Un algoritmo que permitiría habilitar dispositivos de DBS para detección de actividad cerebral
2 de junio de 2021 | Historia original de la Universidad de Brown
Al administrar pequeños pulsos eléctricos directamente al cerebro, la estimulación cerebral profunda (Deep Brain Stimulation: DBS) alivia los temblores asociados con la enfermedad de Parkinson o ayuda a aliviar el dolor crónico. La técnica funciona bien para muchos pacientes, pero a los investigadores les gustaría hacer dispositivos DBS que sean un poco más inteligentes agregando la capacidad de detectar la actividad en el cerebro y adaptar la estimulación en consecuencia.
Ahora, un nuevo algoritmo desarrollado por los bioingenieros de la Universidad de Brown podría ser un paso importante hacia este tipo de DBS adaptativo. El algoritmo elimina un obstáculo clave que dificulta que los sistemas DBS detecten las señales cerebrales al mismo tiempo que ofrecen estimulación.
“Sabemos que hay señales eléctricas en el cerebro asociadas con estados de enfermedad, y nos gustaría poder registrar esas señales y usarlas para ajustar automáticamente la terapia de neuromodulación”, dijo David Borton, profesor asistente de bioingeniería en Brown y autor de correspondencia del estudio que describe el algoritmo. “El problema es que la estimulación crea artefactos eléctricos que corrompen las señales que estamos tratando de registrar. Por esto hemos desarrollado un medio para identificar y eliminar esos artefactos, por lo que todo lo que queda es la señal de interés del cerebro”.
La investigación fue publicada en el journal Cell Reports Methods. El trabajo fue codirigido por Nicole Provenza, una candidata al doctorado que trabaja en el laboratorio de Borton en Brown, y Evan Dastin-van Rijn, un estudiante de doctorado en la Universidad de Minnesota que trabajó en el proyecto mientras era un estudiante en Brown asesorado por Borton y Matthew Harrison, profesor asociado de matemáticas aplicadas. El laboratorio de Borton está afiliado al Brown's Carney Institute for Brain Science.
Los sistemas de DBS típicamente consisten en un electrodo implantado en el cerebro que está conectado a un dispositivo similar a un marcapasos implantado en el tórax. Los pulsos eléctricos se entregan a una frecuencia constante, que es establecida por un médico. La frecuencia de estimulación se puede ajustar a medida que cambian los estados de la enfermedad, pero esto tiene que ser hecho manualmente por un médico. Si los dispositivos pudieran detectar biomarcadores de la enfermedad y responder automáticamente, podría conducir a una terapia de DBS más efectiva, con potencialmente menos efectos secundarios.
Hay varios factores que hacen que sea difícil detectar y estimular al mismo tiempo, dicen los investigadores. Por un lado, la frecuencia del artefacto de estimulación a veces puede superponerse con la de la señal cerebral que los investigadores quieren detectar. Por lo tanto, simplemente cortar franjas de frecuencia para eliminar artefactos también podría eliminar señales importantes. Para eliminar el artefacto y dejar otros datos intactos, es necesario identificar la forma de onda exacta del artefacto, lo que presenta otro problema. Los sensores cerebrales implantados, generalmente están diseñados para funcionar con una potencia mínima, por lo que la velocidad a la que los sensores muestrean señales eléctricas hace que los datos sean de baja resolución. Identificar con precisión la forma de onda del artefacto con estos datos de baja resolución es un desafío.
Para evitar ese problema, los investigadores idearon una manera de convertir los datos de baja resolución en imágenes de alta resolución de la forma de la onda. A pesar de que los sensores no recopilan datos de alta resolución, sí recopilan una gran cantidad de datos a lo largo del tiempo. Usando matemáticas inteligentes, el equipo de Brown encontró una manera de improvisar bits de datos juntos en una imagen de alta resolución de la forma de onda del artefacto.
“Básicamente tomamos un promedio de muestras registradas en puntos similares a lo largo de la forma de onda del artefacto”, dijo Dastin-van Rijn. “Eso nos permite predecir la contribución del artefacto en ese tipo de muestras, y luego eliminarlo”.
En una serie de experimentos de laboratorio y simulaciones por computadora, el equipo demostró que su algoritmo supera a otras técnicas en su capacidad para separar la señal del artefacto. El equipo también utilizó el algoritmo en datos recopilados previamente de modelos humanos y animales para demostrar que podían identificar artefactos con precisión y eliminarlos.
“Creo que una gran ventaja de nuestro método es que incluso cuando la señal de interés se asemeja mucho al artefacto de simulación, nuestro método todavía puede notar la diferencia entre los dos”, dijo Provenza. “De esta manera podemos deshacernos del artefacto mientras dejamos la señal intacta”.
Otra ventaja, señalan los investigadores, es que el algoritmo no es computacionalmente costoso. Potencialmente podría ejecutarse en tiempo real en dispositivos DBS como los que existen en la actualidad. Eso abre la puerta al filtrado de artefactos en tiempo real, que permitirían la grabación y la estimulación simultáneas.
“Esa es la clave para un sistema adaptativo”, señala Borton. “Ser capaz de deshacerse del artefacto de estimulación sin dejar de registrar biomarcadores importantes es lo que en última instancia permitirá un sistema terapéutico de circuito cerrado”.
Referencia
Dastin-van Rijn EM, Provenza NR, Calvert JS, et al. Uncovering biomarkers during therapeutic neuromodulation with PARRM: Period-based Artifact Reconstruction and Removal Method. Cell Reports Methods. Published online June 1, 2021:100010. doi:10.1016/j.crmeth.2021.100010
Este artículo ha sido republicado a partir de los siguientes materiales. Nota: el material puede haber sido editado por su longitud y contenido. Para más información, ver la fuente citada.
