Adaptive Recruitment Curve Analysis Using Bayesian Modeling
2026년 8월 12일 업데이트: James McIntosh, Columbia University
Enhancing Speed and Accuracy of Motor Evoked Potential Recruitment Curve Analysis Using Hierarchical Bayesian Modeling
The purpose of this study is to better understand how electrical or magnetic stimulation affect the nervous system by optimizing the way researchers measure muscle responses. The relationship between stimulation intensity and muscle response is described by "neural recruitment curves," which are critical for monitoring the state of the nervous system during therapies like transcranial magnetic stimulation (TMS) and spinal cord stimulation (SCS).
This study tests a new, real-time computational approach based on our previously developed methods (Hierarchical Bayesian models) to estimate these recruitment curves more efficiently. The primary goal is to use this model to dynamically guide the experiment, automatically selecting the optimal stimulation intensities to test.
The investigators hypothesize that this optimized approach will accurately estimate the entire recruitment curve, or specific targets components of it like the motor threshold, using significantly fewer samples than standard methods. By reducing the number of measurements required, this approach aims to decrease experimental time and minimize participant burden, making future TMS and SCS therapies and experiments more feasible and efficient.
연구 개요
상태
모병
상세 설명
Transcranial magnetic stimulation and other types of neurostimulation play a crucial role in advancing the understanding and manipulation of neural activity for both research and therapeutic purposes.
The proposed approach to sampling recruitment curves in real-time promises to significantly improve the efficiency and precision of experiments that use electrical or electromagnetic stimulation techniques, reducing the experimental burden for participants as well as experimenters.
By enhancing experimental efficiency in multiple experimental settings and techniques, this research directly contributes to accelerating the translation of scientific discoveries into clinical applications.
This study will benchmark the relative performance of different methods against each other by testing existing and proposed algorithms using neurostimulation in people, and comparing the resultant estimates in recruitment curve parameters, and the number of samples required to reach predefined tolerances on these parameters.
연구 유형
중재적
등록 (추정된)
14
단계
- 해당 없음
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 연락처
- 이름: James R McIntosh, PhD
- 전화번호: +19294352335
- 이메일: jrm2263@cumc.columbia.edu
연구 장소
-
-
New York
-
New York, New York, 미국, 10032
- 모병
- Columbia University Irving Medical Center
-
연락하다:
- James R McIntosh, PhD
- 전화번호: 9294352335
- 이메일: jrm2263@cumc.columbia.edu
-
수석 연구원:
- James R McIntosh, PhD
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
예
설명
Inclusion Criteria:
- Healthy adult volunteers aged 18 years and older.
- Able to understand study procedures and provide written informed consent.
Exclusion Criteria:
- 1. History of adverse reaction to Transcranial Magnetic Stimulation (TMS) or non-invasive neurostimulation.
- 2. History of seizures, epilepsy, or family history of epilepsy.
- 3. History of stroke, brain injury, or illness causing brain injury.
- 4. History of head injury or neurosurgery.
- 5. History of neurological diseases, or central nervous system lesions.
- 6. Presence of metallic implants or foreign bodies in the head (outside of dental work/fillings).
- 7. Presence of implanted electronic or medical devices (e.g., cardiac pacemakers, medical pumps, implanted stimulators).
- 8. Current pregnancy or possibility of pregnancy.
- 9. Currently taking medications that alter cortical excitability or lower seizure threshold.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 기초 과학
- 할당: 해당 없음
- 중재 모델: 단일 그룹 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: Test of developed methods
Participants undergo distinct experiments within a single session to compare different neurostimulation sampling algorithms.
Each experiment involves recruitment curve sampling with different methods (e.g., Uniform, Expected Information Gain) to evaluate the accuracy and efficiency of motor threshold.
|
Standard uniform distribution sampling used as a baseline comparison.
Algorithm: Adaptive threshold hunting using the Parameter Estimation by Sequential Testing (PEST) algorithm.
The proposed algorithms will deliver stimulation by using this magnetic stimulation methodology.
The proposed algorithms will deliver stimulation by using this electrical stimulation methodology.
An active sampling algorithm for recruitment curve estimation.
An alternative active sampling algorithm for recruitment curve estimation.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
Number of stimuli to reach a pre-defined threshold error
기간: Through completion of the study visit, 2-4 hours.
|
Number of stimuli required for the compared methods to reach a pre-defined error threshold relative to the ground truth, computed from recruitment curves fitted after sampling using aggregated data.
|
Through completion of the study visit, 2-4 hours.
|
|
Number of stimuli to reach a pre-defined predictive curve error
기간: Through completion of the study visit, 2-4 hours.
|
Number of stimuli required for the compared methods to reach a pre-defined error threshold relative to the ground truth, computed from recruitment curves fitted after sampling using aggregated data.
|
Through completion of the study visit, 2-4 hours.
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
Mean absolute error in a given parameter (e.g. threshold, predictive curve, slope) for a given number of stimuli
기간: Through completion of the study visit, 2-4 hours.
|
The error of the methods under comparison, with the ground truth computed from recruitment curves fitted subsequent to sampling using aggregated data.
|
Through completion of the study visit, 2-4 hours.
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 수석 연구원: James R McIntosh, PhD, Columbia University
간행물 및 유용한 링크
연구에 대한 정보 입력을 담당하는 사람이 자발적으로 이러한 간행물을 제공합니다. 이것은 연구와 관련된 모든 것에 관한 것일 수 있습니다.
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (추정된)
2026년 9월 1일
기본 완료 (추정된)
2027년 3월 31일
연구 완료 (추정된)
2027년 3월 31일
연구 등록 날짜
최초 제출
2026년 4월 20일
QC 기준을 충족하는 최초 제출
2026년 4월 24일
처음 게시됨 (실제)
2026년 5월 1일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2026년 8월 14일
QC 기준을 충족하는 마지막 업데이트 제출
2026년 8월 12일
마지막으로 확인됨
2026년 8월 1일
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- AAAV6853
- 1R03NS141040-01A1 (미국 NIH 보조금/계약)
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
예
IPD 계획 설명
De-identified MEP data and analysis code and algorithms.
IPD 공유 기간
Together with publication at the end of this study (04/2027).
IPD 공유 액세스 기준
Open access repository (e.g.
Zenodo and Github).
IPD 공유 지원 정보 유형
- ANALYTIC_CODE
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
예
미국에서 제조되어 미국에서 수출되는 제품
아니
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .