Diepe neurale netwerkbenaderingen voor gesloten-lus diepe hersenstimulatie

Diepe hersenstimulatie (DBS) is de gouden standaardbehandeling voor patiënten met medicatieresistente motorische complicaties van de ziekte van Parkinson (PD) en biedt de enige mogelijkheid om de basale ganglia van de mens op te nemen en te stimuleren. Recentelijk heeft het gelijktijdige gebruik van onderzoekselektrocorticografie (ECoG) tijdens DBS-chirurgie, inclusief pionierswerk uit Pittsburgh, verder fundamenteel neurowetenschappelijk onderzoek naar de dynamiek van menselijke corticaal-subcorticale netwerken mogelijk gemaakt. De ontdekking dat afwijkende synchronisatie van ritmische neuronale activiteit die bij PD-patiënten wordt geregistreerd, wordt onderdrukt door DBS, heeft het concept naar voren gebracht dat maatregelen die verband houden met pathologische activiteit kunnen worden gebruikt als biomarkers om de afgifte van DBS-therapie te controleren. Pilotstudies van aDBS bij PD hebben veelbelovende klinische resultaten gerapporteerd van het triggeren van DBS-stimulatie wanneer het signaal opgenomen van de DBS-elektrode een hoog niveau van oscillerend vermogen vertoonde in het bètafrequentiebereik (13 - 35 Hz). Die aanpak heeft echter belangrijke beperkingen. Het belangrijkste is dat het bètavermogen dat van de DBS-lead wordt geregistreerd, wordt onderdrukt door beweging, waaronder PD-tremor, de detectie ervan is sterk afhankelijk van de locatie van de lead en de opnamemontage die nodig is om op te nemen tijdens stimulatie is niet compatibel met directionele stroomsturing, een recente innovatie die gebruikmaakt van gesegmenteerde stimulatiecontacten. De inherente complexiteit van de grotere parameterruimte door DBS-innovaties overtreft ook de standaard programmeertechnieken. Ten slotte zal het gebruik van aanvullende biomarkersignalen (bijv. Opgenomen uit de cortex) waarschijnlijk het vermogen verbeteren om DBS adaptief te controleren op aandoeningen die worden gekenmerkt door complexe multidimensionale symptomatologieën zoals PD. Het huidige voorstel zal methoden vaststellen om deze beperkingen te overwinnen door technieken te ontwikkelen voor classificatie van meerdere functies op basis van ECoG-opnamen, met behulp van geavanceerde algoritmen voor machinaal leren.