視床下核および皮質活動に基づいてパーキンソン病の静止震えと自主的な手の動きを区別する
パーキンソン病（Parkinson’s disease, PD）は、静止時振戦、運動遅延、筋強剛などを主な症状とする一般的な神経変性疾患です。深部脳刺激（Deep Brain Stimulation, DBS）はパーキンソン病の運動症状の治療に広く用いられています（Krauss et al., 2021）。しかしながら、DBS治療には顕著な副作用も存在し、その多くはDBS対象部位周辺の領域への刺激が原因となっています（Koeglsperger et al., 2019）。この副作用を軽減するため、研究者は適応型深部脳刺激（adaptive DBS, aDBS）という手法を提案しました。これは、患者の現在の運動状態をリアルタイムで監視し、DBSの強度とタイミングを調整する方法です（Little et al., 2016; Piña-Fuentes et al., 2017; Tinkhauser et al., 2017）。特にパーキンソン病の静止時振戦の治療において、動的適応型DBSは治療の効果を大幅に向上させ、副作用を減少させると期待されています。
従来のDBS制御信号の研究では、主に視床下核のβ帯域活動に集中していました（Gilron et al., 2021）。しかし、研究が進むにつれて、振戦は視床下核の活動だけでなく、より広範な皮質-経路ネットワークが関与することが分かってきました。そのため、パーキンソン病の振戦に関連する脳信号を研究することで、有益な情報が得られ、aDBSの治療効果を向上させることが期待されます。本研究は、様々な運動状態下の脳波活動を分析し、パーキンソン病患者の静止時振戦と自発的な手の動きを区別することを目的としています。
研究の出典
本論文はDmitrii Todorov、Alfons Schnitzler、およびJan Hirschmannらによって著され、研究機関はドイツ・デュッセルドルフのハインリッヒ・ハイネ大学の臨床神経科学・医学心理学研究所および神経内科、フランスのリヨン神経科学研究センター - Inserm U1028、およびスペインの数学研究センターが含まれます。研究成果はClinical Neurophysiology誌に発表されました（2023年10月31日受理、2024年第157号）。
研究のプロセス
研究対象とデータ取得
本研究では、以前収集したデータを再分析しました。データは6名のパーキンソン病患者の磁気脳電図（MEG）と視床下核（subthalamic nucleus, STN）の局所場電位（local field potentials, LFP）から取得しました。これらの患者はテストの前日にDBS埋め込み手術を受け、全員特発性パーキンソン病（idiopathic PD）の診断を受けていました。研究は患者がドパミン作動薬を休薬した状態（med off）と服薬した状態（med on）の後に行われ、異なる状態下での脳波活動の違いを評価しました。
データ記録
患者は手術の翌日にデータ記録を行いました。記録は4つの部分に分かれており、それぞれ静止状態、タスク1、静止状態、タスク2で構成されています。タスク1は前腕伸展（forearm extension）、タスク2は自発的な握り拳（fist-clenching）です。各部分の記録時間は5分間で、すべての運動は症状が顕著な側の体で行われました。静止とタスクの間、患者の振戦は自発的に出現し消失しました。記録されたデータは視床下核のLFP、磁気脳電図（MEG）、前腕の筋電図（EMG）を含み、サンプリングレートは2000 Hzです。
データ処理と特徴抽出
データを効率的に処理するため、MEGとLFPデータは256 Hzに再サンプリングされました。研究チームは多くの前処理ステップを適用し、データの質を確保しました。これにはMEGアーチファクト検出、信号空間分離（spatiotemporal signal space separation）、LFPアーチファクト検出などが含まれます。特徴抽出においては、研究チームは1秒の非重複時間ウィンドウで短時方差を計算し、それをHjorth活動（Hjorth activity）と呼びました。この方法の利点は、過剰適合を避けるだけでなく、異なる脳領域の特徴情報を比較しやすくする点です。
機械学習モデル
4つの異なる運動状態（静止、振戦、握り拳、前腕伸展）を区別するため、研究チームは勾配ブースティング決定木（gradient-boosted tree learning）に基づくXGBoostアルゴリズムを適用し、5倍交差検証（5-fold cross-validation）を用いて分類を行いました。異なる状態のデータ量を均衡させるため、彼らはカテゴリバランス精度（balanced accuracy）をモデル性能の指標として使用し、オーバーサンプリング（oversampling）によってデータの不均衡を補填しました。
電極の配置とハイパーパラメータの調整
研究チームはLead-DBSソフトウェアパッケージを使用し、DBS電極の配置を再構築することで電極の位置精度を高めました。また、モデルの性能を向上させるため、XGBoostアルゴリズムのハイパーパラメータを調整し、最適なLFPチャンネルの選択とモデルパラメータの調整を行いました。
主な結果
単一核データの分析
視床下核LFPデータのみを基にした分類性能は低く、静止状態を62％の精度でのみ正しく分類でき、振戦、握り拳、前腕伸展の分類精度はそれぞれ32％、34％、23％でした。この分類結果の低さは、視床下核活動だけでは正確な運動状態の識別が困難であることを示しています。
核-皮質の連携分析
視床下核および皮質活動の特徴を組み合わせて分類を行ったところ、モデル性能が大幅に向上し、静止、振戦、握り拳、前腕伸展の分類精度はそれぞれ74％、58％、80％、81％に改善しました。これは特に感覚運動皮質領域のデータが重要であることを示しています。
ドパミン状態による分類性能への影響
研究結果は、異なるドパミン作動薬状態が分類性能に与える影響が少ないことを示しており、実際の応用にとって良い理論的支持を提供します。
研究の結論と意義
本研究は、視床下核と皮質信号の組み合わせがパーキンソン病の静止時振戦と自発的手部運動を明確に区別できることを示し、より正確な適応型深部脳刺激システムの開発に強力なサポートを提供します。具体的には：
科学的価値：振戦と自発運動の神経機構をより包括的に理解することで、パーキンソン病の治療法を最適化し、不要なDBS刺激を減少させ、副作用を軽減することが期待されます。
応用価値：研究結果は、皮質記録と視床下核活動のリアルタイム監視システムを組み合わせた、より知能的なDBSシステムの開発の基礎を築くものです。
革新点：本研究は皮質および視床下核信号を組み合わせ、高度な機械学習アルゴリズムを利用して分類を行い、パーキンソン病の異なる運動状態の識別精度を大幅に向上させました。
研究のハイライト
- 分類性能の著しい向上：皮質信号を取り入れたことで、特に感覚運動皮質領域での分類性能が大幅に向上しました。
- 適応型DBSの応用展望：皮質および視床下核信号を組み合わせ、機械学習を通じてリアルタイムで運動状態を監視することで、より正確な適応型DBSシステムの開発が期待されます。
- 薬物状態の影響の少なさ：研究結果は、異なるドパミン作動薬状態が分類性能に与える影響が少ないことを示しており、この方法の実臨床での応用可能性を高めています。
その他有益な情報
研究はさらに、より広範な脳領域信号の組み合わせによって分類性能がさらに向上することを示しており、感覚運動皮質領域が最大の貢献をしていることが明らかになりました。今後の研究では、信号抽出と機械学習モデルの最適化により、リアルタイム分類の精度とロバスト性を高めることが求められます。さらに実践的な応用において、これらの研究成果を臨床環境で統合し利用する方法を探求し、新型の埋め込み型DBSシステムを用いたリアルタイムの脳信号監視と刺激調整を行うことが予想されます。
この研究を通じて、科学者たちはより知能的なパーキンソン病治療法の開発に新しい視点と方法を提供しました。今後の研究では、より多くのデータと進化したアルゴリズムを組み合わせることで、早期診断と個別化治療においてさらなる進展が期待されます。