Enfoques de redes neuronales profundas para la estimulación cerebral profunda de circuito cerrado

La estimulación cerebral profunda (DBS, por sus siglas en inglés) es el tratamiento de referencia para los pacientes con complicaciones motoras resistentes a los medicamentos de la enfermedad de Parkinson (EP, por sus siglas en inglés) y brinda la única oportunidad de registrar y estimular los ganglios basales humanos. Más recientemente, el uso simultáneo de electrocorticografía de investigación (ECoG) durante la cirugía DBS, incluido el trabajo pionero de Pittsburgh, ha permitido aún más la investigación neurocientífica básica de la dinámica de la red cortical-subcortical humana. El descubrimiento de que la DBS suprime la sincronización aberrante de la actividad neuronal rítmica registrada en pacientes con EP ha hecho avanzar el concepto de que las medidas asociadas con la actividad patológica pueden usarse como biomarcadores para controlar la administración de la terapia DBS. Los estudios piloto de aDBS en PD han informado resultados clínicos prometedores al activar la estimulación DBS cuando la señal registrada del electrodo DBS mostró un alto nivel de potencia oscilatoria en el rango de frecuencia beta (13 - 35 Hz). Ese enfoque, sin embargo, tiene importantes limitaciones. Lo que es más importante, la energía beta registrada desde el cable DBS es suprimida por el movimiento, incluido el temblor de PD, su detección depende en gran medida de la ubicación del cable y el montaje de grabación necesario para grabar durante la estimulación es incompatible con la dirección de corriente direccional, una innovación reciente que emplea contactos de estimulación segmentados. La complejidad inherente del mayor espacio de parámetros a través de las innovaciones de DBS también abruma las técnicas de programación estándar. Finalmente, es probable que el uso de señales de biomarcadores adicionales (p. ej., registradas desde la corteza) mejore la capacidad de controlar de manera adaptativa la DBS para trastornos marcados por sintomatología multidimensional compleja como la EP. La propuesta actual establecerá métodos para superar estas limitaciones mediante el desarrollo de técnicas para la clasificación de características múltiples a partir de grabaciones ECoG, utilizando algoritmos avanzados de aprendizaje automático.