dell'attività. Non dimenticare di annotare l'ora effettiva in cui fai clic sul pulsante di timestamp come backup, quindi quando guardi i dati in un secondo momento, puoi identificare l'attività dai timestamp. Per una copia immediata della figura complessa di Benson, istruisci il partecipante a copiare la figura di Benson sulla carta e a ricordare il disegno, perché gli verrà chiesto di disegnare nuovamente il design dalla memoria in seguito.Per la parte A di un test di trail making, istruisi il partecipante a tracciare una linea tra cerchi numerati in ordine crescente. Per condurre la parte B del test di trail making, istruisi a tracciare una linea tra cerchi che contengono numeri o lettere in ordine crescente, alternando i numeri e le lettere. Per un'attività di disegno dell'orologio, istruisi il partecipante a disegnare un orologio analogico con i numeri da uno a dodici e a impostare l'ora su dieci e undici.Per condurre una copia ritardata della figura complessa di Benson, istruisi il partecipante a disegnare la figura complessa di Benson dalla memoria su un pezzo di carta vuoto. Per eseguire un test della ventola dei numeri in avanti, istruisi il partecipante a ripetere i numeri che lo sperimentatore legge ad alta voce nello stesso ordine. Per un test della ventola dei numeri all'indietro, istruisi il partecipante a ripetere i numeri che lo sperimentatore legge ad alta voce nell'ordine inverso.Per un'attività di puntamento, posiziona un bersaglio davanti al partecipante per puntare e toccare e istruire il partecipante a puntare il bersaglio quaranta volte in modo autogestato con la mano dominante. Per un compito di puntamento del metronomo, istruisci il partecipante a puntare il bersaglio quaranta volte in modo autogestato, mentre imposta un metronomo da battere a trentacinque battiti al minuto sullo sfondo, ma non istruire nulla sul ritmo del metronomo. Per un compito di puntamento frenetico, istruisci il partecipante a puntare al bersaglio quaranta volte seguendo il ritmo del ritmo del metronomo battuto impostato a trentacinque battiti al minuto.Per condurre un'attività a piedi, istruisi prima il partecipante a camminare naturalmente per la stanza per cinque minuti. Successivamente, istruisci il partecipante a camminare naturalmente per la stanza mentre imposta il metronomo da battere in sottofondo per dodici battiti al minuto. Quindi, istruisci il partecipante a camminare naturalmente per la stanza mentre cammina la loro frequenza respiratoria al ritmo del metronomo impostato a dodici battiti al minuto.Per un video del volto, in primo luogo, istruisi il partecipante a sedersi comodamente e configurare una fotocamera davanti al partecipante. Per la valutazione del controllo, istruisi il partecipante a fissare uno spazio senza stimoli per cinque minuti. Per la valutazione del sorriso, istruisci il partecipante a guardare un video divertente per cinque minuti.In ciascuno dei compiti di disegno, i pazienti in questo studio rappresentativo stratificati oltre ai controlli, differenziando le loro firme stocastiche individuali di variabilità motoria secondo la Movement Disorder Society unificate Parkinson's disease ratings scale medium ranked scores. Viene eseguito un compito di puntare a un bersaglio spaziale per valutare i diversi livelli di controllo volitivo e questa figura illustra la degradazione del centro della traiettoria di massa all'aumentare della gravità del disturbo da parte del partecipante. Utilizzando questo saggio, è possibile distinguere ogni sottotipo di paziente con morbo di Parkinson e tenere traccia dei cambiamenti nelle firme stocastiche del paziente dal basale ai compiti di puntamento associati al metronomo di casi spontanei e non istruiti e deliberati e istruiti.In una valutazione automatica della camminata, è possibile ottenere il centro delle traiettorie di massa per i controlli e i pazienti con morbo di Parkinson, come medio classificato dalla Movement Disorders Society unified Parkinson's disease ratings scale scores. È quindi possibile eseguire un'analisi stocastica del compito di deaelezione, per la quale è possibile fare differenziazioni tra pazienti e controlli e tra pazienti con diverse gravità della malattia. Il software open pose può essere utilizzato per accertare le aree del viso più attive durante un determinato compito e per sondare il contenuto emotivo accertando le transizioni di area attraverso le emozioni durante i compiti.Integrando segnali biofisici digitali per l'EEG, il movimento magnotometrico e l'EKG, utilizzando misurazioni teoriche informativo e analisi di connettività di rete, è possibile distinguere tra pazienti e controlli, e tra pazienti con diversa gravità, esaminando la densità della rete. Usando i dati digitalizzati del cervello segnali di un corpo, possiamo applicare una varietà di analisi, tra cui la correlazione incrociata e la coerenza incrociata per caratterizzare l'interattività tra le diverse modalità di biofirma. Il nostro laboratorio ha esteso questi metodi per caratterizzare altri disturbi neurologici e comportamentali, come il dolore, e per studiare la cognizione incarnata, e tutti questi affrontano diverse domande.

Research

JoVE Journal

Behavior

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

Valutazione della Sensorimotor funzione in modelli murini di malattia di Parkinson

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

Ricerca

Comportamento

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

Metodi per Esplora l&#39;influenza di Top-down processi visivi sul comportamento motorio

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

A base comunitaria Adattato Tango Dancing a individui con malattia di Parkinson e adulti più anziani

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 invasiva elettrico Brain Stimulation montaggi per la modulazione della funzione motoria umana

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

Il "motore" a motore implicito sequenza di apprendimento: una reazione seriale un passo piede volta compito

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

Una funzione motoria animale singola romanzo Tracking System utilizzando il Software semplice, prontamente disponibile

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

Automatizzato, a lungo termine l'analisi comportamentale per funzioni Cognitive in più modelli di genetici del morbo di Alzheimer, utilizzando 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

Un'installazione in rete di realtà virtuale Desktop per decisione scienza ed esperimenti di navigazione con più partecipanti

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

Esperimenti di realtà virtuale con misure fisiologiche

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

Valutazioni del comportamento di locomozione spontanea in un modello murino indotto MPTP del morbo di Parkinson

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