Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Llama 3:
Resumen:
1.-Sheng Hong He hizo su doctorado en interfaces cerebro-computadora en China y ahora es postdoc en la Universidad de Oxford.
2.-Las interfaces cerebro-computadora registran señales cerebrales, las procesan y utilizan señales de control para diversas aplicaciones como comunicación, control y comprensión de enfermedades.
3.-Estudió BCIs no invasivos usando EEG y EOG en personas sanas y con lesión de médula espinal durante su doctorado.
4.-En Oxford, utiliza BCIs invasivos con potenciales de campo local de estimulación cerebral profunda para tratar trastornos del movimiento como el Párkinson.
5.-Tambien está involucrado en proyectos que utilizan BCIs para personas con trastornos de conciencia.
6.-La enfermedad de Párkinson tiene síntomas motores y cognitivos. La medicación con levodopa ayuda al principio, pero la estimulación cerebral profunda se utiliza en etapas avanzadas.
7.- La DBS en el núcleo subtalámico mejora dramáticamente los síntomas motores, pero tiene efectos secundarios y puede requerir ajustes de estimulación con el tiempo.
8.-Las oscilaciones beta (13-30 Hz) en el STN se correlacionan con el estado de la medicación y la mejora de los síntomas. La DBS suprime esta actividad beta.
9.-Las ráfagas beta más largas (>500 ms) son más patológicas y se correlacionan con los síntomas de Párkinson. La medicación y la DBS reducen la duración de las ráfagas beta.
10.-Diseñó un protocolo de neurofeedback para entrenar a los pacientes con Párkinson a suprimir las ráfagas beta usando un juego de computadora de baloncesto.
11.-Los participantes sanos y los pacientes con Párkinson pudieron reducir la actividad beta y mejorar los tiempos de reacción después del entrenamiento de neurofeedback.
12.-Un sistema de DBS adaptativa desencadenado por la actividad beta del STN en tiempo real fue más efectivo que la DBS continua mientras entregaba menos energía de estimulación.
13.-Durante el movimiento, la beta del STN se suprime pero la gamma aumenta. La DBS adaptativa fue igualmente efectiva que la DBS continua durante el movimiento.
14.-La actividad gamma también se reduce más durante la DBS continua vs adaptativa. Puede haber un equilibrio óptimo entre la supresión de beta y gamma.
15.-Las oscilaciones beta del STN también son moduladas por la incertidumbre y se correlacionan con tiempos de reacción de movimiento más lentos bajo alta incertidumbre.
16.-La TMS entregada en fases beta específicas tuvo efectos diferentes en el movimiento, lo que sugiere que la fase beta impacta la excitabilidad cortical motora.
17.-Propuso entrenar a los pacientes con Párkinson a suprimir las ráfagas beta usando BCI de neurofeedback para probar causalmente la relación beta-motor.
18.-El temblor esencial causa temblor durante la postura o el movimiento, pero no en reposo. La DBS puede tratarlo pero tiene efectos secundarios.
19.-Se desarrolló un sistema de DBS en bucle cerrado para el temblor esencial para decodificar el movimiento provocador de temblor y solo estimular durante esos períodos.
20.-Esta DBS adaptativa para el temblor esencial redujo el temblor tan efectivamente como la DBS continua mientras entregaba un 60% menos de energía de estimulación.
21.-El sistema de DBS adaptativa detecta el movimiento usando aprendizaje automático en señales corticales ECoG o LFP y cambia la estimulación encendida/apagada en consecuencia.
22.-En otro enfoque, la DBS se entrega en una fase específica de temblor para un efecto supresor máximo a intensidades de estimulación más bajas.
23.-La conectividad entre el tálamo y el temblor, especialmente en el tálamo contralateral, predice mejor el efecto de la DBS que la conectividad corteza-temblor.
24.-Los pacientes con conectividad talámica más fuerte pueden beneficiarse más de la DBS VIM, mientras que otros pueden necesitar objetivos alternativos como la corteza motora.
25.-La DBS es menos efectiva para los problemas de marcha en Párkinson. Un patrón de DBS alternante alineado con el ritmo de marcha mejoró la marcha.
26.-El núcleo pedunculopontino (PPN) puede ser un mejor objetivo de DBS para la marcha ya que muestra mayor actividad durante los movimientos de paso.
27.-Los potenciales de campo local del PPN muestran patrones de actividad alternante alineados con la fase de marcha, lo que podría informar una DBS alternante en bucle cerrado.
28.-Un sistema de DBS embebido en decodificación de fase de marcha en tiempo real podría optimizar el tiempo de estimulación al ritmo locomotor para mejorar la marcha.
29.-Mientras que la DBS adaptativa actual para Párkinson usa umbrales simples, el aprendizaje automático podría extraer señales de control de estimulación más precisas.
30.-Las pruebas de algoritmos avanzados de DBS en bucle cerrado están limitadas por ventanas de tiempo cortas después de la implantación, pero los sistemas inalámbricos podrían permitir una mejor optimización.
Bóveda del Conocimiento construida porDavid Vivancos 2024