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

गंभीर, उपचार-प्रतिरोधी मनोरोग स्थितियों वाले कुछ रोगियों के लिए, मस्तिष्क की अपनी वायरिंग संकट के एक लूप में फंसी हुई प्रतीत होती है जिसे दवाएं नहीं तोड़ पाती हैं। इन मामलों में, डॉक्टर कभी-कभी 'डीप ब्रेन स्टिमुलेशन' नामक प्रक्रिया का सहारा लेते हैं, जहाँ मस्तिष्क के भीतर गहरे हिस्सों में सूक्ष्म इलेक्ट्रोड रखे जाते हैं ताकि विशिष्ट क्षेत्रों में कोमल विद्युत तरंगें भेजी जा सकें। ऐसा एक लक्ष्य मस्तिष्क के केंद्र के पास स्थित एक क्षेत्र है जिसे वेंट्रल कैप्सूल और वेंट्रल स्ट्रिएटम कहा जाता है, जो इस बात में भूमिका निभाता है कि हम अपने विचारों और भावनाओं को कैसे प्रबंधित करते हैं। हालाँकि यह चिकित्सा बहुत बड़ी आशा जगाती है, लेकिन डिवाइस के लिए सही सेटिंग्स ढूँढना पारंपरिक रूप से एक धीमी और निराशाजनक प्रक्रिया रही है। डॉक्टरों को प्रत्येक समायोजन (एडजस्टमेंट) के बाद रोगी द्वारा यह बताने पर निर्भर रहना पड़ता है कि वे कैसा महसूस कर रहे हैं, जो कि एक व्यक्तिपरक तरीका है और इसे सही करने में हफ्तों या महीनों का समय लग सकता है। मुख्य चुनौती यह है कि मस्तिष्क जटिल है, और जो सेटिंग्स सबसे अच्छा काम करती हैं वे स्पष्ट नहीं होती हैं; उन्हें सावधानीपूर्वक, बार-बार किए जाने वाले परीक्षणों के माध्यम से खोजना पड़ता है।

एक नया अध्ययन इस खोज प्रक्रिया को तेज करने के तरीके की खोज करता है, जिसमें मस्तिष्क के अपने व्यवहार को वास्तविक समय में समायोजन के लिए मार्गदर्शक बनने दिया जाता है। रोगी के यह कहने का इंतज़ार करने के बजाय कि वे बेहतर महसूस कर रहे हैं, शोधकर्ताओं ने एक प्रणाली प्रस्तावित की जो यह देखती है कि एक व्यक्ति मानसिक कार्य को कितनी तेज़ी और सटीकता से करता है जबकि स्टिमुलेशन चालू होता है। उन्होंने एक विशिष्ट 'कॉग्निटिव कंट्रोल टास्क' पर ध्यान केंद्रित किया, जो एक प्रकार का मानसिक व्यायाम है जिसमें व्यक्ति को भटकाने वाली जानकारी को अनदेखा करने और एक लक्ष्य पर ध्यान केंद्रित करने की आवश्यकता होती है। विचार यह था कि यदि विद्युत तरंगें मस्तिष्क की मदद कर रही हैं, तो व्यक्ति कार्य को तेज़ी से और कम गलतियों के साथ पूरा करेगा। इन प्रतिक्रिया समय (रिएक्शन टाइम) को सीधे मापकर, सिस्टम तुरंत बता सकता था कि कौन सी इलेक्ट्रोड सेटिंग्स सबसे अच्छा काम कर रही हैं और कौन सी नहीं, बिना किसी अनुमान या व्यक्तिपरक रिपोर्ट की प्रतीक्षा किए।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने मानव रोगियों से शुरुआत नहीं की, बल्कि एक रोगी का विस्तृत कंप्यूटर सिमुलेशन बनाया जो इस चिकित्सा से गुजर रहा है। उन्होंने एक आभासी वातावरण बनाया जहाँ वे यह देखने के लिए हजारों परीक्षण चला सके कि विभिन्न कंप्यूटर प्रोग्राम सर्वोत्तम सेटिंग्स की खोज को कैसे संभालते हैं। इस सिमुलेशन में, उन्होंने अपने नए दृष्टिकोण की तुलना पुराने तरीकों से की जो डेटा के आधार पर मस्तिष्क की आंतरिक स्थिति का अनुमान लगाने की कोशिश करते थे। नया तरीका, जिसे वे 'कंटीन्यूअस रोलिंग एरिना' कहते हैं, पूरी तरह से अनुमान लगाने के खेल को छोड़ देता है। यह व्यक्ति की कच्ची गति (रिएकशन टाइम) को सीधे लेता है और उसे एक 'एडेप्टिव एल्गोरिदम' में डाल देता है—जो एक स्मार्ट कंप्यूटर प्रोग्राम है जिसे अनुभव से सीखने के लिए डिज़ाइन किया गया है। यह प्रोग्राम इलेक्ट्रोड संपर्क की खोज को एक खेल की तरह मानता है जहाँ इसे सही दरवाज़ा खोलने के लिए चुनना है, और हर क्लिक से सीखता है ताकि गलत दरवाज़ों से बचा जा सके और जल्द से जल्द सबसे अच्छे दरवाज़े तक पहुँचा जा सके।

सिमुलेशन के परिणामों ने दिखाया कि यह सीधा दृष्टिकोण पुराने, अधिक जटिल तरीकों की तुलना में कहीं अधिक विश्वसनीय था। जब शोधकर्ताओं ने डेटा से मस्तिष्क की छिपी हुई स्थिति का अनुमान लगाने की कोशिश की, तो सिस्टम मापन में मौजूद प्राकृतिक शोर (नॉइज़) के कारण भ्रमित हो गया, जिससे निर्णय लेने में त्रुटियां हुईं। उस मध्यवर्ती चरण को हटाकर और केवल कच्चे प्रतिक्रिया समय को देखकर, सिस्टम ने उस शोर को बढ़ाने से बच लिया। सिमुलेशन में, इस बदलाव ने सही इलेक्ट्रोड सेटिंग्स चुनने की विफलता की दर को लगभग एक-तिहाई से घटाकर लगभग दस में से एक कर दिया। इसके अलावा, परीक्षण को हर दिन रीसेट करने के बजाय इसे निरंतर बनाए रखकर, सिस्टम एक मजबूत इतिहास बनाने में सक्षम था कि क्या काम करता है, जिससे यह तेजी से उबरने में सक्षम हुआ यदि सत्र के दौरान रोगी की स्थिति में अप्रत्याशित परिवर्तन हुआ।

अध्ययन ने एक व्यावहारिक समस्या को भी संबोधित किया: अधिकांश उपकरणों में कई इलेक्ट्रोड संपर्क होते हैं, लेकिन उन सभी का एक-एक करके परीक्षण करने में बहुत समय लगेगा। शोधकर्ताओं ने एक ऐसी प्रणाली पेश की जिसने सिस्टम को एक समय में संपर्कों के एक छोटे समूह पर ध्यान केंद्रित करने की अनुमति दी, जिससे सटीकता खोए बिना खोज का दायरा प्रभावी रूप से कम हो गया। अपने परीक्षणों में, इस दृष्टिकोण ने सफलतापूर्वक आठ अलग-अलग संपर्कों में से सर्वोत्तम सेटिंग्स खोजने का प्रबंधन किया, जबकि किसी भी समय केवल चार संपर्कों के समूह का ही सक्रिय रूप से परीक्षण किया। यह स्केलिंग प्रक्रिया को वास्तविक दुनिया के चिकित्सा हार्डवेयर की सीमाओं के भीतर फिट होने के लिए पर्याप्त कुशल बना दी। निष्कर्ष बताते हैं कि इन सिद्धांतों पर निर्मित एक प्रणाली अंततः डॉक्टरों को इन उपकरणों को वर्तमान में लगने वाले समय के एक अंश में प्रोग्राम करने की अनुमति दे सकती है, जो विशेष, महंगे उपकरणों के बजाय मानक व्यवहार संबंधी कार्यों का उपयोग करती है। यह कार्य प्रदर्शित करता है कि मस्तिष्क के प्रदर्शन संकेतों को सीधे सुनकर और व्याख्या के अनावश्यक स्तरों को हटाकर, व्यक्तिगत मस्तिष्क चिकित्सा के लिए एक अधिक मजबूत और व्यावहारिक मार्ग बनाना संभव है।