In silico optimization of deep brain stimulation to enhance cognitive control: Improving performance and practicality with a continuous rolling arena

Bei einigen Patienten mit schweren, therapieresistenten psychiatrischen Erkrankungen scheint die eigene Verschaltung des Gehirns in einer Schleife des Leidens festzustecken, die durch Medikamente nicht durchbrochen werden kann. In diesen Fällen greifen Ärzte manchmal auf ein Verfahren namens Tiefen Hirnstimulation zurück, bei dem winzige Elektroden tief im Gehirn platziert werden, um gezielte elektrische Impulse an bestimmte Bereiche zu senden. Eines solcher Ziele ist eine Region nahe dem Zentrum des Gehirns, bekannt als ventrale Kapsel und ventrales Striatum, die eine Rolle dabei spielt, wie wir unsere Gedanken und Emotionen regulieren. Während diese Therapie großes Versprechen in sich trägt, war das Finden der richtigen Einstellungen für das Gerät traditionell ein langsamer, frustrierender Prozess. Ärzte müssen sich darauf verlassen, dass Patienten beschreiben, wie sie sich nach jeder Anpassung fühlen – eine Methode, die subjektiv ist und Wochen oder Monate dauern kann, um die richtige Einstellung zu finden. Die Kernherausforderung besteht darin, dass das Gehirn komplex ist und die Einstellungen, die am besten funktionieren, nicht offensichtlich sind; sie müssen durch sorgfältiges, wiederholtes Testen entdeckt werden.

Eine neue Studie untersucht einen Weg, diesen Entdeckungsprozess zu beschleunigen, indem sie das eigene Verhalten des Gehirns nutzt, um die Anpassungen in Echtzeit zu steuern. Anstatt darauf zu warten, dass ein Patient sagt, dass er sich besser fühle, schlugen die Forscher ein System vor, das beobachtet, wie schnell und präzise eine Person eine mentale Aufgabe ausführt, während die Stimulation aktiv ist. Sie konzentrierten sich auf eine spezifische kognitive Kontrollaufgabe, eine Art geistige Übung, die von einer Person verlangt, ablenkende Informationen zu ignorieren und sich auf ein Ziel zu konzentrieren. Die Idee war: Wenn die elektrischen Impulse dem Gehirn helfen, würde die Person die Aufgabe schneller und mit weniger Fehlern abschließen. Durch die direkte Messung dieser Reaktionszeiten konnte das System sofort erkennen, welche Elektroden-Einstellungen am besten funktionierten und welche nicht, ohne auf Vermutungen oder subjektive Berichte angewiesen zu sein.

Um diese Idee zu testen, begannen die Forscher nicht mit menschlichen Patienten, sondern erstellten eine detaillierte Computersimulation eines Patienten, der diese Therapie durchläuft. Sie schufen eine virtuelle Umgebung, in der sie Tausende von Testläufen durchführen konnten, um zu sehen, wie verschiedene Computerprogramme mit der Suche nach den optimalen Einstellungen umgehen würden. In dieser Simulation verglichen sie ihren neuen Ansatz mit älteren Methoden, die versuchten, den internen Zustand des Geins basierend auf den Daten zu erraten. Die neue Methode, die sie als „continuous rolling arena“ (kontinuierliche rollende Arena) bezeichnen, überspringt dieses Ratespiel vollständig. Sie nimmt die reine Geschwindigkeit der Reaktion einer Person und speist sie direkt in einen adaptiven Algorithmus ein – ein intelligentes Computerprogramm, das darauf ausgelegt ist, aus Erfahrung zu lernen. Dieses Programm behandelt die Suche nach dem besten Elektrodenkontakt wie ein Spiel, bei dem es die richtige Tür öffnen muss, wobei es aus jedem Klick lernt, um die falschen Türen zu vermeiden und die beste so schnell wie möglich zu finden.

Die Ergebnisse dieser Simulationen zeigten, dass dieser direkte Ansatz weitaus zuverlässiger war als die älteren, komplexeren Methoden. Wenn die Forscher versuchten, den verborgenen Zustand des Gehirns aus den Daten zu schätzen, wurde das System durch das natürliche Rauschen in den Messungen verwirrt, was zu Fehlurteilen führte. Durch das Entfernen dieses Zwischenschritts und das ausschließliche Betrachten der rohen Reaktionszeiten vermied das System die Verstärkung dieses Rauschens. In den Simulationen reduzierte diese Änderung die Fehlerrate bei der Auswahl der korrekten Elektroden-Einstellungen von fast einem Drittel auf etwa eins zu zehn. Darüber hinaus war das System durch die kontinuierliche Durchführung der Tests – anstatt sie jeden Tag neu zu starten – in der Lage, eine stärkere Historie dessen aufzubauen, was funktionierte, was es ihm ermöglichte, schnell zu reagieren, selbst wenn sich der Zustand des Patienten während einer Sitzung unerwartet änderte.

Die Studie adressierte auch ein praktisches Problem: Die meisten Geräte verfügen über viele Elektrodenkontakte, aber das Testen aller Kontakte nacheinander würde zu lange dauern. Die Forscher führten einen Mechanismus ein, der es dem System ermöglichte, sich auf eine kleinere Gruppe von Kontakten zur Zeit zu konzentrieren, wodurch das Suchfeld effektiv verengt wurde, ohne an Genauigkeit zu verlieren. In ihren Tests gelang es diesem Ansatz erfolgreich, die besten Einstellungen unter acht verschiedenen Kontakten zu finden, indem er immer nur eine Gruppe von vier Kontakten gleichzeitig aktiv testete. Diese Skalierung machte den Prozess effizient genug, um in die Grenzen realer medizinischer Hardware zu passen. Die Ergebnisse legen nahe, dass ein System, das auf diesen Prinzipien basiert, Ärzten schließlich ermöglichen könnte, diese Geräte in einem Bruchteil der Zeit zu programmieren, die derzeit benötigt wird, indem es standardmäßige Verhaltensaufgaben anstelle spezialisierter, teurer Ausrüstung nutzt. Die Arbeit zeigt, dass es möglich ist, durch das direkte Zuhören auf die Leistungssignale des Gehirns und das Entfernen unnötiger Interpretationsebenen einen robusteren und praktikableren Weg für eine personalisierte Hirntherapie zu schaffen.