Estimulação cerebral profunda para a doença de Parkinson: novo algoritmo para o ajuste das configurações de estimulação desenvolvido

21/12/2022 - Estudo da Charité mostra que algoritmo é equivalente a tratamento padrão

Você pode ver as posições anatômicas de dois eletrodos de estimulação cerebral. As estruturas anatômicas relevantes para a estimulação cerebral profunda na doença de Parkinson são mostradas em cores. As posições dos eletrodos foram determinadas com base em dados de imagens radiológicas individuais. O recém-desenvolvido software StimFit usa essas informações para calcular sugestões para configurações de estimulação eficazes. © Charité | Jan Roediger

A estimulação cerebral profunda (DBS) é uma opção de tratamento estabelecida para pacientes que sofrem da doença de Parkinson. Em um procedimento neurocirúrgico, dois eletrodos são implantados no cérebro para estimular permanentemente regiões específicas do cérebro. Definir os parâmetros de estimulação, no entanto, é um processo complexo. Uma equipe de pesquisa da Charité – Universitätsmedizin Berlin desenvolveu um algoritmo que pode aumentar a eficiência. Em seu estudo, publicado no The Lancet Digital Health*, os pesquisadores foram capazes de mostrar que as configurações de parâmetros sugeridas por um algoritmo recém-desenvolvido levaram à melhora dos sintomas motores comparáveis ​​ao tratamento padrão.

A doença de Parkinson é a segunda doença neurodegenerativa mais comum depois da doença de Alzheimer. Na Alemanha, cerca de 400.000 pessoas são afetadas e, devido ao envelhecimento demográfico, os números estão aumentando. Além do tremor parkinsoniano, um tremor involuntário dos membros, um dos sintomas que afeta principalmente os pacientes é o controle motor prejudicado. "Os pacientes se sentem rígidos, acham mais difícil iniciar e parar os movimentos, movem-se mais lentamente e têm uma marcha instável, que pode levar a quedas", diz o Prof. Dr. Andrea Kühn, chefe da Unidade de Distúrbios do Movimento e Neuromodulação do Departamento de Neurologia e Neurologia Experimental do Charité. “Ainda não há cura para a doença de Parkinson, mas a estimulação cerebral profunda pode melhorar significativamente muitos sintomas, especialmente os sintomas motores”.

A estimulação cerebral profunda (DBS) envolve um procedimento cirúrgico durante o qual dois eletrodos são implantados no cérebro do paciente. Esses eletrodos emitem impulsos elétricos fracos e curtos que estimulam as respectivas regiões cerebrais de maneira direcionada e contínua. Fios que passam sob a pele conectam os eletrodos a um marca-passo na cavidade torácica, que é usado para definir um grande número de diferentes parâmetros de estimulação. Esses parâmetros podem ser adaptados individualmente aos sintomas do paciente com Parkinson. Três meses após o procedimento cirúrgico, os pacientes chegam ao centro DBS por vários dias, durante os quais diferentes configurações de estimulação são testadas para otimizar o benefício do tratamento. “As configurações de estimulação são ajustadas em nosso distúrbio de movimento especial. Para encontrar uma boa configuração, testamos os respectivos efeitos e efeitos colaterais de estimular os diferentes contatos do eletrodo regularmente”, diz o Prof. Kühn. “Desenvolvemos o algoritmo StimFit para tornar esse processo mais eficiente e, em última análise, mais confortável para os pacientes”, diz Jan Roediger, principal autor do estudo e também parte da Unidade de Distúrbios do Movimento e Neuromodulação do Departamento de Neurologia e Neurologia Experimental de Charité.

Com base em dados de imagem radiológica do cérebro do paciente, o algoritmo calcula sugestões para uma configuração de estimulação individual que deve levar a uma melhora nos sintomas. Entre os parâmetros mais importantes que precisam ser considerados estão a intensidade da corrente e o posicionamento preciso das áreas de entrega de estímulos dos eletrodos. "Usamos o software de código aberto Lead-DBS, outro desenvolvimento da Charité, para determinar a posição exata dos eletrodos no cérebro com base em dados de imagem e incluí-los no algoritmo", diz Jan Roediger. “O próximo passo foi treinar nosso algoritmo com um conjunto de dados de mais de 600 configurações de estimulação, dados de imagem associados e efeitos na sintomatologia”.

Para descobrir se as configurações sugeridas pelo StimFit podem competir com aquelas determinadas por meio de testes clínicos, a equipe de pesquisa realizou um estudo com 35 pacientes com doença de Parkinson. Ambos os tipos de configurações de estimulação – as configurações individuais criadas pelo teste clínico tradicional (procedimento padrão de atendimento) e as configurações baseadas em algoritmos – foram testadas sucessivamente. Nem os participantes do estudo nem os profissionais médicos sabiam a ordem em que as configurações de estimulação foram aplicadas. Posteriormente, a melhora motora em ambas as condições de estimulação foi avaliada e comparada, respectivamente. “A mobilidade geral dos pacientes e também sua marcha melhoraram igualmente bem com os dois tipos de configurações de estimulação”, diz o Prof. Kühn. “Este é um resultado verdadeiramente promissor. Algoritmos baseados em imagem podem simplificar significativamente a prática clínica de THS na doença de Parkinson e outros distúrbios do movimento no futuro. Isso nos permitiria aproveitar os últimos avanços técnicos de forma mais completa, incluindo eletrodos multicontato para estimulação direcional.”

A expressão dos sintomas de Parkinson, como imobilidade, distúrbios da marcha ou tremor involuntário, varia de pessoa para pessoa e deve ser considerada ao definir os estimuladores cerebrais. Os pesquisadores planejam levar esse fato em consideração na otimização técnica adicional do algoritmo. Eles também estão trabalhando no desenvolvimento de modelos que podem prever a probabilidade de efeitos colaterais com mais precisão. Isso os ajudará a melhorar as configurações de estimulação baseadas em algoritmos e o resultado terapêutico futuro, além de abrir caminho para novos ensaios clínicos. Original em inglês, tradução Google, revisão Hugo. Fonte: Charite.

Programação de estimulação cerebral profunda guiada por algoritmo de entrada múltipla para pacientes com doença de Parkinson

 

29 October 2022 - Resumo

Os avanços tecnológicos da Estimulação Cerebral Profunda (DBS) dentro do núcleo subtalâmico (STN) para a doença de Parkinson (DP) fornecem mais opções de programação com maior carga de programação. Reduzir o esforço de otimização DBS requer novas estratégias de programação. O objetivo deste estudo foi avaliar a viabilidade de uma abordagem semiautomática de programação guiada por algoritmo (AgP - algorithm-guided-programming) para obter configurações de estimulação benéficas para pacientes com DP com sistemas DBS direcional. O AgP avalia iterativamente a combinação ponderada de respostas avaliadas pelo sensor e pelo clínico de vários sintomas de DP às configurações sugeridas de DBS até convergir para uma solução final. A eficácia clínica aguda das configurações de AgP DBS e as configurações de DBS que foram encontradas após um procedimento padrão de atendimento (SoC - standard of care) foram comparadas de forma randomizada, cruzada e duplo-cega em 10 indivíduos com DP de um único centro. Em comparação com a ausência de terapia, as configurações de AgP e SoC DBS melhoraram significativamente (p = 0,002) os escores totais da Escala III de Avaliação da Doença de Parkinson Unificada III (mediana de 69,8 intervalo interquartil (IQR) 64,6 | 71,9% e 66,2 IQR 58,1 | 68,2%, respectivamente). Apesar de seus resultados clínicos semelhantes, as configurações de AgP e SoC DBS diferiram substancialmente. Por sujeito, o AgP testou 37,0 IQR 34,0|37 configurações antes da convergência, resultando em 1,7 IQR 1,6|2,0 h, que é comparável aos relatórios anteriores. Embora os resultados clínicos de longo prazo do AgP ainda precisem ser investigados, essa abordagem constitui uma alternativa para a programação DBS e representa um passo importante para futuros sistemas de otimização DBS em malha fechada. (segue...) Original em inglês, tradução Google, revisão Hugo. Fonte: Nature.

Uma revisão sistemática de fisiomarcadores potenciais de campo local na doença de Parkinson: de correlações clínicas a algoritmos adaptativos de estimulação cerebral profunda

08 de outubro de 2022 - Resumo - O tratamento com estimulação cerebral profunda (DBS) provou ser eficaz na supressão dos sintomas de rigidez, bradicinesia e tremor na doença de Parkinson. Ainda assim, os pacientes podem sofrer flutuações incapacitantes na gravidade dos sintomas motores e não motores durante o dia. O tratamento convencional de DBS consiste em estimulação contínua, mas pode ser potencialmente otimizado adaptando as configurações de estimulação à presença ou ausência de sintomas por meio de controle de circuito fechado. Isso depende criticamente do uso de 'fisiomarcadores' extraídos de sinais (neuro)fisiológicos. Os marcadores físicos ideais para DBS adaptativo (aDBS) são indicativos da gravidade dos sintomas, detectáveis ​​em todos os pacientes e tecnicamente adequados para implementação. Nas últimas décadas, muito esforço tem sido colocado na detecção de fisiomarcadores de potencial de campo local (LFP) e em seu uso na prática clínica. Conduzimos uma síntese de pesquisa das correlações que foram relatadas entre as características do sinal LFP e um ou mais sintomas motores específicos da DP. Características baseadas na banda beta espectral (~ 13 a 30 Hz) explicaram ~ 17% da variabilidade individual na bradicinesia e gravidade dos sintomas de rigidez. Limitações de oscilações de banda beta como fisiomarcador são discutidas e estratégias para melhoria adicional de aDBS são exploradas.

Introdução

A doença de Parkinson (DP) é uma doença neurodegenerativa que leva a uma ampla gama de sintomas motores e não motores. Até o momento, nem uma cura nem terapias modificadoras da doença estão disponíveis. A medicação dopaminérgica pode suprimir adequadamente os sintomas iniciais, mas normalmente se torna menos eficaz à medida que a doença progride. Pacientes com DP em estágio avançado podem ser encaminhados para procedimentos estereotáxicos, como estimulação cerebral profunda (DBS). Em média, o tratamento com DBS reduz significativamente os sintomas motores medidos com a Escala Unificada de Avaliação da Doença de Parkinson (UPDRS) [ 1 , 2 , 3 , 4 ]. No entanto, os resultados clínicos são variáveis ​​entre os indivíduos, e os efeitos colaterais induzidos pela estimulação, como discinesia, disartria e sintomas neuropsiquiátricos, são comuns.5 ]. A eficácia do DBS também pode variar durante o dia dentro dos indivíduos como resultado da ingestão concomitante de medicamentos ou flutuações fisiológicas. Esses desafios exigem uma otimização das configurações de estimulação ajustadas ao paciente individual e de maneira dependente do tempo.

Para conseguir isso, os chamados fisiomarcadores relacionados à gravidade de certos sintomas ou estados (não) motores podem ajudar a titular a estimulação de maneira ideal. Por exemplo, o DBS pode ser ligado com base na detecção de um marcador físico que sinaliza a presença de tremor e desligado quando o marcador físico não for mais detectado. Esta forma de DBS é chamada de DBS “adaptativa” (aDBS) ou “closed-loop” [ 6 ] e atualmente já é aplicada como atendimento clínico em alguns países [ 7 ]]. O aDBS reduz potencialmente os efeitos colaterais devido à superestimulação, economiza o consumo de energia da bateria e também promete implementar configurações de estimulação específicas para sintomas. O sucesso das aplicações aDBS depende criticamente da qualidade e valor preditivo do fisiomarcador usado. Sinais eletrofisiológicos não invasivos, como EEG e ECG, são relativamente fáceis de medir, mas podem não ter uma relação clara com a gravidade dos sintomas. EMG e acelerometria são capazes de detectar sintomas de tremor e discinesia [ 8 , 9 , 10 ], mas também são propensos a confundir sinais de movimentos voluntários. Em geral, os seguintes critérios podem ser aplicados para julgar a utilidade clínica de um determinado fisiomarcador:

(1) Indicativo O fisiomarcador está suficientemente ligado à gravidade dos sintomas flutuantes?

(2) Indivíduo O fisiomarcador é detectável em cada paciente e específico do paciente, se necessário?

(3) Implementável O fisiomarcador é (tecnicamente) capaz de titular automaticamente a estimulação?

Um candidato primário para extrair marcadores físicos adequados é o sinal de potencial de campo local (LFP) que pode ser registrado a partir dos contatos do eletrodo DBS que não são usados ​​para estimulação. Neuroestimuladores modernos que permitem a detecção, como o Medtronic Percept™ PC [ 11] demonstraram que é tecnicamente viável integrar gravações e estimulação LFP dentro do mesmo dispositivo DBS. Isso tem a vantagem de que a atividade neural pode ser registrada diretamente das estruturas alvo do DBS que se acredita estarem implicadas na doença. As características do sinal da LFP podem, portanto, ter uma relação direta (causal ou associativa) com os sintomas clínicos. Nas últimas décadas, muito esforço tem sido feito na descoberta dos fisiomarcadores da LFP na DP e no seu uso na prática clínica. Nesta revisão sistemática, fornecemos uma visão geral dos marcadores que foram estudados, mostramos seus tamanhos de efeito agrupados e discutimos até que ponto eles são indicativos, individuais e implementáveis ​​para o sucesso do tratamento com aDBS. (segue...) Original em inglês, tradução Google, revisão Hugo. Fonte: Springer.

Algoritmo computacional associado à eletroencefalografia se mostra eficaz para diagnosticar Alzheimer

Utilizando duas técnicas de baixo custo, pesquisadores no Brasil diferenciam pacientes com a doença de indivíduos saudáveis. Os próximos passos incluem refinar a abordagem para diagnosticar a doença em seus estágios iniciais (foto: Chris Hope/Wikimedia Commons).

January 19, 2022 - Computational algorithm associated with electroencephalography proves effective to diagnose Alzheimer’s.

 

Algoritmo pode tornar a estimulação cerebral profunda um processo mais adaptável

JUNE 7, 2021 - Um algoritmo que detecta e remove a interferência elétrica produzida por dispositivos de estimulação cerebral profunda (DBS) poderia tornar possível projetar dispositivos adaptáveis ​​que tratam melhor os tremores relacionados à doença de Parkinson, relatam os pesquisadores.

Seu algoritmo é descrito no estudo “Descobrindo biomarcadores durante a neuromodulação terapêutica com PARRM: Método de reconstrução e remoção de artefato baseado em período”, publicado na revista Cell Reports Methods.

DBS é uma forma de terapia de neuromodulação que fornece pulsos elétricos diretamente para o cérebro. Isso funciona para aliviar certos sintomas físicos associados ao Parkinson e outras doenças neurodegenerativas, incluindo tremor, rigidez e rigidez, bem como dor crônica. Também é usado para tratar os sintomas de certas condições psiquiátricas, como o transtorno obsessivo-compulsivo (TOC).

Uma limitação dos dispositivos DBS atuais é que eles não podem sentir simultaneamente os sinais cerebrais relacionados ao distúrbio e adaptar sua atividade de estimulação de acordo. Esta capacidade permitiria que os dispositivos DBS identificassem melhor os sinais de biomarcadores e se adaptassem às necessidades do usuário.

A frequência de estimulação de um dispositivo atual pode ser ajustada para levar em conta a evolução da condição do paciente, mas isso deve ser feito manualmente por um médico.

“Sabemos que existem sinais elétricos no cérebro associados a estados de doença e gostaríamos de poder registrar esses sinais e usá-los para ajustar a terapia de neuromodulação automaticamente”, David Borton, PhD, engenheiro biomédico da Brown University e o autor sênior do estudo, disse em um comunicado de imprensa da universidade.

“O problema é que a estimulação cria artefatos elétricos que corrompem os sinais que estamos tentando registrar”, acrescentou Borton. "Então, desenvolvemos um meio de identificar e remover esses artefatos, então tudo o que resta é o sinal de interesse do cérebro."

Como o artefato que um dispositivo DBS produz é um efeito do próprio dispositivo, ele varia relativamente pouco de um uso para o outro. Borton e colegas examinaram o sinal médio do artefato ao longo do tempo e ensinaram seu algoritmo, chamado Método de Reconstrução e Remoção de Artefato Baseado em Período (PARRM), para remover esses sinais de seu programa de detecção.

“Basicamente, pegamos uma média de amostras registradas em pontos semelhantes ao longo da forma de onda do artefato”, disse Evan Dastin-van Rijn, o principal autor do estudo. "Isso nos permite prever a contribuição do artefato nesses tipos de amostras e, em seguida, removê-lo."

A equipe de pesquisa testou seu algoritmo em uma variedade de condições. Estes incluíram solução salina (água salgada que conduz eletricidade bem), simulações de computador, conjuntos de dados coletados de modelos animais, um conjunto de dados de 1.012 registros neuropsiquiátricos retirados de dois pacientes com TOC que participam de um estudo clínico DBS adaptativo em andamento (NCT03457675) e em dados retirados de configurações de estimulação terapêutica.

Em todos os casos, o PARRM separou com sucesso os sinais dos artefatos em uma faixa de frequências.

“Acho que uma grande vantagem do nosso método é que mesmo quando o sinal de interesse se assemelha muito ao artefato de simulação, nosso método ainda pode dizer a diferença entre os dois”, disse Nicole Provenza, candidata a PhD no laboratório de Borton e co autor. "Assim, podemos nos livrar do artefato enquanto deixamos o sinal intacto."

PARRM, um aplicativo computacionalmente barato, pode ser executado com dispositivos DBS existentes, sendo “facilmente adaptável a vários paradigmas de neuroestimulação”, escreveram os pesquisadores. De acordo com a equipe, essa filtragem de artefato em tempo real pode permitir gravação e estimulação simultâneas.

"Essa é a chave para um sistema adaptável", disse Borton. "Ser capaz de se livrar do artefato de estimulação enquanto ainda registra biomarcadores importantes é o que acabará possibilitando um sistema terapêutico de circuito fechado."

Embora os pesquisadores notaram que mais desenvolvimento é necessário antes que PARRM possa ser usado em um ambiente de terapia de neuroestimulação, eles acreditam que "a remoção de artefato via PARRM permitirá a exploração imparcial de biomarcadores neurais que podem ter sido anteriormente obscurecidos por artefatos de estimulação", escreveram eles. Original em inglês, tradução Google, revisão Hugo. Fonte: Parkinsons News Today.

Previsão de parâmetros de estimulação cerebral profunda ideal para a doença de Parkinson usando ressonância magnética funcional e aprendizado de máquina

24 May 2021 - Resumo

Normalmente usado para a doença de Parkinson (DP), a estimulação cerebral profunda (DBS) produz benefícios clínicos marcantes quando otimizada. No entanto, avaliar o grande número de configurações de estimulação possíveis (ou seja, programação) requer várias visitas à clínica. Aqui, examinamos se a ressonância magnética funcional (fMRI) pode ser usada para prever as configurações de estimulação ideais para pacientes individuais. Analisamos os dados de 3 T fMRI adquiridos prospectivamente como parte de um estudo observacional em 67 pacientes com DP usando configurações de estimulação ideais e não ideais. A estimulação clinicamente ideal produz um padrão de resposta cerebral fMRI característico marcado pelo envolvimento preferencial do circuito motor. Em seguida, construímos um modelo de aprendizado de máquina prevendo o ideal em comparação com configurações não ideais usando os padrões de fMRI de 39 pacientes com DP com DBS a priori clinicamente otimizado (88% de precisão). O modelo prevê configurações de estimulação ideais em conjuntos de dados invisíveis: pacientes com DP clinicamente otimizados a priori e sem estimulação. Propomos que as respostas do cérebro fMRI à estimulação DBS em pacientes com DP podem representar um biomarcador objetivo da resposta clínica. Após validação adicional com estudos adicionais, esses achados podem abrir a porta para a programação de DBS assistida por imagem funcional.

Introdução
A estimulação cerebral profunda (DBS) tornou-se um padrão de terapia de tratamento para distúrbios do movimento, particularmente doença de Parkinson (DP), tremor essencial e distonia, e está sendo investigada em distúrbios psiquiátricos e cognitivos, incluindo transtorno depressivo maior e doença de Alzheimer1,2. DBS envolve a colocação de um eletrodo para fornecer estimulação elétrica dentro de um circuito neural disfuncional para suprimir a atividade aberrante e / ou conduzir uma rede subativa. Apesar de seus benefícios reconhecidos, o mecanismo terapêutico de ação do DBS permanece incompletamente compreendido1.

O núcleo subtalâmico (STN), um hub integral no circuito do motor, é o alvo mais comum no PD-DBS3. O sucesso do DBS é criticamente dependente da aplicação da dose apropriada de estimulação no melhor local da região-alvo. A programação de DBS, o processo de titulação individual da dose de estimulação elétrica fornecida para alcançar benefícios clínicos máximos, permanece em grande parte um processo de tentativa e erro baseado em observações clínicas imediatas e experiência neurologista4,5. Algumas características clínicas respondem rapidamente à estimulação elétrica no PD-DBS, por exemplo, rigidez e, menos previsivelmente, tremor. Para outras deficiências, incluindo bradicinesia, postura anormal e dificuldades de marcha, onde pode haver benefícios lentos e progressivos, mas também efeitos deletérios, a programação empírica representa um desafio significativo4. Além da DP, a programação é particularmente difícil em pacientes com DBS para indicações como distonia, depressão e doença de Alzheimer, em que a resposta ao DBS normalmente ocorre de forma retardada e pode até estar clinicamente oculta por semanas a meses após o ajuste do parâmetro. Em cada caso, a programação do DBS requer várias visitas clínicas (normalmente a centros de saúde terciários) para testar o grande número de parâmetros possíveis e descobrir o ambiente que produz o maior alívio sintomático com o mínimo de efeitos colaterais4. Esse processo impõe um desgaste significativo de tempo e financeiro aos pacientes e aos sistemas de saúde6. Portanto, há uma necessidade de um marcador fisiológico que possa predizer rápida e precisamente a resposta clínica aos parâmetros DBS e melhorar a eficiência e diminuir a carga das práticas de programação atuais4.

Os avanços nas técnicas de neuroimagem aumentaram nossa compreensão dos efeitos fisiológicos do DBS sobre a atividade dos circuitos cerebrais (Tabela Suplementar 1). Uma vez que a ressonância magnética em pacientes com DBS está sujeita a diretrizes de segurança rígidas7, estudos têm aproveitado conectomas normativos para investigar retrospectivamente regiões e redes cerebrais cuja modulação está associada a benefícios clínicos8. A aquisição de imagens de ressonância magnética funcional prospectiva (fMRI) nesta população de pacientes tem sido amplamente limitada a estudos usando hardware de ressonância magnética abaixo do ideal devido a questões de segurança7. No entanto, avanços recentes estabeleceram a segurança e a viabilidade do uso de várias sequências de ressonância magnética em pacientes com DBS7,9 e permitiram um exame mais detalhado das consequências fisiológicas da aplicação de DBS em circuitos cerebrais específicos. A fMRI está sendo estudada agora para investigar as consequências da estimulação nas redes cerebrais10,11,12,13, mas ainda não foi usada para prever parâmetros de estimulação DBS ideais nem para aumentar diretamente o potencial terapêutico do DBS.

Neste trabalho, mostramos que dados prospectivos de fMRI podem identificar padrões de atividade cerebral associados a benefícios clínicos em pacientes com DP, servindo como um biomarcador da eficácia do DBS. Usamos fMRI para (1) identificar um padrão reprodutível do cérebro. Neste trabalho, mostramos que dados prospectivos de fMRI podem identificar padrões de atividade cerebral associados a benefícios clínicos em pacientes com DP, servindo como um biomarcador da eficácia DBS. Usamos fMRI para (1) identificar um padrão reproduzível de resposta do cérebro para estimulação DBS ideal e (2) prever configurações de DBS ideais com base nesses padrões de resposta do cérebro com um algoritmo de aprendizado de máquina (ML). Este algoritmo foi treinado em pacientes com DP já otimizados e testado em dois novos conjuntos de dados: um grupo de pacientes com DP otimizado para estimulação definida clinicamente a priori e um grupo de pacientes com DP sem estimulação.

Resultados
Com base em publicações anteriores que descrevem a segurança e a viabilidade da ressonância magnética em pacientes com DBS7,9,14,3 T dados de fMRI foram adquiridos prospectivamente ao longo de 203 sessões de fMRI (n = 67 pacientes com PD-DBS, Fig. 1, Tabela 1 ) Uma vez que STN é o alvo mais comum para DBS no tratamento de DP, recrutamos principalmente pacientes STN-DBS (n = 62). Também incluímos pacientes com DBS de globo pálido interno (GPi) (n = 5), que é um segundo local de estimulação comumente usado, para avaliar se diferentes alvos de PD-DBS também poderiam contribuir para o modelo de ML (Tabela 1). Cada sessão teve 6,5 min de duração e empregou um paradigma de ciclagem DBS-ON / OFF de 30 s repetido seis vezes em que a estimulação DBS unilateral esquerda foi administrada em contatos ou tensões específicos do paciente, clinicamente definidos ideais e não ótimos (Fig. 1C) . Conforme relatado anteriormente15, isso foi feito para diferenciar entre as alterações do sinal BOLD unilateral e contralateral, bem como para tentar imitar a programação do DBS, o que geralmente envolve a avaliação de um eletrodo de cada vez. Os dados de fMRI adquiridos foram pré-processados ​​usando um pipeline estabelecido que executou movimento e correção de tempo de corte (Fig. 2). O sinal dependente do nível de oxigênio no sangue (BOLD) foi extraído de 16 regiões de interesse motoras e não motoras (ROIs) determinadas a priori com base na literatura existente de PET e SPECT16,17,18,19 e nossa experiência com efeitos adversos (por exemplo, problemas de fala e distúrbios visuais) com configurações não ideais durante DBS fMRI20. Dado que estudos de fMRI foram realizados de forma incomum devido a questões de segurança, PET e SPECT informaram amplamente nossas escolhas de ROIs. Os valores t absolutos (alterações BOLD) foram normalizados por valores t médios positivos em áreas presumivelmente envolvidas em estimulação não ideal. Isso foi feito para comparar os valores t de DBS-ON de resposta BOLD vs. DBS-OFF de cada ROI entre os pacientes e para levar em conta os efeitos adversos - uma consideração importante, dado que o objetivo da programação do DBS é maximizar os benefícios do motor enquanto minimiza os efeitos adversos. Alterações BOLD normalizadas (recursos) de 39 pacientes clinicamente otimizados a priori (n = 35 STN-DBS e n = 4 GPi-DBS) e sua marcação binária associada (ideal vs. não ideal) foram usados ​​como entrada para treinar o modelo de ML (Fig. 2, Tabela 1). Configurações de DBS clinicamente ideais foram obtidas usando algoritmos publicados4,5. Posteriormente, dois conjuntos de dados fMRI invisíveis (n = 9 para cada conjunto de dados) - adquiridos com diferentes contatos ativos ou tensões - foram alimentados no modelo de ML treinado para fins de validação. A capacidade do modelo para determinar se uma configuração de DBS era ideal ou não ideal de acordo com o padrão de fMRI correspondente foi avaliada (Fig. 2). (segue…) Original em inglês, tradução Google, revisão Hugo. Fonte: Nature.

Um paciente DBS implantado com eletrodos DBS ativos e totalmente internalizados bilaterais direcionados ao STN. O cabo DBS (Medtronic 3387) tem quatro contatos (largura = 1,5 mm) espaçados 1,5 mm. Usando o programador DBS portátil, a programação DBS envolve a titulação da corrente fornecida ajustando vários parâmetros (isto é, contato do eletrodo, tensão, frequência e largura de pulso) a fim de fornecer o melhor alívio dos sintomas. B Imagem coronal ponderada em T1 demonstrando um paciente com DP com eletrodos DBS totalmente internalizados e ativos (azul) implantados no STN. Paradigma de projeto de bloco C fMRI usado durante a aquisição de dados 3 T fMRI. Enquanto o paciente estava deitado no scanner, a estimulação DBS unilateral (esquerda) foi ligada e desligada a cada 30 s por seis ciclos. O ciclo ON / OFF do DBS foi sincronizado manualmente para a aquisição de fMRI. Cada sequência de fMRI foi adquirida em contatos ou tensões ideais (verde) ou não ideais (vermelho). Neste exemplo, os quatro contatos foram selecionados com fMRI; o contato clinicamente ideal a priori (marcado em verde) e os contatos não ideais (marcado em vermelho) são mostrados. Estimulação cerebral profunda DBS, ressonância magnética funcional fMRI, doença de Parkinson.

Deep Brain Stimulation / Parkinson: Interleaving

Deep Brain Stimulation / Parkinson: Interleaving: Cada vez fico mais convencido da utilidade do "interleaving". Estive pesquisando sobre a disponibilidade de algum algoritmo de pro...

A tecnologia de aprendizado de máquina pode ajudar a decifrar a linguagem biológica do câncer e da doença de Parkinson

April 17, 2021 - Algoritmos semelhantes aos usados ​​pela Amazon e Netflix podem ajudar a desvendar a linguagem biológica do câncer, doença de Parkinson e outras doenças neurodegenerativas.

Algoritmos semelhantes aos usados ​​por Netflix, Amazon e Facebook podem levar a uma melhor compreensão da linguagem biológica do câncer e de doenças neurodegenerativas, como doença de Parkinson (DP) e doença de Alzheimer (DA), de acordo com um artigo de pesquisa publicado na Proceedings of the National Academy of Sciences.

Os pesquisadores destacam que a separação da fase intracelular de proteínas em proteínas desordenadas biomoleculares que formam gotículas de proteínas semelhantes a líquido, chamadas de condensados, tornou-se cada vez mais reconhecida como um fator chave para categorizar e regular as proteínas que podem contribuir para o câncer e doenças neurodegenerativas. No entanto, determinar a maneira ideal de examinar e, subsequentemente, prever como as proteínas se manifestarão, acumulou várias hipóteses.

Para condições como a DP, cuja manifestação clínica é caracterizada pelo agrupamento anormal de proteínas e perda de células dopaminérgicas, compreender como os condensados ​​de proteína se formam pode ser significativo no desenvolvimento de terapias direcionadas que podem retardar ou prevenir a progressão.

Conduzindo uma análise sobre o potencial de aplicabilidade do sequenciamento de proteínas no comportamento de fase, os pesquisadores alavancaram uma abordagem semelhante à do Netflix quando recomenda uma série para assistir, Facebook quando sugere alguém para fazer amizade, ou Amazon por meio de assistentes de voz como Alexa, em que algoritmos de aprendizado de máquina fazem previsões altamente educadas sobre o que as pessoas farão a seguir ou, neste caso, como as proteínas reagirão a seguir.

Os pesquisadores usaram a tecnologia de aprendizado de máquina para treinar um modelo de linguagem em grande escala para examinar e prever anormalidades de proteínas dentro do corpo associadas ao início da doença.

"Pedimos especificamente ao programa para aprender a linguagem dos condensados ​​biomoleculares que mudam de forma - gotículas de proteínas encontradas nas células - que os cientistas realmente precisam entender para quebrar a linguagem da função biológica e mau funcionamento que causam câncer e doenças neurodegenerativas como a DA", disse o autor do estudo Kadi Liis Saar, PhD, pesquisadora do St John's College, em um comunicado.

Em suas descobertas, os pesquisadores descobriram que a tecnologia pode distinguir entre proteínas estruturadas e proteínas não estruturadas propensas a doenças em humanos com alta precisão.

Falando mais sobre proteínas desordenadas, o principal autor do estudo, Tuomas Knowles, PhD, professor do Departamento de Química Yusuf Hamied da Universidade de Cambridge, disse em um comunicado que esses condensados ​​de proteína receberam atenção substancial, pois podem controlar eventos-chave na célula, como como expressão gênica e síntese de proteínas.

"Quaisquer defeitos relacionados a essas gotículas de proteína podem levar a doenças como o câncer. É por isso que trazer a tecnologia de processamento da linguagem natural para a pesquisa das origens moleculares do mau funcionamento das proteínas é vital se quisermos ser capazes de corrigir os erros gramaticais dentro das células que causam doença", disse Knowles.

Com o objetivo final de usar inteligência artificial para desenvolver drogas direcionadas, Knowles disse que essa abordagem também poderia ser aproveitada para expandir o conhecimento atual sobre cânceres e doenças neurodegenerativas, bem como até mesmo prevenir a ocorrência de demência.

“O aprendizado de máquina pode estar livre das limitações do que os pesquisadores pensam ser os alvos da exploração científica e isso significará que novas conexões serão encontradas que ainda não concebemos. É realmente muito emocionante”, disse Saar. Original em inglês, tradução Google, revisão Hugo. Fonte: AJMC.

Interleaving

Cada vez fico mais convencido da utilidade do "interleaving". Estive pesquisando sobre a disponibilidade de algum algoritmo de procedimentos para um ótimo ajuste dos parâmetros do dbs, particularmente para os modelos atuais da Medtronic (Activa PC, RC, SC;  atenção: modelos Kinetra e Soletra não dispõem desta opção de programação), que facultam essa opção de programação, melindrosa e trabalhosa, e bati com o mesmo algoritmo já postado aqui no passado (ver em Marcadores: algoritmo).

Espero que surja um expert no assunto para expandir o algoritmo acima (que está em corrente, o interleaving só usa voltagem) para o interleaving, o que certamente resultará num diagrama gigante (embora com o fator  frequência mais restrito), dadas as combinações possíveis.

A convicção da importância deste tipo de programação decorre de meu presente estado positivo, que atingiu o climax no sábado passado (23/11), após uma semana cheia, com cerca de 7 sessões de ajuste no consultório do Dr Telmo Reis, com idas e vindas, visão dupla, etc... Neste clímax cheguei a escrever um texto exageradamente eufórico, que não vou publicar porque foi muito precoce. A regulagem não se mostrou perene. É necessário um tempo mais longo para ser estabilizada. Na semana passada voltei a perturbar e, em que pese não manter a mesma euforia, estou bem.

Dentro deste quadro expresso outra convicção: Ser paciente. Não só o paciente, mas o médico também. Anotar todas as regulagens, seus efeitos positivos e negativos, pois a programação do dbs trata-se a princípio de um método de tentativa e erro, e claro, com o uso de um algoritmo, como acima. Ao extrapolar este algoritmo para o interleaving, ele será exponencial. Para ressaltar a importancia da regulagem, e o tempo que isto demandará, extraí da Medtronic o texto abaixo.

___________________________________________________________________________

Sessões de programação
Depois de ter se recuperado do procedimento de implante, o médico irá programar o dispositivo para melhor controlar os seus sintomas individuais, minimizando os efeitos colaterais. Você vai voltar para as sessões de acompanhamento para ajustar ainda mais as configurações. Ajustes periódicos fazem parte da rotina da terapia DBS.

Após a programação inicial, as pessoas com tremor podem sentir uma breve sensação de formigamento, e geralmente experimentam alívio de sintomas quase que imediatamente. No entanto, os resultados variam. Pessoas com outros sintomas da doença de Parkinson, muitas vezes não se sentem qualquer sensação, e o efeito total do tratamento pode não ser imediato. Você vai ter melhores resultados após o sistema ter sido afinado para as suas necessidades específicas de controle dos sintomas. Pode levar vários meses para atingir o efeito máximo.

Dependendo do sistema e suas necessidades de terapia, você pode ter um controlador que lhe permitirá ligar o sistema e desligar, ajustar o estímulo, e verificar a bateria. (original em inglês, tradução Hugo)

___________________________________________________________________________

Algoritmo para otimizar a regulagem do DBS

Fonte: Calgary University. Clique sobre o diagrama abaixo para ampliar.

Observa-se que o presente algoritmo foi concebido anteriormente à existência opção do parâmetro corrente ser inserido nos geradores e pulso (gpi) da Medtronic, situção já existente nos nuroestimuladores Activa PC, RC e SC., e nos neuroestimuladores da St Jude e Boston Scientific.