Deep Neural Network-Ansätze für die Tiefenhirnstimulation mit geschlossenem Regelkreis

Die tiefe Hirnstimulation (DBS) ist die Goldstandard-Behandlung für Patienten mit medikamentenresistenten motorischen Komplikationen der Parkinson-Krankheit (PD) und bietet die einzige Möglichkeit, die menschlichen Basalganglien aufzuzeichnen und zu stimulieren. In jüngster Zeit hat der gleichzeitige Einsatz der Forschungselektrokortikographie (ECoG) während DBS-Operationen, einschließlich bahnbrechender Arbeiten aus Pittsburgh, die grundlegende neurowissenschaftliche Untersuchung der Dynamik menschlicher kortikal-subkortikaler Netzwerke weiter ermöglicht. Die Entdeckung, dass eine abweichende Synchronisation rhythmischer neuronaler Aktivität, die bei PD-Patienten aufgezeichnet wird, durch DBS unterdrückt wird, hat das Konzept vorangetrieben, dass mit pathologischer Aktivität verbundene Messungen als Biomarker zur Steuerung der Verabreichung einer DBS-Therapie verwendet werden können. Pilotstudien zu aDBS bei Parkinson haben vielversprechende klinische Ergebnisse durch die Auslösung der DBS-Stimulation ergeben, wenn das von der DBS-Elektrode aufgezeichnete Signal ein hohes Maß an Oszillationsleistung im Beta-Frequenzbereich (13–35 Hz) zeigte. Dieser Ansatz weist jedoch erhebliche Einschränkungen auf. Am wichtigsten ist, dass die von der DBS-Elektrode aufgezeichnete Beta-Leistung durch Bewegung, einschließlich PD-Tremor, unterdrückt wird, ihre Erkennung stark von der Elektrodenposition abhängt und die für die Aufzeichnung während der Stimulation erforderliche Aufzeichnungsmontage nicht mit der Richtungsstromsteuerung kompatibel ist, einer jüngsten Innovation, die segmentierte Stimulationskontakte verwendet. Die inhärente Komplexität des erweiterten Parameterraums durch DBS-Innovationen überfordert auch Standardprogrammiertechniken. Schließlich dürfte die Verwendung zusätzlicher Biomarkersignale (z. B. vom Kortex aufgezeichnet) wahrscheinlich die Fähigkeit zur adaptiven Kontrolle des DBS bei Störungen verbessern, die durch komplexe mehrdimensionale Symptomatiken wie Parkinson gekennzeichnet sind. Der aktuelle Vorschlag wird Methoden zur Überwindung dieser Einschränkungen durch die Entwicklung von Techniken zur Klassifizierung mehrerer Merkmale aus ECoG-Aufzeichnungen unter Verwendung fortschrittlicher Algorithmen für maschinelles Lernen festlegen.