机器与医生基于编程的深度大脑刺激在孤立的 dystonia:一个可行性研究

科学领域:

• 神经学 神经学
• 神经外科 神经外科
• 生物医学工程 生物医学工程

背景情况:

• 内部白色球体 (GPi) 的深度大脑刺激 (DBS) 有效地治疗 dystonia 运动症状.
• 由于症状控制延迟,缺乏生物标志物,并且没有定义的最佳刺激地点,最佳的GPi-DBS编程具有挑战性.
• 复杂的术后管理与频繁的医生随访对药物耐药性 dystonia 患者构成了障碍.

研究的目的:

• 为了前性地评估机器预测的GPi-DBS编程设置与 dystonia 患者的标准临床编程相比.
• 评估用于GPi-DBS编程的算法驱动方法的有效性和效率.

主要方法:

• 开发了一种使用GPi刺激量和临床结果解剖图的算法,以预测最佳刺激参数.
• 重建了个体患者模型,以测试成千上万的环境.
• 进行了一项前性研究,将机器预测的设置 (C-SURF) 与临床衍生的设置比较在10名 dystonia 患者中.

主要成果:

• 与临床编程相比,C-SURF编程实现了显著更高的 dystonia 症状减少 (74.9% ± 15.3%),比临床编程 (66.3% ± 16.3%,p < 0.012).
• 交付的总电能 (TEED) 在C-SURF和临床编程之间是可比的.
• 基于机器的编程在这个队列中显示出卓越的临床结果.

结论:

• 基于机器的编程具有显著的临床潜力,用于优化GPi-DBS在 dystonia.
• 这种方法可以大大减少术后管理的编程负担和复杂性.
• 算法驱动的编程可能会提高对 dystonia 的 DBS 的可访问性和采用性.