Abordagens de Rede Neural Profunda para Estimulação Cerebral Profunda de Circuito Fechado

A estimulação cerebral profunda (DBS) é o tratamento padrão-ouro para pacientes com complicações motoras resistentes a medicamentos da doença de Parkinson (DP) e oferece a única oportunidade de registrar e estimular os gânglios da base humanos. Mais recentemente, o uso simultâneo de eletrocorticografia de pesquisa (ECoG) durante a cirurgia DBS, incluindo o trabalho pioneiro de Pittsburgh, permitiu ainda mais a investigação básica da neurociência da dinâmica da rede cortical-subcortical humana. A descoberta de que a sincronização aberrante da atividade neuronal rítmica registrada em pacientes com DP é suprimida pelo DBS avançou o conceito de que medidas associadas à atividade patológica podem ser usadas como biomarcadores para controlar a administração da terapia DBS. Estudos piloto de aDBS na DP relataram resultados clínicos promissores de estimulação DBS quando o sinal registrado do eletrodo DBS mostrou um alto nível de potência oscilatória na faixa de frequência beta (13 - 35 Hz). Essa abordagem, no entanto, tem limitações importantes. Mais importante ainda, a potência beta registrada do eletrodo DBS é suprimida pelo movimento, incluindo o tremor PD, sua detecção é altamente dependente da localização do eletrodo e a montagem de gravação necessária para gravar durante a estimulação é incompatível com a direção de corrente direcional, uma inovação recente que emprega contatos de estimulação segmentados. A complexidade inerente do aumento do espaço de parâmetros por meio das inovações do DBS também supera as técnicas de programação padrão. Finalmente, é provável que o uso de sinais adicionais de biomarcadores (por exemplo, registrados no córtex) melhore a capacidade de controlar de forma adaptativa a DBS para distúrbios marcados por sintomatologias multidimensionais complexas, como a DP. A proposta atual estabelecerá métodos para superar essas limitações, desenvolvendo técnicas para classificação multifuncional de registros de ECoG, usando algoritmos avançados de aprendizado de máquina.