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

Denna forskning finansieras delvis av Rutgers Discovery Informatics Institute till JR, The Rutgers University TechAdvance fonder till EBT och JV, New Jersey Governor ' s Council för forskning och behandlingar av autism till EBT och Michael J Fox Foundation till RD.

Alla metoder som beskrivs här har godkänts av Rutgers universitets institutionella granskningsnämnd.
1. deltagare och förvärvs system inrättas
<ol><li>Inhämta informerat samtycke från deltagarna. Obs: deltagarna bör antingen diagnostiseras med Parkinsons sjukdom, eller bör inte diagnostiseras med någon neurologisk sjukdom att fungera som friska kontrolldeltagare. Friska deltagare ska vara kön och ålder matchas mot patient deltagarna. Alla deltagare bör ha rörlighet att kontinuerligt gå i 5 minuter.</li>
	<li>Mät deltagarens kropp dimension (kroppslängd, fotlängd, arm spann, fotled höjd, höft höjd, höftbredd, knä höjd, skuldra bredd, axelhöjd; Figur 2A) för att senare skapa sin kropps avatar i motion capture-systemet. Obs: denna information används i motion capture-systemet för att korrekt registrera positionella data av deltagarens kropp.</li>
	<li>Konfigurera motion capture-systemet, inklusive de 17 trådlösa rörelse spårnings sensorerna och rörelse spårningsprogram varan.<ol>
<li>Placera sensorer på följande kroppsdelar: huvud, bröstbenet, bäckenet, höger axel, höger överarm, höger nedre arm, höger hand, vänster axel, vänster överarm, vänster nedre arm, vänster hand, höger övre ben, höger underbenet, höger fot, vänster övre ben, vänster underbenet, vänster fot (figur 2b). Säkra dessa sensorer med band band för att möjliggöra diskret rörelse.</li>
		<li>När alla sensorer är placerade på rätt ställen, kalibrera deltagarens position för att skapa sin avatar. Anmärkning: Detaljer om kalibreringsmetod finns i Roetenberg et al.9.</li>
	</ol>
</li>
	<li>Ställ in EEG-enhet och EEG-inspelningsprogram.<ol>
<li>Placera 31 sensorer över hårbotten och inspelningsenheten på bakhuvudet av deltagaren. Placera kanal sensorer på följande platser: P7, P4, cz, PZ, P3, P8, O1, O2, T8, F8, C4, F4, Fp2, FZ, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, CP6, CP2, CP1, CP5, FC1, FC5, AF3, PO3 (figur 2C).</li>
		<li>Anslut den återstående kanal sensorn (oz) till en kontakt för att mäta hjärt signalen genom att placera den anslutna sensorn på deltagarens vänstra sida i magen (figur 2C).</li>
		<li>Fäst två referens kanal sensorer bakom deltagarens vänstra öra och sätt sedan in elektrod gelen i sensorerna på EEG-locket med hjälp av en spruta (figur 2C).</li>
		<li>När du är klar, börja strömma de elektriska aktiviteterna på inspelningsprogrammet i några minuter tills det stabiliseras. Anmärkning: figur 2D visar prov spår från EEG-signalerna som utnyttjas från centralanervsystemet (CNS) och autonoma nervsystemet (ans).</li>
	</ol>
</li>
	<li>Ställ in mikrofonen för att fånga deltagarens röst. Placera mikrofonen framför deltagaren och Anslut den till datorn där Lab Stream Layer (LSL) kommer att köras (se LSL nedan) (figur 2e).</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59827/59827fig2.jpg"> Figur 2: Inrättas för att digitalisera traditionella kliniska tester, samtidigt som man integrerar flera vågformer från diskreta trådlösa bärbara biosensorer. (A) inrättas för rit uppgifter: faktisk patient bär diskreta bärbara sensorer och avatar återges i realtid från kinematik som samlas in. (B) sensor platser för en uppsättning av små och lätta rörelse-tracking sensorer (60 Hz), från vilken rörelsedata är co-registrerade synkront över hela kroppen. C) EEG-karta och referensplats. (D) prov EEG-vågformer från de 31 bly-och hjärt signalerna som utvinns ur oz-ledningen. (E) prov vågform från deltagarens röst under en räkneuppgift. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig2large.jpg" target="_blank">Vänligen klicka här för att se en större version av denna siffra.</a>
<ol start="6"><li>Ställ in LSL-systemet för att synkronisera strömmar av EEG-, rörelse-och ljudsignaler, tillsammans med tidsstämplar för musklick (figur 3a).<ol>
<li>Öppna appen Lab Recorder.</li>
		<li>Öppna LSL Apps för mus och in-House byggde Xsens synkronisera app och länka dem till lab Recorder App genom att markera rutorna musknappar och Tracker kinematik i posten från strömmar sektion. Mus-appen kommer att användas för att tidsstämpel händelser under experimentet.</li>
		<li>Länka EEG, rörelse och ljudströmmar till lab Recorder App genom att markera rutorna Audiocapturewin, LSL-EEG, position i posten från strömmar sektion. Obs: LSL-systemet möjliggör en enhetlig samling av mät tidsserier i forsknings experiment som hanterar tidssynkronisering, tillsammans med nätverk och realtidsåtkomst, samt centraliserad insamling, visning och disk inspelning av data. Inom ramen för detta protokoll, LSL systemet synkront strömmar från CNS, perifera nervsystemet (PNS) och ANS, som den person som naturligt utför traditionella kliniska uppgifter.</li>
	</ol>
</li>
	<li>Ställa in inspelning för Penn rörelser, inklusive ritplatta och rörelseanalys programvara (figur 3b).<ol>
<li>Placera rit plattan och Tablet PC-pennan framför deltagaren.</li>
		<li>Anslut tabletten till datorn från vilken rörelseanalys programvara kommer att spela in.</li>
		<li>Placera ett vitt papper på tabletten och säkra med ett band. Obs: Förbered i förväg tidningarna för att visa en ruta för att indikera utrymme där deltagaren skulle dra in.</li>
	</ol>
</li>
	<li>Starta inspelningen.<ol>
<li>Tryck Record i LSL, motion capture Software, och EEG inspelningsprogram.</li>
		<li>I början och slutet av varje uppgift, tidsstämpel med musklick genom att trycka på den tidsstämplar knappen på motion capture programvara. ANMÄRKNINGAR: på så sätt kommer tidsstämplar att registreras i både LSL Stream-data och i motion capture-data. Detta kommer att se till att det finns en back-up tidsstämpel, om en av de tidsstämpling funktioner misslyckas under inspelningen.</li>
	</ol>
</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59827/59827fig3.jpg"> Figur 3: Signaldigitalisering och synkronisering via en gemensam Central process enhets Lab Stream Layer (LSL) system. (A) LSL systemet synkront tillåta Co-registrering av motion (PNS), EEG (CNS), EKG (ans), röst och tid stämpling genom musklick. (B) digitaliserad tablett-och Penn inspelnings kinematik (position) på pennspetsen, under ritning av uppgifter från standardiserade kognitiva tester. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig3large.jpg" target="_blank">Vänligen klicka här för att se en större version av denna siffra.</a>
2. experimentellt förfarande
<ol><li>Utför uppgift 1 – Benson komplex figur kopia (omedelbar)10 (1 min).<ol>
<li>Instruera deltagaren att kopiera Benson figuren på papperet, och att minnas designen eftersom deltagaren kommer att bli ombedd att dra den igen från minnet senare. Anmärkning: detta test är utformat för att bedöma deltagarens visuo-constructional och visuella minnesfunktion (figur 4a).</li>
	</ol>
</li>
	<li>Utföra uppgifter 2 och 3-Trail Making test del A (3 min).<ol>
<li>Instruera deltagaren att rita en linje mellan cirklar som är numrerade i stigande ordning. ANMÄRKNINGAR: det finns två uppgifter i det här avsnittet, där den första (uppgift 2) är att slutföra ett prov test (bestående av 8-nummer) och nästa (uppgift 3) är att slutföra det faktiska testet (bestående av 25 nummer). Detta test var en del av armén individuella test batteri11, och bedömer processorhastighet och verkställande funktion och beror på visuomotor och perceptuell-scanning färdigheter (figur 4b).</li>
	</ol>
</li>
	<li>Utföra uppgifter 4 och 5 — Trail Making test del B (5 min).<ol>
<li>Instruera deltagaren att rita en linje mellan cirklar som innehåller antingen siffror eller bokstäver, i stigande ordning, medan alternerande mellan siffror och bokstäver. Sekvensen skulle till exempel vara: A till 1; 1 till B. B till 2; 2 till C. ANMÄRKNINGAR: det finns två uppgifter i det här avsnittet, där den första (uppgift 4) är att slutföra ett prov prov (bestående av 4 siffror och 4 bokstäver) och nästa (uppgift 5) är att slutföra det faktiska testet (bestående av 13 siffror och 12 bokstäver). Trail Making test del B liknar Trail gör test del A, men kräver mer kognitiv flexibilitet som deltagaren skiftar från nummer till bokstav uppsättningar. (Figur 4b).</li>
	</ol>
</li>
	<li>Utför uppgift 6 — klock ritning (1 min).<ol>
<li>Instruera deltagaren att dra en analog klocka med siffrorna 1 till 12 och ställa in tiden till 10 senaste 11. Obs: detta test är en del av MoCA12 och bedömer deltagarens visuo-constructional färdigheter. (Figur 4c).</li>
	</ol>
</li>
	<li>Utföra uppgift 7-Benson komplex figur kopia (fördröjd)10 (1 min).<ol>
<li>Instruera deltagaren att Rita Benson komplex siffra från minnet på ett tomt papper. Obs: detta test bedömer deltagarens visuo-constructional och visuella minnesfunktion. (Figur 4a).</li>
	</ol>
</li>
	<li>Utför uppgifter 8 och 9 – antal span-test (framåt och bakåt)13 (10 min).<ol>
<li>Instruera deltagaren att upprepa de siffror som försöksledaren läser högt.</li>
		<li>För uppgift 8 (framåt), instruera deltagaren att upprepa siffrorna i samma ordning, och för uppgift 9 (bakåt), för att upprepa dem i omvänd ordning. För båda testerna finns det två försök per sekvens längd som sträcker sig från 3 till 9 siffror för framåt, och 2 till 8 siffror för bakåttestet. Fortsätt att testa tills två nummer strängar på samma längd har misslyckats. Obs: båda testerna mäter kapaciteten att kortfattat hålla information, men bakåttestet (uppgift 9) mäter också förmågan att manipulera siffrorna och vända sekvensen. Som sådan, i samband med det nuvarande protokollet, denna uppgift mäter ett minne och en kognitiv komponent i förhållande till rösten biorytmer utgång.</li>
	</ol>
</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59827/59827fig4.jpg"> Figur 4: mot kliniskt informerade digitala biomarkörer och poängkort: digitalisering av traditionella kliniska tester för att möjliggöra integrering av kliniska kriterier och digitala biofysiska data. Prov spår från standardiserade kognitiva tester. (A) Benson komplex siffra som tillhandahålls till deltagaren att reproducera omedelbart (mitten), eller efter en 10-minuters fördröjning från minnet (höger). (B) Trail en uppgift med nummer som ska anslutas med en linje i en stigande ordning (överst), och Trail B uppgift som innebär alternerande mellan bokstäver och siffror (botten). (C) dra en klocka med instruktioner för att ställa in tiden till 10 senaste 11. För alla exempel spår representerar grå linjer banan för Penn hissar under rit uppgiften, och blå linjer representerar de faktiska Penn ritningarna. För analys undersöker vi båda typerna av banor. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig4large.jpg" target="_blank">Vänligen klicka här för att se en större version av denna siffra.</a>
<ol start="7"><li>Utför uppgifter 10, 11 och 12 — pekar (10 min).<ol>
<li>Placera ett mål framför deltagaren så att det pekar och vidrör.</li>
		<li>För uppgift 10 (kontroll), instruera deltagaren att peka på målet 40 gånger på ett själv tempo sätt med den dominerande handen.</li>
		<li>För uppgift 11 (metronom), instruera deltagaren att peka på målet 40 gånger på ett själv tempo sätt, medan ställa metronomen Beat på 35 BPM i bakgrunden, men inte instruera något om metronomen Beat.</li>
		<li>För uppgift 12 (tempo pekar), instruera deltagaren att peka på målet 40 gånger i takt efter metronomen Beat inställd på 35 BPM. Anmärkning: pekfunktionen gör det möjligt att separera deltagarens rörelse genom avsiktlig (framåtrörelse, från den tidpunkt då handen vilar tills handen når målet) och spontan (bakåt rörelse, från den tidpunkt då handen vidrör målet tills handen återgår till sitt viloläge) och analyserar därmed de biofysiska signalerna när deltagaren utövar frivillig kontroll (avsiktlig rörelse) och när deltagaren utövar liten kontroll (spontan rörelse) (figur 5a ). Genom att införa metronombeats och kräva att deltagaren ska jämna till det som pekar mot metronomslaget, kan man jämföra de biofysiska signalerna när deltagaren rör sig i egen takt, och när deltagaren aktivt kontrollerar rörelse takten till en extern takt.</li>
	</ol>
</li>
	<li>Utför uppgifter 13, 14 och 15 – promenader (25 min).<ol>
<li>Instruera deltagaren att gå naturligt i 5 minuter under tre olika förhållanden.</li>
		<li>För uppgift 13 (kontroll), instruera deltagaren att gå naturligt runt i rummet.</li>
		<li>För uppgift 14 (metronomen), instruera deltagaren att gå naturligt runt i rummet medan ställa metronomen att slå i bakgrunden för 12 BPM.</li>
		<li>För uppgift 15 (tempo andning), instruera deltagaren att gå naturligt runt i rummet medan han/hon steg andningsfrekvensen till metronomen Beat inställd på 12 BPM. Obs: genom att införa metronomslagen kan jämförelser göras av de biofysiska signalerna medan deltagaren använder hela kroppen för att röra sig och andas i egen takt, och när deltagaren aktivt kontrollerar andnings takten (som vanligtvis sker automatiskt) när hela kroppen flyttas (Figur 5b).</li>
	</ol>
</li>
</ol><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59827/59827fig5.jpg"> Figur 5: tredimensionell (3D) banor och deras hastighet-amplitud tidsserie utgång under frivilliga rörelser av överkroppen. Mål-riktade pekar beteende till sond viljande kontroll med hjälp av en version av kinetisk tremor uppgift i rörelsen sjukdom Society-Unified Parkinsons sjukdom rating skala (MDS-UPDRS). (A) deltagare och avatar i sittande ställning utför överkroppen, målinriktat pekar uppgift (överst); 3D-positionella banor av framåt (till målet) och bakåt (till viloläge) rörelse (nederst till vänster); och motsvarande linjära hastighetsprofiler som visar tidsserierna för fluktuationer i hastighetsamplitud (m/s) och intervalltimings (MS), härledda från det linjära hastighets vektor flödet (nederst till höger). (B) deltagare och avatar i Walking uppgiften (överst); 3D-positionella banor av olika kroppsdelar (nederst till vänster) och motsvarande hastighetsprofiler (nederst till höger). <a href="https://www.jove.com/files/ftp_upload/59827/59827fig5large.jpg" target="_blank">Vänligen klicka här för att se en större version av denna siffra.</a>
<ol start="9"><li>Utför uppgifter 16 och 17 – Face video (10 min).<ol>
<li>Instruera deltagaren att sitta bekvämt och ställa in en kamera framför deltagaren.</li>
		<li>För uppgift 16 (kontroll), instruera deltagaren att stirra på ett utrymme utan några stimuli i 5 minuter.</li>
		<li>För uppgift 17 (Smile), instruera deltagaren att titta på en rolig video i 5 minuter. Obs: den inställda tar cirka 30 minuter, och hela protokollet tar cirka 60 minuter, och ytterligare 10 minuter för 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>

Författarna har inget att avslöja.

Detta arbete introducerar ett nytt protokoll som möjliggör integrering av traditionella kliniska tester med digitala data från biofysiska signaler som matas ut av nervsystemet när personen utför sådana tester. Vi introducerar användningen av SPIBA och MMS som en sammanhållande plattform för att kombinera olika typer av data, till exempel diskreta Poäng från Penn-och-papper observationsmetoder och kontinuerliga digitala data från biofysiska sensorer. Metoderna illustreras med hjälp av en kohort av PWP och ålder-och sexmatchade kontroller, med en extra ung kontroll som den idealiska hälsosamma referensen för jämförelse. Vi visar att traditionella kliniska tester (t. ex. de som kan vara en del av MoCA och MDS-UPDRS) kan användas för att median rangordna kohorten och automatiskt extrahera, från den inneboende variationen i gruppens resultat, information som stratifierar data i den digitala enligt kliniskt definierade nivåer av svårighetsgrad. Sådana nivåer överensstämmer väl med nivåer av kliniska MDS-UPDRS och Cognitive/minne test prestanda. På ett annat lager av genomförandet sedan, undersöker vi biorytmer av nervsystemet utnyttjas från CNS, PNS och ANS skikt, vilket kännetecknar olika nivåer av autonomi och kontroll. Vi tillhandahåller exempeldata och stokastiska signaturer som härrör från sådana data, granskas genom optiken i de kliniska kriterierna. Enligt detta tillvägagångssätt kan vi differentiera patienterna från friska kontroller; och genom digitala biorytmeter, differentiera inom PWP, på deras kliniskt definierade nivåer av svårighetsgrad.
Genom att anpassa de biofysiska digitala data med de kliniska kriterierna på detta sätt, ger vi en tolkningsbar uppsättning kriterier som kan mer dynamiskt spåra individualiserade förändringar i utfall. Vi myntar dessa nya resultatåtgärder dynamiska digitala biomarkörer, eftersom de är baserade på digitala data, men de ger tolkningsbara resultat enligt väletablerade och validerade kliniska kriterier. De är härledda från tidsserien av nervsystemet processer, och de fångar den dynamiska karaktären av sådana. I synnerhet kan vi använda både motoriska och icke-motoriska kriterier. Som sådan kan vi börja kvantifiera icke-motoriska aspekter av PD som nu är kända för att föregå försämringen av motoriska symtom som konventionellt har definierat sjukdomen hittills. Till exempel, ansikts analyser som de som presenteras här kan användas för att undersöka spontana ansikts mikro-gester under REM-sömn för att bygga en repertoar av dem som kan förutse försämringen av motoriska aktiviteter. Likaså, vi kunde använda dessa metoder för att undersöka nivåer av smärta under dagliga aktiviteter och bedöma deras potential korrelerar med aktiviteter under REM-sömntid. Detta är viktigt, eftersom både REM-sömn och smärta dysreglering är kända för att föregå motoriska problem senare definiera svårighetsgraden av PD5,6,7. Med hjälp av vår digitalisering av de olika traditionella kliniska uppgifter, andra icke-motoriska aktiviteter inbäddade i de kliniska uppgifter som används för att söka kognitiva och minne förmågor kännetecknades här, och index för sådana aktiviteter mappas till motoriska symtom. Dessa metoder är mottagliga för anslutning av grundforskning och klinisk praxis vid Parkinsons sjukdom. De kan också utvidgas till andra sjukdomar i nervsystemet.
Förutom motoreffekt från ansiktet, under REM-sömn, kan vi undersöka ansikts gester under naturliga sociala situationer inom ramen för själv avkänning eller kinestetiska bekräfta för att mäta nivåerna av åter feedback hjärnan hos patienten mest sannolikt blir. Här, trots de mycket subtila skillnaderna i mikro-gester över ansiktet områden som motsvarar trigeminala afferenta regioner v1, v2, v3, var det möjligt att lokalisera i den representativa deltagaren, vilken region i ansiktet skiftade maximally den Stokastiska signaturer när de övergår mellan neutrala och naturligt leende stater. Detta tyder på att använda SPIBA och MMS, kommer vi att kunna utvärdera andra icke-motoriska (sensoriska) aspekter av PD relaterade till svårigheter med sensorisk input från kinesthetic-touch-kanaler. Dessa har visat sig vara problematiska i PD, även under tidiga stadier av sjukdomen24. Eftersom sensorisk och motor går hand i hand, kan denna information hjälpa oss att förutse mer uppenbara motor frågor ytbeläggning senare i utvecklingen av denna sjukdom1,7. Vi ståndpunkten att dessa kinestetiska kanaler längs trigeminala områden i ansiktet kan också hjälpa oss att separera olika typer av smärta dysreglering, inklusive de som rör sömn förändringar5,6.
De nuvarande metoderna ger ett nytt sätt att undersöka de biofysiska signaler som erhålls från de centrala, perifera och autonoma nervsystemen parallellt, under olika förhållanden som kräver olika kognitiva färdigheter och olika nivåer av autonomi och Neuromotoriska kontroll. Med hjälp av SPIBA-ramverket, där stokastiska analyser och parvis nätverks analyser tillämpas på standardiserade MMS-data, är det också möjligt att objektivt karakterisera kognitiva aktiviteter. De femton uppgifter som användes i detta experiment kräver olika typer av kognitiva färdigheter (t. ex. visuo-konstruktionskunnande, visuellt minne, perceptuell skannings förmåga) och olika nivåer av kognitiv kontroll (t. ex. medvetet tempo pekande hastighet, tempo andningsfrekvensen enligt instruktionerna). Av den anledningen, den stokasticitet och konnektivitet mönster av CNS-PNS-ANS information överföring av biofysiska signaler uppvisade under dessa uppgifter, kan användas för att karakterisera olika nivåer av kognitiva belastningar och deras inverkan på motoreffekten.
Samtidigt som vi understryker fördelarna med våra nya analytiska metoder och protokoll, påpekar vi också varningar och praktiska begränsningar som bör övervägas när vi antar vår inspelnings plattform för synkron datainsamling. Detta beror på att i denna uppsättning, det finns flera inspelningsprogram typer streaming på en enda dator för synkronisering ändamål, vilket kräver datorkraft av datorn för att vara hög, annars kan man drabbas av dataförlust, dator frysning och/eller överskott Buller. I den nuvarande designen kördes två strömmande program (EEG och motion capture) och LSL på en enda dator. Som sådan, vi var tvungen att vara uppmärksam på bearbetning överbelastning och möjlig frysning av datorn. Detta var en av anledningarna till att vi använde en av EEG-kanaler för att extrahera EKG-signaler. Datorer med högre minneskapacitet och snabbare processorer kan hantera ett separat EKG-program samtidigt som det strömmar med EEG-och sensor rutnätet av kinematik. Dessa frågor är praktiska till sin natur och oberoende av de analytiska metoder (SPIBA) och standarddatatyper (MMS) som vi erbjuder. Men vi anser att det är viktigt att uppmärksamma slutanvändaren på behovet av att bedöma beräkningskraft innan man utformar protokollet för data samregistrering från flera strömmar.
En annan varning vi påpekar är att de 15 uppgifter som illustreras i protokollet är en delmängd av vad som kan användas för att utveckla dynamiska digitala biomarkörer. Vid tillämpningen av detta dokument, vi begränsade till några uppgifter på grund av utrymmesbegränsningar, och valde de som involverade olika nivåer av kontroll och kroppslig rörelse, och faktiskt vi kan lägga till andra uppgifter som inte ingår i detta dokument. Vårt mål är att härleda en mindre delmängd av uppgifter som skulle kräva mindre tid och ansträngning. I själva verket, från vårt labb, pekar uppgifter (uppgifter 10 − 12) är en uppsättning uppgifter som vi fann vara ett effektivt och effektivt sätt att karakterisera stokastiska signaturer av biorytmer varierade genom olika nivåer av frivillig kontroll och neurologiska sjukdomar, inklusive PD 24 , 30.
De representativa resultaten som visas i denna studie är en liten delmängd av vad som kan göras med MMS-datauppsättningar som härrör från biosensorer vågformer och kameror rörelse bildtext, med hjälp av SPIBA metoder. I illustrativt syfte undersökte vi MMS i amplitud och fokuserade på fluktuationer i den linjära hastighetamplituden som härrör från personens COM. COM är en sammanfattande signal från alla 17 organ sensorer rutnät som vi Co-registrerade. Vi kan dock utvidga analyserna till andra rotations parametrar, och till andra kinetiska variabler (t. ex. styrkor och tryck) som genererar tidsserier av fluktuerande parametrar (t. ex. som vi gjorde med ansiktsdata.) På grund av utrymmesbegränsningen illustrerade vi bara analysen av EEG-data baserat på dess information om hårbottens amplitud, men vi kan även tillämpa dessa analyser på data som härleds från käll utrymmet31. För alla typer av data, vi kan också undersöka stokasticitet gånger mellan toppar (i stället för maximal amplitud), som också genererar tidsserier. Andra tidsserier av parametrar kan härledas från sådana vågformer, och deras MMS kan användas för att fastställa sammanhållning och konnektivitet från det nätverk som konstruerades32,33,34. Dessutom kan dessa analyser också utökas till frekvensområdet34. Förutom den ömsesidiga informationen nätverksanalys, kunde vi ha fokuserat på andra topologiska funktioner i nätverket för att skilja PWP och kontroller och att stratifiera PWP. I denna uppsats fokuserar vi på nyttan av dessa analyser som ett verktyg, men genom denna typ av karakterisering kommer vi att få kunskap för att ge kliniskt underbyggda tolkningar av de digitala data som dessa analytiska verktyg ger.
De nuvarande metoder som beskrivs i denna studie syftar till att introducera några av de många möjliga sätt som SPIBA och MMS kan tillämpas på klinisk och digital data integration. Vi erbjuder denna förenande plattform, standardiserade data typ och experimentella protokoll i hopp om att äntligen informera digitala data om kliniska kriterier, och jämväl lägga till mer precision från den digitala data till den traditionella penna och papper metoder. Sådan förbättring kommer att 1) möjliggöra mer exakt spårning av symptom förändring som svar på behandling, 2) öka förståelsen för naturlig PD-progression över tid, och 3) underlätta stratifiering av PD-symptompresentationen (som kan diktera unika kliniska rekommendationer för varje undergrupp). Som sådan, vi hoppas att tillämpa dessa metoder för att ytterligare forskning inom PD, men också se användbarhet i kliniska ansökan samt. Med hjälp av kommersiella enheter som mobiltelefoner kan biofysiska data erhållas för att utföra de analyser som vi illustrerade i detta dokument. För närvarande finns det insatser för att samla in sådana digitala data i större skala som mPower app Study från University of Rochester (https://parkinsonmpower.org) och Kaggle. I själva verket med hjälp av dessa Open-Access dataförråd, kunde vi stratifiera PD och normal åldrande individer från accelerometer data som erhållits från mobiltelefoner, och att automatiskt klassificera aktiviteter som är inbäddade i de kliniska tester som presenteras här 35.
Som ett nästa steg strävar vi efter att samla in mer data från ett bredare spektrum av PWP befolkning och deras matchade kontrolldeltagare och registrera dem vid olika tidpunkter för att kunna utföra både en tvärsnitts och longitudinell analys med hjälp av våra metoder. Vi förutser sådana insamlade digitala data skulle erbjuda mycket mer än summan av deras delar, och verkligen inser de grundsatser av precisionsmedicin i neurologi och psykiatri.

Precisionsmedicin (PM) (figur 1) har vuxit fram som en kraftfull plattform för att utveckla individanpassade riktade behandlingar. När det gäller cancerforskning har denna modell varit mycket framgångsrik och dess grundsatser är skyldiga att revolutionera det medicinska området inom en snar framtid1. PM kombinerar flera lager av kunskap, allt från patienters själv rapporter till genomik. Att integrera information i alla dessa skikt resulterar i en personlig bedömning som möjliggör tolkning av data och mer exakta behandlings rekommendationer som syftar till att beakta alla aspekter av personens liv.
Det finns flera utmaningar när man försöker anpassa PM-plattformen till neuropsykiatriska och neurologiska störningar i nervsystemet2,3, och dessa utmaningar har nyligen tonats4. Bland dessa är skillnaden i de data som förvärvas, nämligen diskreta noter från kliniska penna-och-papper metoder styrs av observation, och kontinuerliga biofysiska data fysiskt förvärvade från nervsystemet utgång (t. ex. med hjälp av biosensorer). Data från kliniska Poäng tenderar att anta en en-storlek-passar alla statiska modellen som verkställer en enda (teoretisk) sannolikhets fördelningsfunktion (PDF). Detta antagande på förhand införs på data utan ordentlig empirisk validering, eftersom normativa data inte har förvärvats och karaktäriserats i första hand. Som sådan, det finns ingen ordentlig likhet-metriska-baserade kriterier som beskriver den neurotypiska mognande stater i människans nervsystem, som den friska personen åldrar och sannolikheten utrymmen som används för att kasta dessa parameter variationer Skift i viss takt. Utan normativa data och korrekta likhets mått är det inte möjligt att mäta avvikelser från typiska tillstånd när de ändras dynamiskt över personens liv. Det är inte heller möjligt att förutsäga de sensoriska konsekvenserna av de kommande förändringarna.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59827/59827fig1.jpg"> Figur 1: precisionsmedicin plattform: fylla gapet mellan beteenden och genomik för att möjliggöra riktad behandling utveckling i personlig medicin översatt till neurologiska och neuropsykiatriska störningar i nervsystemet. Den precisionsmedicin plattform för utveckling av personlig riktade behandlingar kan översättas för att diagnostisera och behandla neurologiska och neuropsykiatriska störningar i nervsystemet. Men i kunskapsnätverket behöver lagret av beteendemässiga analyser ett paradigmskifte för att integrera nya framväxande digitala resultat från biofysiska data med mer traditionella kliniska kriterier. En utmaning framöver är att tillhandahålla statistiskt sunda metoder och nya intuitiva visualiseringsverktyg för sådan integration, samtidigt som man uppmuntrar användning av digitala resultatåtgärder av kliniker, patienter och vårdgivare. Denna siffra har modifierats från Hawgood et al.1 med tillstånd från den amerikanska föreningen för främjande av vetenskap. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig1large.jpg" target="_blank">Vänligen klicka här för att se en större version av denna siffra.</a>
Den nuvarande "Grand genomsnitt" strategi jämnar ut som buller individens stokastiska svängningar i data, dvs den signal variation som manifesterar som personen naturligt åldrar, som sjukdomen fortskrider, och som personens nervsystem ta emot och svara på behandlingar. Avsaknaden av normativa data (dvs. att bedöma stora tvärsnitts-och longitudinella delar av den friska befolkningen) hindrar oss från att förstå den neurotypiska dynamiken i hälsosamt åldrande. Som sådan, det blir en utmaning att veta hur man mer allmänt förutse konsekvenserna av en viss patologi, som att patologi börjar systemiskt manifestera i individen. Prediktiva metoder är avgörande för att designa regenerativa terapier och/eller nervskyddande terapier som saktar ner degenerativa processen. Parkinsons sjukdom är ett bra exempel på patologier där manifestationerna av sjukdomen föregås av många andra mätbara symtom. Vi vet idag att de synliga motoriska störningar föregicks av mindre synliga sensoriska frågor såsom minskad lukt-funktion5,6, förändringar i tal mönster, snabb ögonrörelser (REM) sova7, och andra icke-motoriska symtom relaterade till funktionen hos de enteriska nervsystemen8. När sjukdomen manifesterar, det finns redan hög dopaminerga utarmning i systemet; men icke-motoriska symtom kunde ha prognostiserat några av de synliga motoriska funktionsnedsättningar, som sjukdomen är för närvarande främst bedöms.
Det finns ett behov av att ändra de nuvarande analytiska modellerna och överväga vikten av att korrekt karakterisera empiriska data på alla nivåer i nervsystemet, varigenom det är uppenbart att det kan utnyttjas dynamiskt i form av tidsserier Co-registrerat med en mängd sensorer. Rörelsedata i dess allmänare avkänning bör inte begränsas till förehavanden och oordningarna som de sänder. Digitala data från alla biorytmeter i nervsystemet (inklusive icke-rörelse vågformer) erbjuder prognostisering potential som vi kan vi behöver för att förhindra eller bromsa snabb neurodegeneration. Men när vi utökar vår repertoar av datatyper bör vi undvika det inneboende antagandet av parametriska linjära modeller för Statistisk inferens och tolkning som för närvarande används för att analysera sådana data. Det kommer att vara avgörande att utvärdera lämpligheten av sådana linjära modeller för de typer av mycket icke-linjära problem som vi studerar i nervsystem patologier föremål för stokastiska Skift och dynamiska förändringar. Varningar i nuvarande antagande-analys pipeline slingor finns i båda datatyperna utnyttjas: de från diskreta kliniska Poäng och de från den kontinuerliga digitala biofysiska vågformer. Även om de förblir frånkopplade, kommer det att vara viktigt att utforma nya ramverk som möjliggör en korrekt integrering av båda typerna av data på ett sätt som anpassar digitala resultat med kliniska kriterier för att underlätta användningen av framväxande digital teknik av patienter, vårdgivare och kliniker.
För att övervinna några av dessa utmaningar har vi nyligen anpassat PM-plattformen i figur 1 för att ge precision fenotypning för neurologiska och neuropsykiatriska tillstånd3. För detta ändamål har vi utformat ett nytt sätt att samla in, analysera och tolka beteendemässiga data parallellt med traditionella kliniska poängsättnings test som utröna komplexa relationer mellan kognitiva och motoriska fenomen. Mer exakt, vi har digitaliserat penna-och-papper metoder. Endast data från sådana metoder är alldeles för grova för att fånga viktig information som flyr blotta ögat. Men deras användning i kombination med digitala data från biofysiska sensorer erbjuder en ny väg för att ansluta nya framväxande digitala teknologier med kliniska kriterier som kan vara mottagliga för att uppmuntra kliniker att anta dem inom en snar framtid.
Här introducerar vi användningen av digitala data inom ramen för kliniska bedömningar. Nämligen, som personen utför den kliniska uppgiften, t. ex., dra en klocka i Montreal kognitiv bedömning (MoCA) test, biorytmer utdata från nervsystemet är co-registrerade i olika funktionella skikt. Dessa inkluderar elektroencefalografi (EEG), elektrokardiografi (EKG), röstmönster och kinematik från kroppen, och den kinematiska produktionen från den handhållna penna som personen använder för att dra klockan på en digitaliserad tablett. Vi samlar också in video data från ansiktet som personen ritar, för att utföra sentiment analyser prediktiva för känslotillstånd. Dessa data analyseras sedan genom optiken i en ny statistisk plattform för individualiserad beteendeanalys (SPIBA) och tolkas enligt de kliniska kriterier som ligger till grund för sådana tester. Mer specifikt, de diskreta poängen används för att median-Rank kohort av patienter och på detta sätt, stratifiera gruppen baserat på att kliniska kriterier. Vi kan sedan undersöka de kontinuerliga biofysiska uppgifterna för de grupper som sålunda identifierats, i sökandet efter digitalt drivna stokastiska kriterier som i grunden separerar en delmängd av patienterna från en annan, över mer än en parametrisk dimension. Genom att undersöka de kontinuerliga biofysiska uppgifterna i sig, i enlighet med de inneboende variationerna hos varje person i kohorten och för blindat från de kliniska kriterierna, kan vi dessutom söka efter självgående kluster inom kohorten och jämföra i vilken utsträckning sådana kluster kartlägger dem som de undertyper som informerats av de kliniska kriterierna visade.
Detta tillvägagångssätt erbjuder ett nytt sätt att identifiera parametrar inom den rikedom av biofysiska digitala data, som mest effektivt fångar skillnaderna mellan olika subtyper och gör dessa skillnader som potentiellt bra kandidater för att stratifiera patienter med Parkinsons sjukdom (PWP) i blind, dvs över en slumpmässig dragning från den allmänna befolkningen. Relevansen av denna metod är tvåfaldig. Vi kan verkligen personifiera behandlingarna, samtidigt korrekt integrera olika datatyper från biosensorer och kliniska kriterier; dvs kontinuerliga digitala biofysiska data i form av tidsserier, och diskreta kliniska resultat från traditionella tester.
Även om detta är en allmän strategi, som gäller för alla sjukdomar i nervsystemet, vi Rama in arbetet inom ramen för PWP och erbjuda nya sätt att göra statistiska slutsatser om den kontinuerliga digitala data som co-registrerats under utförandet av sådana kliniska tester med tanke på det diskreta kliniska poängsystemet. Som sådan, arbetet möjliggör klinisk tolkning av de digitala resultat som är mottagliga för användning i kliniska inställningar. Slutligen ger vi rekommendationer för att börja designa nya sätt att visualisera sådana individuella utfall för att bädda in i nya appar för enkel användning i hemmet och kliniska inställningar av patienter, vårdgivare och klinisk personal både.

<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

Eftersom Parkinsons sjukdom (PD) är en heterogen sjukdom, är personlig medicin verkligen krävs för att optimera vården. I sin nuvarande form, standard noter från papper och penna symptom-åtgärder som traditionellt används för att spåra sjukdomsprogression är för grova (diskret) för att fånga granularitet av de kliniska fenomen under övervägande, i ansiktet av enorma symptom Mångfald. Av denna anledning, sensorer, wearables, och mobila enheter integreras alltmer i PD forskning och rutinmässig vård. Dessa digitala åtgärder, medan mer exakt, avkastning data som är mindre standardiserade och tolkningsbara än traditionella åtgärder, och följaktligen de två typerna av data är fortfarande i stor utsträckning siloed. Båda dessa frågor utgör hinder för den breda kliniska tillämpningen av fältets mest precisa bedömningsverktyg. Det här protokollet åtgärdar båda problemen. Genom att använda traditionella uppgifter för att mäta kognition och motorisk kontroll testar vi deltagaren, samtidigt som man medregistrerar biofysiska signaler som diskret använder sig av wearables. Vi integrerar sedan poängen från traditionella pappers-och Penn metoder med de digitala data som vi kontinuerligt registrerar. Vi erbjuder en ny standardiserad datatyp och sammanhållande statistisk plattform som möjliggör dynamisk spårning av förändring i personens stokastiska signaturer under olika förhållanden som sond olika funktionella nivåer av Neuromotoriska kontroll, allt från frivillig till autonom. Protokollet och standardiserade statistiska ramverk erbjuder dynamiska digitala biomarkörer för fysisk och kognitiv funktion i PD som motsvarar validerade kliniska skalor, samtidigt som de avsevärt förbättrar deras precision.

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

Dynamiska digitala biomarkörer för motorisk och kognitiv funktion vid Parkinsons sjukdom

Detta protokoll erbjuder en digitalisering av delar av traditionella kliniska uppgifter som vanligen används för att mäta kognition och motorisk kontroll vid Parkinsons sjukdom. Kliniska uppgifter digitaliseras medan biofysiska rytmer är samregistrerade från olika funktionella nivåer i nervsystemet, allt från frivilliga, spontana, automatiska till autonoma.

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

Detta protokoll kan hjälpa oss stratifiera den heterogena Parkinsons sjukdom genom kognitiv och motorisk svårighetsgrad. Med hjälp av bärbara sensorer kan vi digitalisera kliniska uppgifter som ofta används av läkare. Genom att samregistera aktiviteter över olika funktionella nivåer av nervsystemet identifierar vi mycket informativa parametrar för kognition, rörelse och känslor, för att producera dynamiska digitala biomarkörer för Parkinsons sjukdom.Detta arbete erbjuder en enande ram för att karakterisera och spåra signaturer av neurologiska sjukdomar på ett personligt sätt, tillsammans med utvecklingen av en hel kohort som får en viss behandling eller terapi. Denna teknik ger en enande statistisk plattform för att dynamiskt spåra förändringar i signaturer av statistisk variation som produceras av egengenererade biologiska aktiviteter som sträcker sig från molekyler, till celler, till beteende. Streaming flera program kräver en hel del datorminne, så vi skulle råda att använda datorer med hög beräkningskapacitet, annars system kan krascha medan de spelar in.Vi använder flera enheter för att spela in hjärnan, kroppen och hjärtat, alla i tandem, under naturliga rörelser, så ett dynamiskt medium, såsom video, skulle bäst illustrera detta. Demonstrerar procedurerna från mitt labb blir doktoranderna Jihye Ryu och Joseph Vero. Efter att ha fått informerade medgivanden från deltagaren, mäta deltagarens kroppsdimensioner för att möjliggöra skapandet av deras kroppsavatar i motion-capture-systemet.Därefter konfigurerar du rörelsefångstsystemet, inklusive de sjutton trådlösa rörelsespårningssensorerna, och rörelsespårningsprogrammet. Placera sensorer på alla kroppsdelar, som indikeras, och säkra sensorerna med bandband, för att möjliggöra obehindrat rörelse. När alla sensorer har placerats, kalibrera deltagarens position för att skapa avataren.För att ställa in EEG-enheten och inspelningsprogram, placera trettioen kanalsensorer över hårbotten, och placera inspelningsenheten på baksidan av huvudet. Fäst den sista kanalsensorn på en kontakt för att mäta hjärtsignalen, och placera sensorn på vänster sida av deltagarens mage. Fäst sedan referenskanalsensorer bakom deltagarens vänstra öra och använd en spruta för att sätta in elektrodgel i sensorerna på EEG-locket.Om du vill fånga deltagarens röst under utvärderingarna placerar du en mikrofon framför deltagaren och ansluter mikrofonen till den dator där labbströmmens lager kommer att vara igång. Därefter för att ställa in lab stream layers system för att synkronisera strömmarna av EEG, rörelse, ljud och musklick tidsstämplar, öppna lab recorder app, öppna och länka labbströmmen lager apps för mus och ljud fånga vinna app och sedan öppna en in-house byggd xsense synkronisera app. I posten från ström delen av labbinspelaren app, tryck På Update'to få en fullständig lista över strömmande objekt, och markera rutorna för AudioCaptureWin'EEG'MouseButtons'Position'och TrackerKinematics'to länka ljud, EEG, musklick och rörelse genom lab ström layer system.Ställ in inspelningen för att fånga pennrörelsen, inklusive penntabletten och programvaran för rörelseanalys, och placera ritplattan och tablet-pennan framför deltagaren. Anslut tabletten till den dator där programvaran för rörelseanalys kommer att spelas in och tejpa fast en bit vitt papper på surfplattan. Tryck sedan på spela in i labbströmmen, motion-capture-programvaran och EEG-inspelningsprogrammet.Vid start och slutet av varje uppgift, klicka på knappen tidsstämpling på motion-capture programvara för att tidsstämpel uppgiften. Glöm inte att skriva ner den verkliga tiden när du klickar på knappen tidsstämpling som en säkerhetskopia, så när du tittar på data senare kan du identifiera aktiviteten från tidsstämplarna. För en omedelbar Benson komplexa figur kopia, instruera deltagaren att kopiera Benson siffran på papperet, och att komma ihåg designen, eftersom de kommer att bli ombedd att rita designen igen från minnet senare.För del A i ett spår-making test, instruera deltagaren att dra en linje mellan cirklar som är numrerade i stigande ordning. För att genomföra del B av spår-making test, instruera att dra en linje mellan cirklar som innehåller antingen siffror eller bokstäver i stigande ordning, medan alternerande mellan siffror och bokstäver. För en klockritningsuppgift, instruera deltagaren att rita en analog klocka med siffrorna ett till tolv, och att ställa in tiden till tio över elva.För att genomföra en fördröjd Benson komplex figur kopia, instruera deltagaren att dra Benson komplexa siffra från minnet på ett tomt papper. För att genomföra ett framåtnummer fläkttest, instruera deltagaren att upprepa de siffror som experimentören läser högt i samma ordning. För ett bakåtnummer fläkttest, instruera deltagaren att upprepa de siffror som experimentören läser högt i den omvända ordningen.För en pekuppgift placerar du ett mål framför deltagaren till punkt och beröring, och instruerar deltagaren att peka på målet fyrtio gånger på ett självstande sätt med den dominerande handen. För en metronom pekar uppgift, instruera deltagaren att peka på målet fyrtio gånger på ett självgående sätt, samtidigt som en metronom att slå på trettiofem slag per minut i bakgrunden, men inte instruera något om metronomen slå. För en tempo pekar uppgift, instruera deltagaren att peka på målet fyrtio gånger efter takten i metronomen slå satt till trettiofem slag per minut.För att genomföra en promenaduppgift, instruera först deltagaren att gå naturligt runt rummet i fem minuter. Därefter instruera deltagaren att gå naturligt runt i rummet medan du ställer metronomen att slå i bakgrunden för tolv slag per minut. Sedan instruera deltagaren att gå naturligt runt i rummet medan pacing deras andningsfrekvens till metronomen slå inställd på tolv slag per minut.För en ansiktsvideo, först instruera deltagaren att sitta bekvämt och ställa in en kamera framför deltagaren. För kontrollbedömningen, instruera deltagaren att stirra på ett utrymme utan några stimuli i fem minuter. För leende bedömning, instruera deltagaren att titta på en rolig video i fem minuter.I var och en av ritningen uppgifter, patienterna i denna representativa studie stratifierade bortsett från kontrollerna, differentiera deras individuella stokastiska signaturer av motoriska variationer enligt Movement Disorder Society enade Parkinsons sjukdom betyg skala medium rankade poäng. En uppgift att peka på ett spacial mål utförs för att bedöma de olika nivåerna av volitional kontroll, och denna siffra illustrerar nedbrytningen av centrum av massa banan som deltagaren svårighetsgraden av oordning ökar. Med hjälp av denna analys är det möjligt att skilja varje subtyp av patient med parkinsons sjukdom, och att spåra förändringar i patientens stokastiska signaturer från baslinjen till metronom-associerade pekar uppgifter av både spontana och oinstruerade och avsiktliga och instruerade fall.I en automatisk gång utvärdering, centrum för massa banor för kontroller och patienter med Parkinsons sjukdom, som medium-rankad av Rörelsen Disorders Society enade Parkinsons sjukdom betyg skala betyg kan erhållas. Stochastic analys av den gå uppgiften kan sedan utföras, för vilka differentieringar kan göras mellan patienter och kontroller, och bland patienter med olika svårighetsgrader av sjukdomen. Öppna pose programvara kan användas för att fastställa områden i ansiktet som är mest aktiva under en viss uppgift, och att sondera det känslomässiga innehållet genom att fastställa området övergångar över känslor under uppgifter.Integrera digitala biofysiska signaler för EEG, magnotometer rörelse, och EKG, genom att använda informationstekniska teoretiska mätningar och nätverkskonnektivitet analyser, är det möjligt att skilja mellan patienter och kontroller, och bland patienter med olika svårighetsgrad, genom att undersöka tätheten av nätverk. Med hjälp av de digitaliserade data i hjärnan en kropp signaler, kan vi tillämpa en mängd olika analyser, inklusive korskorrelation och cross-coherency att karakterisera interaktivitet mellan olika lägen av biosignaler. Vårt labb har utökat dessa metoder för att karakterisera andra neurologiska och beteendemässiga störningar, såsom smärta, och att studera förkroppsligade kognition, och alla dessa adress olika frågor.

Research

JoVE Journal

Behavior

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

Bedömning av Sensorimotor Funktion i musmodeller av Parkinsons sjukdom

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

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

Metoder för att Utforska Inverkan av Top-down Visual processer på Motor Beteende

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

Samhällsbaserad Anpassad Tango Dansa för Personer med Parkinsons sjukdom och äldre vuxna

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

Icke-invasiv elektrisk hjärnstimulering montage för modulering av humant Motor Function

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

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

Den ”Motor” i implicita Motor sekvens lärande: en fot-stepping seriell reaktionstid uppgift

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

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

En roman enda animaliska motorisk funktion spårningssystem med enkla, lättillgängliga programvara

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

Automatiserad, långsiktiga beteendevetenskaplig analys för kognitiva funktioner i flera genetiska modeller av Alzheimers sjukdom, använda IntelliCage

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

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

En nätverksansluten Desktop Virtual Reality Setup för beslut vetenskap och navigering experiment med flera deltagare

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

Virtual Reality Experiments with Physiological Measures

Virtual Reality experiment med fysiologiska åtgärder

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

Beteendemässiga bedömningar av spontana Locomotion i en murin MPTP-inducerad Parkinsons sjukdom modell

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