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

Esta pesquisa é financiada em parte pelo Rutgers Discovery Informatics Institute para JR, o Rutgers University TechAdvance fundos para EBT e JV, o Conselho do governador de Nova Jersey para a pesquisa e tratamentos de autismo para EBT e da Fundação Michael J Fox para RD.

Todos os métodos descritos aqui foram aprovados pelo Conselho de revisão institucional da Universidade Rutgers.
1. os participantes e o sistema de aquisição
<ol><li>Obter o consentimento informado dos participantes. Nota: os participantes devem ser diagnosticados com transtorno de Parkinson, ou não devem ser diagnosticados com qualquer distúrbio neurológico para servir como participantes de controle saudável. Os participantes saudáveis devem ser de gênero e idade pareados com os participantes do paciente. Todos os participantes devem ter a mobilidade para caminhar continuamente por 5 minutos.</li>
	<li>Medir a dimensão do corpo do participante (altura do corpo, comprimento do pé, extensão do braço, altura do tornozelo, altura do quadril, largura do quadril, altura do joelho, largura do ombro, altura do ombro; Figura 2a) para mais tarde criar seu avatar corpo no sistema de captura de movimento. Observação: essas informações são usadas no sistema de captura de movimento para registrar com precisão os dados posicionais do corpo do participante.</li>
	<li>Configure o sistema de captura de movimento, incluindo os 17 sensores de rastreamento de movimento sem fio e o software de rastreamento de movimento.<ol>
<li>Coloque os sensores nas seguintes partes do corpo: cabeça, esterno, pélvis, ombro direito, braço direito, braço inferior direito, mão direita, ombro esquerdo, braço superior esquerdo, braço esquerdo inferior, mão esquerda, pé superior direito, perna direita, pé direito, perna esquerda, perna esquerda, esquerda pé (Figura 2b). Fixe estes sensores com bandas de cinta para permitir um movimento discreto.</li>
		<li>Uma vez que todos os sensores são colocados em locais adequados, calibrar a posição do participante para criar seu avatar. Nota: os detalhes sobre o método de calibração podem ser encontrados em Roetenberg et al.9.</li>
	</ol>
</li>
	<li>Configurar o dispositivo EEG e o software de gravação EEG.<ol>
<li>Posicione 31 sensores em todo o couro cabeludo e o dispositivo de gravação na parte de trás da cabeça do participante. Coloque os sensores dos canais nos seguintes locais: P7, P4, cz, PZ, P3, P8, O1, O2, T8, F8, C4, F4, Fp2, FZ, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, CP6, de,,,,,, CP5, FC1, FC5, AF3, PO3 (Figura 2C).</li>
		<li>Conecte o sensor de canal restante (oz) a um conector para medir o sinal cardíaco, posicionando o sensor conectado no estômago do lado esquerdo do participante (Figura 2C).</li>
		<li>Conecte dois sensores de canal de referência atrás da orelha esquerda do participante e, em seguida, insira o gel de eletrodo nos sensores na tampa do EEG usando uma seringa (Figura 2C).</li>
		<li>Uma vez terminado, comece a transmitir as atividades elétricas no software de gravação por alguns minutos até que ele estabilize. Nota: a Figura 2D mostra traços da amostra dos sinais de EEG aproveitados do sistema nervoso central (CNS) e do sistema nervoso autônomo (ans).</li>
	</ol>
</li>
	<li>Configure o microfone para capturar a voz do participante. Coloque o microfone na frente do participante e conecte-o ao computador onde a camada de fluxo de laboratório (LSL) estará em execução (veja LSL abaixo) (Figura 2e).</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59827/59827fig2.jpg"> Figura 2: Configure para digitalizar testes clínicos tradicionais, enquanto integra várias formas de onda de biossensores wearable sem fio discretos. (A) criado para as tarefas de desenho: o paciente real vestindo sensores wearable discretos e avatar prestados em tempo real a partir da cinemática a ser coletado. (B) sensor locais de um conjunto de pequenos e leves sensores de rastreamento de movimento (60 Hz), a partir do qual os dados de movimento são coregistrados sincronicamente em todo o corpo. (C) mapa de EEG e local de referência. (D) amostra EEG formas onda das 31 ligações e do sinal do coração extraídos da ligação de Oz. (E) amostra de forma de onda da voz do participante durante uma tarefa de contagem. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig2large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a>
<ol start="6"><li>Configure o sistema LSL para sincronizar os fluxos de EEG, movimento e sinais de áudio, juntamente com timestamps de clique do mouse (Figura 3a).<ol>
<li>Abra o app gravador de laboratório.</li>
		<li>Abra aplicativos LSL para mouse e em casa construído Xsens sincronizando aplicativo e vinculá-los para o aplicativo Lab Recorder, verificando as caixas de botões do mouse e rastreador cinemática no registro de streams seção. Observação: o aplicativo de mouse será usado para eventos de carimbo de data/hora durante o experimento.</li>
		<li>Link EEG, movimento, e fluxos de áudio para o aplicativo Lab Recorder, marcando as caixas Audiocapturewin, LSL-EEG, posição no registro de streams seção. Nota: o sistema LSL permite uma coleção unificada de séries temporais de medição em experimentos de pesquisa que lida com a sincronização de tempo, juntamente com o acesso em rede e em tempo real, e a coleta centralizada, visualização e gravação de disco dos dados. No contexto deste protocolo, o sistema de LSL córregos forma síncrona do CNS, do sistema nervoso periférico (PNS) e do ANS, porque a pessoa executa naturalmente tarefas clínicas tradicionais.</li>
	</ol>
</li>
	<li>Configure a gravação para o movimento da caneta, incluindo o Tablet de caneta e o software de análise de movimento (Figura 3B).<ol>
<li>Coloque a tabuleta de desenho e a caneta digitalizadora na frente do participante.</li>
		<li>Conecte o Tablet ao computador a partir do qual o software de análise de movimento estará gravando.</li>
		<li>Coloque um papel branco no Tablet e fixe com uma fita. Nota: Prepare com antecedência os papéis para mostrar uma caixa para indicar o espaço onde o participante estaria desenhando.</li>
	</ol>
</li>
	<li>Comece a gravar.<ol>
<li>Pressione Record em LSL, software de captura de movimento e software de gravação de EEG.</li>
		<li>No início e no fim de cada tarefa, timestamp com cliques do mouse pressionando o botão de timestamping no software de captura de movimento. Observação: dessa forma, os carimbos de data/hora serão gravados em ambos os dados de fluxo LSL e nos dados de captura de movimento. Isso garantirá que haja um carimbo de data/hora de backup, caso uma das funções de timestamping falhe durante a gravação.</li>
	</ol>
</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59827/59827fig3.jpg"> Figura 3: Digitalização e sincronização de sinais através do sistema LSL (Lab Stream Layer) da unidade de processamento central comum. (A) sistema LSL sincronicamente permitir o coregistro de movimento (PNS), EEG (CNS), ECG (ans), voz e tempo de carimbo através de cliques do mouse. (B) a cinemática digitalizada da tabuleta e da gravação da pena (posição) da ponta da pena, durante tarefas do desenho dos testes cognitivos estandardizados. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig3large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a>
2. procedimento experimental
<ol><li>Tarefa de conduta 1 — Benson complexo figura cópia (imediata)10 (1 min).<ol>
<li>Instrua o participante a copiar a figura de Benson no papel e a lembrar-se do design porque o participante será solicitado a desenhá-lo novamente da memória mais tarde. Nota: este teste foi concebido para avaliar a função de memória visuo-construtiva e Visual do participante (figura 4a).</li>
	</ol>
</li>
	<li>Realizar tarefas 2 e 3 — Trail Making Test parte A (3 min).<ol>
<li>Instrua o participante a desenhar uma linha entre os círculos que são numerados em ordem crescente. Observação: há duas tarefas nesta seção, onde o primeiro (tarefa 2) é concluir um teste de exemplo (consistindo em 8 números) e o próximo (tarefa 3) é concluir o teste real (consistindo em 25 números). Este teste foi um componente da bateria de teste individual do exército11, e avalia a velocidade de processamento e a função executiva e depende das habilidades viso e perceptual-scanning (Figura 4B).</li>
	</ol>
</li>
	<li>Realizar tarefas 4 e 5 — Trail Making Test parte B (5 min).<ol>
<li>Instrua o participante a desenhar uma linha entre círculos que contenham números ou letras, em ordem crescente, alternando entre números e letras. Por exemplo, a seqüência seria: a a 1; 1 a B; B a 2; 2 a C. Observação: há duas tarefas nesta seção, onde o primeiro (tarefa 4) é concluir um teste de exemplo (consistindo em 4 números e 4 letras) e o próximo (tarefa 5) é concluir o teste real (consistindo de 13 números e 12 letras). Trail Making teste parte B é semelhante a Trail Making teste parte A, mas requer mais flexibilidade cognitiva como o participante desloca de número para conjuntos de letras. (Figura 4B).</li>
	</ol>
</li>
	<li>Tarefa de conduta 6 — desenho do relógio (1 min).<ol>
<li>Instrua o participante a desenhar um relógio analógico com números de 1 a 12 e defina o tempo para 10 últimos 11. Nota: este teste faz parte do MoCA12 e avalia as habilidades visuo-constricional do participante. (Figura 4C).</li>
	</ol>
</li>
	<li>Tarefa de conduta 7 — cópia de figura complexa de Benson (atrasada)10 (1 min).<ol>
<li>Instrua o participante a desenhar a figura complexa de Benson da memória em um pedaço de papel em branco. Nota: este teste avalia a função visuo-constructional e Visual da memória do participante. (Figura 4a).</li>
	</ol>
</li>
	<li>Tarefas de conduta 8 e 9 — número span Test (Forward e Backward)13 (10 min).<ol>
<li>Instrua o participante a repetir os números que o experimentador lê em voz alta.</li>
		<li>Para a tarefa 8 (encaminhar), instrua o participante a repetir os números na mesma ordem e para a tarefa 9 (recuar), para repeti-los na ordem inversa. Para ambos os testes, há dois ensaios por comprimento de sequência variando de 3 a 9 dígitos para a frente e 2 a 8 dígitos para o teste para trás. Continue testando até que duas cadeias de caracteres de número no mesmo comprimento sejam falhadas. Observação: ambos os testes medem a capacidade de reter informações brevemente, mas o teste para trás (tarefa 9) também mede a capacidade de manipular os números e reverter a seqüência. Como tal, no contexto do presente protocolo, esta tarefa mede uma memória e um componente cognitivo em relação à saída de biorritmos de voz.</li>
	</ol>
</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59827/59827fig4.jpg"> Figura 4: para biomarcadores digitais clinicamente informados e cartões de Pontuação: digitalização de testes clínicos tradicionais para possibilitar a integração de critérios clínicos e dados biofísicos digitais. Amostras de traços de testes cognitivos padronizados. (A) Benson figura complexa fornecida ao participante para reproduzir imediatamente (centro), ou após um atraso de 10 minutos da memória (direita). (B) trilha uma tarefa envolvendo números a serem conectados por uma linha em ordem ascendente (superior) e tarefa Trail B envolvendo alternando entre letras e números (inferior). (C) desenhando um relógio com instruções para definir o tempo para 10 passado 11. Para todos os rastreamentos de amostra, as linhas cinzentas representam a trajetória dos elevadores de caneta durante a tarefa de desenho e as linhas azuis representam os desenhos de caneta reais. Para análise, examinamos os dois tipos de trajetórias. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig4large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a>
<ol start="7"><li>Realize tarefas 10, 11 e 12 — apontando (10 min).<ol>
<li>Posicione um alvo na frente do participante para apontar e tocar.</li>
		<li>Para a tarefa 10 (controle), instrua o participante a apontar para o alvo 40 vezes em uma maneira autopasseada com a mão dominante.</li>
		<li>Para a tarefa 11 (metrônomo), instrua o participante a apontar para o alvo 40 vezes de uma maneira autopasseada, ao definir a batida do metrônomo em 35 BPM no fundo, mas não instrua nada sobre a batida do metrônomo.</li>
		<li>Para a tarefa 12 (apontar passeado), instrua o participante a apontar no alvo 40 vezes no ritmo que segue a batida do metrônomo ajustada em 35 BPM. Nota: a tarefa de apontar permite separar o movimento do participante deliberando (movimento dianteiro, a partir do momento em que a mão está descansando até que a mão atinja o alvo) e espontânea (movimento inverso, a partir do momento em que a mão está tocando o alvo até que o mão atinge a sua posição de repouso) segmentos, analisando os sinais biofísicos quando o participante está exercendo controle voluntário (movimento deliberado), e quando o participante está exercendo pouco controle (movimento espontâneo) (Figura 5a ). Ao introduzir as batidas metrônomo e exigindo que o participante para o ritmo de apontar na batida metrônomo, a comparação pode ser feita dos sinais biofísicos quando o participante está se movendo em uma maneira de ritmo próprio, e quando o participante está controlando ativamente o ritmo de movimento para uma batida externa.</li>
	</ol>
</li>
	<li>Realize tarefas 13, 14 e 15 — caminhando (25 min).<ol>
<li>Instrua o participante a caminhar naturalmente por 5 minutos três condições diferentes.</li>
		<li>Para a tarefa 13 (controle), instrua o participante a andar naturalmente ao redor da sala.</li>
		<li>Para a tarefa 14 (metrônomo), instrua o participante a andar naturalmente ao redor da sala ao definir o metrônomo para bater em segundo plano por 12 BPM.</li>
		<li>Para a tarefa 15 (respiração passeado), instrua o participante a andar naturalmente ao redor da sala enquanto ele/ela passos a taxa de respiração para a batida metrônomo definido em 12 BPM. Nota: introduzindo a batida do metrônomo, a comparação pode ser feita dos sinais biofísicos quando o participante estiver usando o corpo inteiro para mover-se e respirar em uma maneira Self-passeado, e quando o participante está controlando ativamente o ritmo de respiração (que geralmente ocorre automaticamente) enquanto move o corpo inteiro (Figura 5b).</li>
	</ol>
</li>
</ol><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59827/59827fig5.jpg"> Figura 5: tridimensional (3D) trajetórias e sua velocidade-amplitude série temporal de saída durante os movimentos voluntários da parte superior do corpo. Objetivo-dirigido apontando o comportamento para sondar o controle volitiva usando uma versão da tarefa cinética do tremor da sociedade da desordem de movimento-escala unificada da avaliação da doença de Parkinson (MDS-updrs). (A) participante e avatar na posição sentada realizando a parte superior do corpo, apontando para a meta-dirigida tarefa (topo); trajetórias 3D-posicionais de movimento para frente (para alvo) e para trás (para posição de repouso) (inferior esquerdo); e os perfis de velocidade linear correspondentes mostrando a série temporal de flutuações na amplitude de velocidade (m/s) e intervalos de intervalo inter-pico (MS), derivados do fluxo vetorial de velocidade linear (canto inferior direito). (B) participante e avatar na tarefa de caminhada (Top); trajetórias 3D-posicionais de diferentes partes do corpo (inferior esquerdo) e perfis de velocidade correspondentes (canto inferior direito). <a href="https://www.jove.com/files/ftp_upload/59827/59827fig5large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a>
<ol start="9"><li>Realize tarefas 16 e 17 — vídeo facial (10 min).<ol>
<li>Instrua o participante a sentar-se confortavelmente e a configurar uma câmera na frente do participante.</li>
		<li>Para a tarefa 16 (controle), instrua o participante a olhar fixamente para um espaço sem estímulos por 5 minutos.</li>
		<li>Para a tarefa 17 (sorriso), instrua o participante a assistir a um vídeo engraçado por 5 minutos. Nota: a configurar demora aproximadamente 30 minutos e todo o protocolo demora aproximadamente 60 minutos e um adicional de 10 minutos para 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>

Os autores não têm nada a revelar.

Este trabalho introduz um novo protocolo que permite a integração de testes clínicos tradicionais com dados digitais de sinais biofísicos de saída pelos sistemas nervosos como a pessoa realiza tais testes. Apresentamos o uso do SPIBA e do MMS como uma plataforma unificadora para combinar tipos de dados distintos, como pontuações discretas de métodos observacionais de lápis e papel e dados digitais contínuos de sensores biofísicos. Os métodos são ilustrados utilizando uma coorte de PWP e controles pareados por idade e sexo, com um controle adicional jovem como a referência saudável ideal para comparação. Nós mostramos que os testes clínicos tradicionais (por exemplo, aqueles que podem ser parte do MoCA e do MDS-UPDRS) podem ser usados ao Rank mediano a coorte e extraem automaticamente, da variabilidade inerente dos escores do grupo, informação que estratifica dados no digital de acordo com os níveis de gravidade clinicamente definidos. Esses níveis se alinham bem com os níveis de MDS-UPDRS clínicos e o desempenho do teste cognitivo/memória. Em outra camada de implementação então, examinamos os biorritmos dos sistemas nervosos aproveitados do SNC, da PNS e das camadas ANS, caracterizando, assim, diferentes níveis de autonomia e controle. Fornecemos dados de amostra e assinaturas estocásticas derivadas de tais dados, examinados através da ótica dos critérios clínicos. tal aproximação, nós podemos diferenciar os pacientes dos controles saudáveis; e através de biorritmos digitais, diferenciam-se dentro do PWP, em seus níveis de severidade clinicamente definidos.
Alinhando os dados biofísicos digitais com os critérios clínicos desta forma, nós fornecemos um conjunto interpretável de critérios que podem acompanhar mais dinamicamente mudanças individualizadas nos resultados. Nós moeda esses novos resultados medidas dinâmicas biomarcadores digitais, porque eles são baseados em dados digitais, mas eles fornecem resultados interpretáveis de acordo com critérios clínicos bem estabelecidos e validados. Eles são derivados da série temporal de processos do sistema nervoso, e eles capturam a natureza dinâmica de tal. Em particular, somos capazes de usar ambos os critérios motor e não-motor. Como tal, podemos começar a quantificar os aspectos não motores da DP que agora são conhecidos por preceder a deterioração dos sintomas motores que convencionalmente definiram o transtorno até o momento. Por exemplo, análises faciais como as apresentadas aqui podem ser usadas para examinar microgestos faciais espontâneos durante o sono REM para construir um repertório daqueles que poderiam prever a deterioração das atividades motoras. Da mesma forma, poderíamos usar esses métodos para examinar os níveis de dor durante as atividades diárias e avaliar seus potenciais correlacionados com atividades durante o tempo de sono REM. Isto é importante, porque o sono do REM e o desregulação da dor são sabidos para preceder edições do motor que definem mais tarde o nível de severidade de paládio5,6,7. Usando nossa digitalização das várias tarefas clínicas tradicionais, outras atividades não motoras incorporadas nas tarefas clínicas utilizadas para sondar habilidades cognitivas e de memória foram caracterizadas aqui, e os índices de tais atividades mapeadas para sintomas motores. Estes métodos são passíveis para conectar a pesquisa básica e as práticas clínicas na doença de Parkinson. Eles também podem ser estendidos a outras desordens dos sistemas nervosos.
Além da saída do motor do rosto, durante o sono REM, podemos examinar os gestos faciais durante situações sociais naturais dentro do quadro de autosensoriamento ou por cinestésico para avaliar os níveis de feedback reafferente o cérebro do paciente mais provável recebe. Aqui, apesar das diferenças muito sutis em microgestos nas áreas faciais correspondentes às regiões aferentes do trigeminal v1, v2, v3, foi possível identificar no participante representativo, que região da face deslocou maximamente o assinaturas estocásticas ao transitar entre Estados neutros e naturalmente sorrindo. Isso sugere que o uso do SPIBA e do MMS, será capaz de avaliar outros aspectos não motores (sensoriais) da DP relacionados a dificuldades com a entrada sensorial de canais cinestéticos-táteis. Estes foram encontrados para ser problemáticos no paládio, mesmo durante estágios adiantados da desordem24. Porque o sensorial e o motor estão de mãos dadas, esta informação pode ajudar-nos a prever problemas motores mais óbvios surgindo mais tarde na progressão desta desordem1,7. Nós postular que estes canais cinestésicos ao longo das áreas do trigeminal da cara podem igualmente ajudar-nos a dissociar tipos diferentes de dysregulation da dor, incluindo aqueles relativos às alterações do sono5,6.
Os métodos atuais proporcionam uma nova forma de examinar os sinais biofísicos obtidos dos sistemas nervoso central, periférico e autonômico em tandem, em diferentes condições que requerem diferentes habilidades cognitivas e diferentes níveis de autonomia e controle neuromotor. Usando o Framework SPIBA, onde Análises estocásticas e análises de rede pareadas são aplicadas nos dados padronizados de MMS, também é possível caracterizar objetivamente as atividades cognitivas. As quinze tarefas que foram utilizadas neste experimento requerem diferentes tipos de habilidades cognitivas (por exemplo, habilidades visuo-constracionais, memória visual, habilidades de digitalização perceptual) e diferentes níveis de controle cognitivo (por exemplo, ritmo deliberadamente o apontando velocidade, ritmo a taxa de respiração conforme instruído). Por essa razão, os padrões de estocticidade e conectividade da transmissão de informações do CNS-PNS-ANS de sinais biofísicos expostos durante essas tarefas podem ser utilizados para caracterizar diferentes níveis de cargas cognitivas e seu impacto na produção motora.
Embora Ressaltemos as vantagens de nossos novos métodos e protocolos analíticos, também apontamos advertências e limitações práticas que devem ser consideradas ao adotar nossa plataforma de gravação para coleta de dados síncrona. Isso porque, neste set up, existem vários tipos de software de gravação de streaming em um único computador para fins de sincronização, exigindo a potência computacional do computador para ser alta, ou então um poderia incorrer em perda de dados, congelamento do computador e/ou excesso Ruído. No design atual, dois softwares de streaming (EEG e captura de movimento) e LSL foram executados em um único computador. Como tal, nós tivemos que estar cientes da sobrecarga de processamento e do congelamento possível do computador. Esta foi uma das razões pelas quais nós usamos um dos canais de EEG para extrair os sinais de ECG. Computadores com maior capacidade de memória e processadores mais rápidos podem ser capazes de lidar com um software de ECG separado simultaneamente streaming com o EEG e grade de sensor de cinemática. Estas questões são práticas na natureza e independente dos métodos analíticos (SPIBA) e tipos de dados padrão (MMS) que oferecemos. No entanto, acreditamos que é importante alertar o usuário final sobre a necessidade de avaliar o poder computacional antes de projetar o protocolo para o coregistro de dados de vários fluxos.
Outra advertência que apontemos é que, as 15 tarefas ilustradas no protocolo são um subconjunto do que pode ser usado para desenvolver biomarcadores digitais dinâmicos. Para a finalidade deste artigo, limitamos a algumas tarefas devido à restrição de espaço, e escolhemos os que envolveram diferentes níveis de controle e movimento corporal, e de fato podemos acrescentar outras tarefas não incluídas neste artigo. Nosso objetivo é derivar um subconjunto menor de tarefas que exigiriam menos tempo e esforço. De fato, a partir de nosso laboratório, apontar tarefas (tarefas 10 − 12) é um conjunto de tarefas que achamos ser uma maneira eficaz e eficiente de caracterizar as assinaturas estocásticas de biorritmos variadas por diferentes níveis de controle voluntário e distúrbios neurológicos, incluindo PD 24 de cada , a 30.
Os resultados representativos mostrados neste estudo são um pequeno subconjunto do que pode ser feito com os conjuntos de dados MMS derivados de formas de onda de biossensores e legendas de movimento de câmeras, usando métodos SPIBA. Para fins ilustrativos, foi examinado o MMS em amplitude e focado nas flutuações na amplitude de velocidade linear derivada da COM da pessoa. O COM é um sinal de Resumo de todos os 17 sensores de corpo grade que nós coregistados. No entanto, podemos estender as análises a outros parâmetros rotacionais e a outras variáveis cinéticas (por exemplo, forças e pressão) que geram séries temporais de parâmetros flutuantes (por exemplo, como fizemos com os dados do rosto.) Também, devido à limitação do espaço, nós ilustramos somente a análise de dados de EEG baseados em sua informação da amplitude do escalpe, mas nós podemos igualmente aplicar estas análises aos dados derivados do espaço de fonte31. Para todos os modos de dados, podemos também examinar o Estocasticidade dos tempos entre picos (em vez de pico de amplitude), que também geram séries temporais. Outras séries temporais de parâmetros podem ser derivadas de tais formas de onda, e seu MMS pode ser usado para verificar a coesão e a conectividade da rede que foi construída32,33,34. Além disso, essas análises também podem ser estendidas para o domínio de frequência34. Além da análise mútua da rede de informação, poderíamos ter focado em outras características topológicas da rede para diferenciar PWP e controles e estratificar PWP. Para o propósito deste artigo, focamos na utilidade dessas análises como ferramenta, mas através desse tipo de caracterização, adquirimos conhecimento para fornecer interpretações clinicamente informadas dos dados digitais que essas ferramentas analíticas fornecem.
Os métodos atuais descritos neste estudo servem para introduzir algumas das muitas maneiras possíveis que o SPIBA e o MMS podem ser aplicados à integração de dados clínicos e digitais. Oferecemos esta plataforma unificadora, tipo de dados padronizado e protocolo experimental na esperança de finalmente informar dados digitais de critérios clínicos, e também adicionar mais precisão dos dados digitais aos métodos tradicionais de lápis e papel. Tal melhoria será 1) permitir um rastreamento mais preciso da alteração dos sintomas em resposta ao tratamento, 2) melhorar a compreensão da progressão do PD natural ao longo do tempo, e 3) facilitar a estratificação da apresentação dos sintomas de PD (que pode ditar a clínica única recomendações para cada subgrupo). Como tal, nós esperamos aplicar estes métodos à pesquisa mais adicional no paládio, mas igualmente ver a utilidade na aplicação clínica também. Usando dispositivos de nível comercial, como telefones celulares, os dados biofísicos podem ser obtidos para realizar as análises que ilustramos neste artigo. Atualmente, há esforços na coleta desses dados digitais em uma escala maior, como o estudo de aplicativo mPower da Universidade de Rochester (https://parkinsonmpower.org) e Kaggle. Na verdade, usando esses repositórios de dados de acesso aberto, pudemos estratificar os indivíduos com DP e envelhecimento normal dos dados do acelerômetro obtidos a partir de telefones celulares, e classificar automaticamente as atividades que estão inseridas nos testes clínicos aqui apresentados 35.
Como um próximo passo, pretendemos coletar mais dados de uma ampla gama de população PWP e seus participantes de controle combinados e registrá-los em diferentes pontos de tempo para ser capaz de realizar tanto uma análise transversal e longitudinal usando nossos métodos. Prevemos tais dados digitais recolhidos ofereceria muito mais do que a soma de suas partes, e realmente perceber os princípios de medicina de precisão em neurologia e psiquiatria.

A medicina da precisão (PM) (Figura 1) emergiu como uma plataforma poderosa para desenvolver tratamentos alvejados personalizados. No campo da pesquisa do cancro, este modelo foi muito bem sucedido e seus princípios são limitados para revolucionar o campo médico no futuro próximo1. A PM combina múltiplas camadas de conhecimento, variando de autorrelato de pacientes a genômica. A integração de informações em todas essas camadas resulta em uma avaliação personalizada que possibilita a interpretação dos dados e recomendações de tratamento mais precisas, visando considerar todos os aspectos da vida da pessoa.
Há vários desafios ao tentar adaptar a plataforma PM a distúrbios neuropsiquiátricos e neurológicos dos sistemas nervosos2,3, e esses desafios foram recentemente expressos4. Entre esses estão a disparidade nos dados que são adquiridos, ou seja, pontuações discretas de métodos clínicos de lápis e papel guiados pela observação, e dados biofísicos contínuos adquiridos fisicamente da saída dos sistemas nervosos (por exemplo, usando biossensores). Os dados dos escores clínicos tendem a assumir um único modelo estático que impõe uma única função (teórica) de distribuição de probabilidade (PDF). Essa suposição a priori é imposta aos dados sem validação empírica adequada, pois os dados normativos não foram adquiridos e caracterizados em primeiro lugar. Como tal, não há critérios de similaridade-métrica-baseados apropriados que descrevem os Estados maturacional neurotypical dos sistemas nervosos humanos, porque a pessoa saudável envelhece e os espaços da probabilidade usados para moldar estas variações do parâmetro desloc em alguma taxa. Sem dados normativos e métricas de similaridade adequadas, não é possível medir partidas de Estados típicos à medida que elas mudam dinamicamente em toda a vida da pessoa. Também não é possível prever as conseqüências sensoriais das mudanças futuras.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59827/59827fig1.jpg"> Figura 1: plataforma de medicina de precisão: preenchendo a lacuna entre comportamentos e genômica para possibilitar o desenvolvimento de tratamento direcionado em medicina personalizada traduzida para distúrbios neurológicos e neuropsiquiátricos dos sistemas nervosos. A plataforma da medicina da precisão para o desenvolvimento de tratamentos alvejados personalizados pode ser traduzida para diagnosticar e tratar desordens neurológicas e neuropsiquiátricas dos sistemas nervosos. No entanto, na rede de conhecimento, a camada de análises comportamentais precisa de uma mudança de paradigma para integrar novos resultados digitais emergentes a partir de dados biofísicos com critérios clínicos mais tradicionais. Um desafio adiante é fornecer métodos estatisticamente sonoros e novas ferramentas de visualização intuitiva para tal integração, incentivando o uso de medidas de desfecho digital por médicos, pacientes e cuidadores. Este número foi modificado de Hawgood et al.1 com permissão da associação americana para o avanço da ciência. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig1large.jpg" target="_blank">Por favor clique aqui para ver uma versão maior desta figura.</a>
A abordagem atual "grande média" suaviza como ruído as flutuações estocásticas do indivíduo nos dados, ou seja, a variabilidade do sinal que se manifesta como a pessoa naturalmente envelhece, à medida que o transtorno progride, e como os sistemas nervosos da pessoa receber e responder aos tratamentos. A falta de dados normativos (ou seja, a avaliação de grandes porções transversais e longitudinais da população saudável) nos impede de compreender a dinâmica neurotípica do envelhecimento saudável. Como tal, torna-se um desafio saber como mais geralmente antecipar as conseqüências de uma determinada patologia, como que a patologia começa a se manifestar sistemicamente no indivíduo. As abordagens preditivas são críticas para projetar terapias regenerativas e/ou terapias neuroprotetoras que retardam o processo degenerativo. A doença de Parkinson é um bom exemplo de patologias pelas quais as manifestações da desordem são precedidas por muitos outros sintomas mensuráveis. Nós sabemos hoje que as desordens motoras visíveis foram precedidas por edições sensoriais menos visíveis tais como a função olfactory diminuída5,6, mudanças nos testes padrões da fala, o sono rápido7do movimento de olho (REM), e o outro não-motor sintomas relacionados ao funcionamento dos sistemas nervosos entéricos8. No momento em que a desordem se manifesta, já há depleção dopaminérgica elevada no sistema; Contudo os sintomas do não-motor poderiam ter previsto alguns dos prejuízos visíveis do motor, por que a desordem é avaliada atualmente primeiramente.
É necessário alterar os modelos analíticos atuais e considerar a importância de caracterizar adequadamente os dados empíricos em todos os níveis dos sistemas nervosos, nos quais os movimentos biorhidítmicos se manifestam e podem ser aproveitados dinamicamente na forma de séries temporais co-registrado com uma infinidade de sensores. Os dados do movimento em seu sentido mais geral não devem ser limitados aos movimentos e às desordens que transmitem. Dados digitais de todos os biorritmos dos sistemas nervosos (incluindo formas de onda não-movimento) oferecem o potencial de previsão que nós podemos precisar para ajudar a prevenir ou retardar a neurodegeneração rápida. No entanto, à medida que aumentamos nosso repertório de tipos de dados, devemos evitar a suposição inerente de modelos lineares paramétricos para inferência estatística e interpretação atualmente em uso para analisar esses dados. Será fundamental avaliar a adequação de tais modelos lineares para os tipos de problemas altamente não-lineares que estudamos em patologias de sistemas nervosos sujeitas a turnos estocásticos e mudanças dinâmicas. As advertências nos loops de pipeline de análise de pressuposição atuais estão presentes em ambos os tipos de dados sendo aproveitados: os dos escores clínicos discretos e os das formas de onda biofísicas digitais contínuas. Embora permaneçam desconectados, será importante projetar novos frameworks que permitam a integração adequada de ambos os tipos de dados de forma a alinhar os resultados digitais com critérios clínicos para facilitar o uso de tecnologias digitais emergentes pelos pacientes, cuidadores e clínicos.
Para superar alguns desses desafios, adaptamos recentemente a plataforma PM na Figura 1 para fornecer fenotipagem de precisão para condições neurológicas e neuropsiquiátricas3. Para esse fim, projetamos uma nova forma de reunir, analisar e interpretar dados comportamentais em conjunto com os testes clínicos tradicionais de pontuação, que apuram relações complexas entre fenômenos cognitivos e motores. Mais precisamente, temos digitalizado os métodos de lápis e papel. Os dados de tais métodos sozinhos são muito grosseiros para capturar informações importantes que escapam a olho nu. Mas o seu uso em combinação com dados digitais de sensores biofísicos oferece uma nova avenida para conectar novas tecnologias digitais emergentes com critérios clínicos para incentivar os médicos a adotá-los em um futuro próximo.
Aqui, apresentamos o uso de dados digitais no contexto de avaliações clínicas. Ou seja, como a pessoa executa a tarefa clínica, por exemplo, desenhando um relógio no teste de avaliação cognitiva de Montreal (MoCA), os biorritmos de saída pelos sistemas nervosos são coregistrados em diferentes camadas funcionais. Estes incluem a electroencefalografia (EEG), o eletrocardiografia (ECG ou o EKG), os testes padrões da voz e o cinemática do corpo, e a saída cinemática da pena Hand-Held que a pessoa se usa para extrair o pulso de disparo em um comprimido digitalizado. Também coletamos dados de vídeo do rosto como a pessoa desenha, para realizar análises de sentimento preditiva de estados emocionais. Esses dados são então analisados através da ótica de uma nova plataforma estatística para análise comportamental individualizada (SPIBA) e interpretados de acordo com os critérios clínicos subjacentes a esses testes. Mais especificamente, os escores discretos são utilizados para classificar a mediana da coorte de pacientes e, dessa forma, estratificam o grupo com base nesses critérios clínicos. Podemos então examinar os dados biofísicos contínuos dos grupos assim identificados, em busca de critérios estocásticos digitalmente orientados que separam fundamentalmente um subconjunto de pacientes de outro, em mais de uma dimensão paramétrica. Além disso, examinando os dados biofísicos contínuos em seu próprio direito, de acordo com as flutuações inerentes de cada pessoa dentro da coorte e cegos dos critérios clínicos, podemos procurar aglomerados autoemergentes dentro da coorte, e comparar o medida em que esses clusters mapeiam para aqueles que os subtipos informados pelos critérios clínicos revelaram.
Esta abordagem oferece uma nova maneira de identificar parâmetros dentro da riqueza de dados biofísicos digitais, que mais efetivamente capturar as diferenças entre os subtipos e torna essas diferenças como potencialmente bons candidatos para estratificar pacientes com Parkinson doença (PWP) no cego, isto é, através de um sorteio aleatório da população em geral. A relevância desse método é dupla. Podemos realmente personalizar os tratamentos, enquanto integrando corretamente tipos de dados díspares de biossensores e critérios clínicos; ou seja, dados biofísicos digitais contínuos na forma de séries temporais e escores clínicos discretos de testes tradicionais.
Embora esta seja uma abordagem geral, aplicável a todos os distúrbios dos sistemas nervosos, nós enquadrar o trabalho dentro do contexto do PWP e oferecer novas maneiras de fazer inferências estatísticas sobre os dados digitais contínuos coregistrados durante o desempenho de tais testes clínicos Considerando o sistema de Pontuação clínica discreta. Como tal, o trabalho permite a interpretação clínica dos resultados digitais que se permitem utilizar em parâmetros clínicos. Por último, nós fornecemos recomendações para começar a projetar novas maneiras de Visualizar tais resultados individuais para incorporar em novos aplicativos para facilidade de uso em casa e os ajustes clínicos pelos pacientes, os cuidadores e o pessoal clínico igualmente.

<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

Como a doença de Parkinson (DP) é um distúrbio heterogêneo, a medicina personalizada é realmente necessária para otimizar o cuidado. Em sua forma atual, as pontuações padrão de sintomas de papel e lápis-medidas tradicionalmente usadas para rastrear a progressão da doença são muito grosseiras (discretas) para captar a granularidade dos fenômenos clínicos em consideração, diante de um tremendo sintoma Diversidade. Por esta razão, sensores, wearables, e dispositivos móveis são incorporados cada vez mais na pesquisa do PD e no cuidado rotineiro. Essas medidas digitais, embora mais precisas, geram dados menos padronizados e interpretáveis do que as medidas tradicionais e, consequentemente, os dois tipos de dados permanecem largamente siloados. Ambas as questões apresentam barreiras à ampla aplicação clínica das ferramentas de avaliação mais precisas do campo. Este protocolo aborda os dois problemas. Usando tarefas tradicionais para medir a cognição e controle motor, testamos o participante, enquanto coregistrando sinais biofísicos de forma discreta usando wearables. Em seguida, integramos as pontuações de métodos tradicionais de papel e lápis com os dados digitais que registramos continuamente. Oferecemos um novo tipo de dados padronizado e unificador de plataforma estatística que possibilita o acompanhamento dinâmico da mudança nas assinaturas estocásticas da pessoa diferentes condições que sonda diferentes níveis funcionais de controle neuromotor, variando de voluntária para autonómica. O protocolo e o referencial estatístico padronizado oferecem biomarcadores digitais dinâmicos da função física e cognitiva na DP que correspondem a escalas clínicas validadas, melhorando significativamente sua precisão.

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

Biomarcadores digitais dinâmicos da função motora e cognitiva na doença de Parkinson

Este protocolo oferece uma digitalização de porções de tarefas clínicas tradicionais comumente usadas para medir a cognição e o controle motor na doença de Parkinson. As tarefas clínicas são digitalizadas enquanto os ritmos biofísicos são coregistados a partir de diferentes níveis funcionais dos sistemas nervosos, variando de voluntários, espontâneos, automáticos a autonômicos.

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

Este protocolo pode nos ajudar a estratificar a doença heterogênea de Parkinson pela gravidade cognitiva e motora. Usando sensores vestíveis, podemos digitalizar tarefas clínicas que são comumente usadas por médicos. Ao co-registrar atividades em diferentes níveis funcionais dos sistemas nervosos, identificamos parâmetros altamente informativos de cognição, movimento e emoção, para produzir biomarcadores digitais dinâmicos da doença de Parkinson.Este trabalho oferece uma estrutura unificadora para caracterizar e acompanhar as assinaturas de distúrbios neurológicos de forma personalizada, juntamente com a evolução de toda uma coorte recebendo um determinado tratamento ou terapia. Esta técnica fornece uma plataforma estatística unificadora para rastrear dinamicamente as mudanças nas assinaturas da variabilidade estatística produzida por atividades biológicas autogeridas que abrangem desde moléculas, células, até o comportamento. Transmitir vários softwares requer muita memória do computador, por isso aconselhamos o uso de computadores com alta capacidade de computação, caso contrário, os sistemas podem falhar enquanto eles estão gravando.Usamos vários dispositivos para gravar o cérebro, o corpo e o coração, tudo em conjunto, durante os movimentos naturais, de modo que um meio dinâmico, como o vídeo, ilustraria melhor isso. Demonstrando os procedimentos do meu laboratório serão os estudantes de pós-graduação Jihye Ryu e Joseph Vero. Após a obtenção de consentimentos informados do participante, meça as dimensões corporais do participante para permitir a criação de seu avatar corporal no sistema de captura de movimento.Em seguida, configure o sistema de captura de movimento, incluindo os dezessete sensores de rastreamento de movimento sem fio, e o software de rastreamento de movimento. Coloque sensores em todas as partes do corpo, como indicado, e proteja os sensores com faixas de correia, para permitir movimentos sem impedimentos. Quando todos os sensores tiverem sido colocados, calibrar a posição do participante para criar o avatar.Para configurar o dispositivo EEG e o software de gravação, posicione 31 sensores de canal através do couro cabeludo e coloque o dispositivo de gravação na parte de trás da cabeça. Conecte o último sensor de canal a um conector para medir o sinal cardíaco e posicione o sensor no lado esquerdo do estômago do participante. Em seguida, conecte-se aos sensores de canal de referência atrás da orelha esquerda do participante e use uma seringa para inserir gel de eletrodo nos sensores na tampa EEG.Para capturar a voz do participante durante as avaliações, coloque um microfone na frente do participante e conecte o microfone ao computador no qual a camada de fluxo de laboratório estará em execução. Em seguida, configurar o sistema de camadas de fluxo de laboratório para sincronizar os fluxos de eeg, movimento, áudio e timestamps de clique no mouse, abra o aplicativo de gravador de laboratório, abra e vincule os aplicativos de camada de fluxo de laboratório para o aplicativo win de captura de mouse e áudio e, em seguida, abra um aplicativo de sincronização xsense embutido. Na seção de streaming do aplicativo de gravador de laboratório, pressione Update'to obter uma lista completa de itens de streaming e verifique as caixas para AudioCaptureWin'EEG'MouseButtons'Position'e TrackerKinematics'para vincular o áudio, EEG, cliques do mouse e movimento através do sistema de camadas de fluxo de laboratório.Configure a gravação para capturar o movimento da caneta, incluindo o tablet da caneta e o software de análise de movimento, e coloque o tablet de desenho e a caneta tablet na frente do participante. Conecte o tablet ao computador no qual o software de análise de movimento será gravado e grave um pedaço de papel branco no tablet. Em seguida, pressione o registro na camada de fluxo de laboratório, no software de captura de movimento e no software de gravação EEG.No início e no final de cada tarefa, clique no botão de carimbo de tempo no software de captura de movimento para cronometrar a tarefa. Não se esqueça de anotar o tempo real quando clicar no botão de carimbo de hora como backup, para que, quando você olhar para os dados mais tarde, você possa identificar a tarefa a partir dos carimbos de data de tempo. Para uma cópia imediata da figura complexa de Benson, instrua o participante a copiar a figura de Benson no papel, e para lembrar o design, porque eles serão solicitados a desenhar o design novamente da memória mais tarde.Para a parte A de um teste de trail-making, instrua o participante a traçar uma linha entre círculos que são numerados em ordem ascendente. Para realizar a parte B do teste de trail-making, instrua a traçar uma linha entre círculos que contenham números ou letras em ordem ascendente, alternando entre os números e letras. Para uma tarefa de saque do relógio, instrua o participante a desenhar um relógio analógico com os números de um a doze, e definir a hora para dez e onze.Para conduzir uma cópia de figura complexa de Benson atrasada, instrua o participante a desenhar a figura complexa benson da memória em um pedaço de papel em branco. Para realizar um teste de ventilador de números avançados, instrua o participante a repetir os números que o experimentador lê em voz alta na mesma ordem. Para um teste de ventilador de números atrasados, instrua o participante a repetir os números que o experimentador lê em voz alta na ordem inversa.Para uma tarefa de apontar, posicione um alvo na frente do participante para apontar e tocar, e instrua o participante a apontar para o alvo quarenta vezes de forma auto-acelerada com a mão dominante. Para uma tarefa de apontar metrônomo, instrua o participante a apontar para o alvo quarenta vezes de forma auto-acelerada, enquanto estabelece um metrônomo para bater a 35 batidas por minuto no fundo, mas não instrua nada sobre a batida do metrônomo. Para uma tarefa de apontar, instrua o participante a apontar para o alvo quarenta vezes após o ritmo da batida do metrônomo definido em 35 batidas por minuto.Para realizar uma tarefa de caminhada, primeiro instrua o participante a caminhar naturalmente pela sala por cinco minutos. Em seguida, instrua o participante a andar naturalmente ao redor da sala enquanto define o metrônomo para bater ao fundo por doze batidas por minuto. Em seguida, instrua o participante a andar naturalmente ao redor da sala enquanto acompanha sua taxa de respiração para o metronomo beat set a doze batidas por minuto.Para um vídeo facial, primeiro, instrua o participante a sentar-se confortavelmente e configurar uma câmera na frente do participante. Para a avaliação de controle, instrua o participante a olhar para um espaço sem estímulos por cinco minutos. Para a avaliação do sorriso, instrua o participante a assistir a um vídeo engraçado por cinco minutos.Em cada uma das tarefas de desenho, os pacientes deste estudo representativo estratificaram além dos controles, diferenciando suas assinaturas estocásticas individuais de variabilidade motora de acordo com a Sociedade de Transtorno de Movimento unificada de Parkinson classifica os escores médios classificados. É realizada uma tarefa de apontar para um alvo espacial para avaliar os diferentes níveis de controle volicional, e essa figura ilustra a degradação do centro da trajetória de massa à medida que a gravidade do transtorno aumenta. Usando este ensaio, é possível distinguir cada subtipo de paciente com doença de Parkinson, e acompanhar alterações nas assinaturas estocásticas do paciente da linha de base para tarefas de apontamento associadas ao metrônomo de casos espontâneos e não estruturados e deliberados e instruídos.Em uma avaliação de caminhada automática, o centro de trajetórias em massa para controles e pacientes com Mal de Parkinson, conforme classificação média pela Sociedade de Distúrbios do Movimento unificada de Parkinson, pode ser obtido. Pode-se, então, realizar-se a análise estocástica da tarefa de caminhada, para a qual podem ser feitas diferenciações entre pacientes e controles, e entre pacientes com diferentes gravidades da doença. O software de pose aberta pode ser usado para verificar áreas do rosto mais ativas durante uma determinada tarefa e sondar o conteúdo emocional, verificando transições de área entre emoções durante as tarefas.Integrando sinais biofísicos digitais para o EEG, movimento magnómetro e ECG, utilizando medições teóricas informacionais e análises de conectividade de rede, é possível diferenciar entre pacientes e controles, e entre pacientes com diferente gravidade, examinando a densidade da rede. Usando os dados digitalizados do cérebro um sinal corporal, podemos aplicar uma variedade de análises, incluindo correlação cruzada e coerência cruzada para caracterizar a interatividade entre diferentes modos de biosinais. Nosso laboratório ampliou esses métodos para caracterizar outros distúrbios neurológicos e comportamentais, como a dor, e estudar a cognição incorporada, e todos esses abordam diferentes questões.

Research

JoVE Journal

Behavior

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

Avaliação da função sensório-motora em rato modelos de doença de Parkinson

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

Comportamento

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

Métodos para pesquisar a influência de cima para baixo processos visuais em Comportamento Motor

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

Tango adaptado com base na comunidade para indivíduos com doença de Parkinson e Idosos

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 Elétrica Estimulação Cerebral Montages de Modulação da motricidade humana

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

O "Motor" em Motor implícita sequência de aprendizagem: uma reação Serial depuração pé tempo tarefa

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

Uma romance única Animal motricidade sistema usando simples, prontamente disponível Software de rastreamento

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

Automatizada, a longo prazo ensaio comportamental para funções cognitivas em vários modelos genéticos da doença de Alzheimer, usando 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

Uma instalação em rede de realidade Virtual Desktop para ciência de decisão e as experiências de navegação com vários participantes

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

Experiências de realidade virtual com medidas fisiológicas

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

Avaliações comportamentais de locomoção espontânea em um modelo murino induzida por MPTP a doença de Parkinson

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