基于电生理特征与机器学习预测深部脑刺激治疗窗的个体化选择策略

《npj Digital Medicine》：Electrophysiological signatures predict the therapeutic window of deep brain stimulation electrode contacts

本研究针对帕金森病深部脑刺激（DBS）参数优化耗时长的临床难题，通过结合静息态脑磁图（MEG）和局部场电位（LFP）记录，开发了基于极端梯度提升（XGBoost）的机器学习模型。该模型利用丘脑底核（STN）功率和STN-皮层相干性特征，成功预测了电极触点的治疗窗（r=0.45, p<0.001），并在独立队列中验证了其泛化能力（r=0.30, p<0.01）。研究为DBS自动化编程提供了电生理学依据，有望显著缩短临床参数调试时间。

　　

帕金森病作为常见的神经退行性疾病，其核心病理特征是中脑多巴胺能神经元的退化，导致运动功能障碍和基底节区病理性振荡活动。其中，作为运动功能关键调节器的丘脑底核（STN）已成为深部脑刺激（DBS）治疗的重要靶点。尽管STN-DBS能有效改善症状，但由于中脑解剖结构的复杂性，寻找最佳刺激参数仍面临巨大挑战。临床上通过单极回顾（monopolar review）逐个测试电极触点，评估副作用阈值和治疗效果阈值以确定治疗窗，这一过程耗时且依赖临床经验。随着可感知DBS系统的发展，参数组合数量呈指数级增长，使得人工调试更加困难。

为解决这一难题，研究人员探索将电生理学与机器学习相结合，以期实现DBS参数的智能化选择。既往研究多聚焦于单一生物标志物（如STNβ振荡），但帕金森病的症状表达涉及多种振荡活动（如θ、α、γ、高频振荡等）。因此，采用多变量分析方法整合多种电生理特征可能更具预测价值。本研究基于STN在帕金森病病理生理中的核心作用，同时考虑STN与皮层的功能连接（相干性），构建预测模型，旨在为临床DBS编程提供高效、客观的决策支持。

本研究主要关键技术方法包括：1）采集45例帕金森病患者（来自两项前期研究）术后静息态MEG和STN-LFP数据；2）提取STN功率谱和STN-皮层相干性特征（涵盖θ、α、β、γ、HFO等频段）；3）通过单极回顾获取各电极触点的标准化治疗窗作为预测目标；4）采用留一电极出（LOEO）交叉验证和独立队列验证评估极端梯度提升（XGBoost）模型性能；5）利用Boruta算法进行特征选择，分析关键电生理标志物。

模型性能

LOEO验证显示预测治疗窗与实际值呈显著正相关（r=0.45, p<0.001），线性混合效应模型验证结果一致（β=0.312, p<0.01）。在独立队列中，模型仍保持显著预测能力（r=0.30, p<0.01），表明其良好的泛化性。累积命中率分析进一步证实，基于模型排序的电极触点搜索策略显著优于随机排序（p<0.05），能更快定位最优触点。

特征重要性

全模型分析（217个特征）显示，高频STN活动（γ和HFO）及多频段STN-皮层相干性是关键预测因子。在显性β峰患者亚组中，STNβ功率也成为重要特征。单独使用STN功率或STN-皮层相干性的模型性能均低于全模型，证实二者信息互补性。排除小脑特征或仅保留感觉运动区特征会降低预测精度，但仍显著优于随机水平。加入电极触点与解剖甜点距离信息后，预测性能进一步提升，凸显电生理-解剖组合策略的优越性。

讨论与结论

本研究首次证实基于STN功率和STN-皮层相干性特征可预测DBS治疗窗，为自动化触点选择提供了电生理学依据。模型依赖高频STN活动和多频段皮层-基底节连接，与既往研究报道的高频振荡与运动症状改善相关一致。值得注意的是，STN-皮层相干性可能反映了电极触点与关键纤维束（如超直接通路）的接近程度，这或许是其预测价值的结构基础。研究还发现早期（术后1天）记录的电生理信号可预测远期（5-671天后）临床效果，提示神经振荡具有时间稳定性。

尽管MEG设备普及度有限，但本研究提出的方法论可拓展至EEG-ECoG联合感知DBS系统，具有临床转化潜力。未来通过结合传感技术、群体模型和个体化特征，有望实现DBS编程的精准化和高效化。总之，该研究不仅为DBS参数优化提供了新工具，还深化了对振荡活动与神经调控机制的理解，推动了数字医疗在神经疾病管理中的应用。