Meldung

Electrocorticography is superior to subthalamic local field potentials for movement decoding in Parkinson's disease.

Merk T, Peterson V, Lipski WJ, Blankertz B, Turner RS, Li N, Horn A, Richardson RM, Neumann WJ.
Elife. 2022 May 27;11:e75126. doi: 10.7554/eLife.75126.
PMID: 35621994

Die tiefe Hirnstimulation (THS) zur Behandlung des idiopathischen Parkinson Syndroms ermöglicht die Ableitung invasiver Hirnsignale direkt aus der Zielregion. Neueste THS Implantate nutzen diese Hirnsignale im Rahmen von Studien zur Therapieadaptation in Echtzeit. Dieser Ansatz ermöglicht in der Zukunft auch die Nutzung von Algorithmen des maschinellen Lernens zur Entwicklung einer individualisierten Therapie. Eine optimale Strategie, sowie der potenzielle Einfluss pathophysiologischer Hirnaktivitätsmuster auf die Performance solcher Algorithmen ist jedoch weitgehend unerforscht.

Ziel der vorliegenden Arbeit war es einen Machine learning Ansatz zur Bewegungsdekodierung bei Patient*innen mit idiopathischem Parkinson Syndrom zu entwickeln. Hierfür konnten wir über unsere BMBF/NINDS Kooperation mit R. Mark Richardson (Direktor für funktionelle Neurochirurgie, MGH), intraoperative Daten von THS Patient*innen verwenden, welche zusätzlich zu den LFP von der DBS Elektrode auch invasive kortikale Ableitungen mittels Elektrokortikographie (ECoG) beinhalteten.

In unserer Arbeit zeigen wir erstmals, dass ECoG Signale als machine learning features mit komplexeren Modellen bessere Dekodierungsergebnisse als LFP erzielen. Darüber hinaus fanden wir eine signifikante negative Korrelation zwischen der Symptomschwere der untersuchten Patient*innen und der Dekodierungsgenauigkeit. Diesen Verlust von Bewegungssignalen im Kortex bei schwerer betroffenen Patient*innen konnten wir mit einer gesteigerten pathologischen Synchronisation im Beta Frequenzband (13-35 Hz), einem Hirnaktivitätsmarker für Bradykinese, in den subthalamischen LFP in Zusammenhang bringen. Patient*innen mit exzellenter Dekodierungsgenauigkeit zeigten eine nahezu vollständige Suppression dieser Aktivität, wohingegen Patient*innen mit geringerer Dekodierungsgenauigkeit eine gesteigerte Aktivität in diesem Frequenzband aufwiesen.

Unsere Ergebnisse unterstreichen die Bedeutung eines klinisch informierten, interdisziplinären Ansatzes für die Entwicklung von Brain Computer Interfaces auf Basis des maschinellen Lernens. Wir beschreiben erstmals, wie symptomspezifische Hirnaktivitätsmuster, die Dekodierung von Verhalten stören können. Die Überlegenheit der Elektrokortikographie in dieser Studie hat uns dazu bewogen nun im Rahmen des von Andrea Kühn geleiteten transregionalen SFB „ReTune“, die Elektrokortikgraphie als erstes Zentrum in Europa bei THS Patient*innen zu etablieren. Wir sind davon überzeugt, dass das maschinelle Lernen den klinischen Nutzen adaptiver Hirnstimulationsverfahren revolutionieren wird, in Richtung individualisierter Präzisionsmedizin durch Neuromodulation.

Timon Merk ist Ingenieur, Computational Neuroscientist und Doktorand in der Sektion Bewegungsstörungen und Neuromodulation der Klinik für Neurologie am CCM. Sein Forschungsschwerpunkt ist die Dekodierung von Gehirnsignalen durch maschinelles Lernen für klinische Brain Computer Interfaces. Seine hier vorgestellte Arbeit wurde vom BIH / QUEST mit dem „Data Reuse Award“ ausgezeichnet.

R. Mark Richardson, MD PhD ist Direktor für funktionelle Neurochirurgie am Massachusetts General Hospital (MGH), Professor am Massachusetts Institute of Technology (MIT). Er ist Mitbegründer der MGH-MIT InBRAIN Kooperation, welche das Ziel hat neue Technologien in die Klinik zu bringen.

Prof. Dr. med. Wolf-Julian Neumann ist Juniorprofessor für interventionelle und kognitive Neuromodulation und Junior PI in der Sektion Bewegungsstörungen und Neuromodulation unter Leitung von Andrea Kühn in der Klinik für Neurologie am CCM.

Die Veröffentlichung des Monats wird jeden Monat von den Direktoren des CSB aus den Veröffentlichungen des CSB und der Klinik für Neurologie mit Experimenteller Neurologie der Charité ausgewählt.