Die Optimierung neuroprothetischer Schnittstellen mithilfe biophysikalischer und surrogater digitaler Zwillinge

Den Körper mit intelligenteren Implantaten neu verkabeln

Von der Linderung chronischer Schmerzen bis zur Wiederherstellung von Sehvermögen und Bewegung nach Lähmung verändern winzige elektrische Geräte, die mit unseren Nerven kommunizieren, die Medizin still und grundlegend. Heute werden viele dieser neuroprothetischen Systeme jedoch am Krankenbett durch Versuch und Irrtum eingestellt. Dieser Artikel erklärt, wie „digitale Zwillinge“ — computerbasierte Replikate der Nerven und des Gehirns eines Patienten — dieses Raten in eine präzisere Wissenschaft verwandeln könnten, Implantate sicherer und wirksamer machen und die Anpassung an einzelne Personen erleichtern.

Wie Elektrizität mit Nerven spricht

Unser Nervensystem ist ein elektrisches Kommunikationsnetz, das Gehirn, Rückenmark, Organe und Gliedmaßen verbindet. Moderne Implantate greifen auf unterschiedliche Weise in dieses Netzwerk ein: Rückenmarkstimulatoren zur Schmerzlinderung oder zur Unterstützung von Gehfunktion bei Rückenmarksverletzungen; Tiefe Hirnstimulatoren zur Abschwächung der Parkinson-Symptome; Netzhaut- und Sehnervimplantate zur Wiederherstellung von Seheindrücken; sowie Geräte an peripheren Nerven, um Berührung zurückzugeben oder Muskeln zu steuern. Jede Technologie muss ein empfindliches Gleichgewicht halten: stark genug, um nützliche Empfindungen oder Bewegungen auszulösen, aber nicht so stark oder ungerichtet, dass Nebenwirkungen entstehen — von Heiserkeit bei Vagusnervstimulation bis zu unangenehmem Kribbeln bei Rückenmarkstimulation.

Eine virtuelle Kopie des Patienten erstellen

Da es unmöglich — und unethisch — ist, jedes Elektrodenkonstrukt oder jedes Stimulationsmuster direkt am Menschen zu testen, greifen Forschende auf detaillierte Computermodelle zurück. Diese „biophysikalischen digitalen Zwillinge“ verwenden medizinische Bilder und anatomische Daten, um die Nerven, das Rückenmark, das Gehirn oder die Netzhaut eines Patienten dreidimensional zu rekonstruieren. Physikbasierte Gleichungen schätzen dann, wie elektrischer Strom durch das Gewebe fließt, wie einzelne Nervenfasern reagieren und wie diese Aktivität in eine Empfindung, eine Muskelkontraktion oder eine Änderung der Organfunktion übersetzen könnte. Obwohl derselbe allgemeine Rahmen in verschiedenen Körperregionen genutzt wird, lässt er sich an die spezifischen Strukturen eines peripheren Nervs, des Rückenmarks, der Netzhaut oder eines tiefen Hirnkerns anpassen.

Von der Simulation zur Optimierung

Sobald ein digitaler Zwilling vorhersagen kann, wie Nerven auf Stimulation reagieren, wird er zu einem Versuchsraum für Verbesserungen. Anstatt manuell ein paar Einstellungen auszuprobieren, können Computeralgorithmen automatisch Tausende von Möglichkeiten durchsuchen und steuerbare Regler anpassen — welche Elektroden aktiv sind, wie stark die Impulse sind oder wie häufig sie abgegeben werden. Das Ziel kann sein, möglichst viele hilfreiche Fasern zu rekrutieren und gleichzeitig diejenigen zu vermeiden, die Schmerz oder unerwünschte Bewegungen auslösen, oder ein elektrisches Feld so zu formen, dass es eng auf eine Zielregion im Gehirn fokussiert ist. In manchen Fällen stimmen diese Optimierungsroutinen auch verborgene Aspekte des Modells ab — etwa die innere Verdrahtung eines Nervenbündels — damit die prognostizierten Reaktionen mit den klinischen Beobachtungen übereinstimmen.

Rechenintensives schnell genug machen

Hochdetaillierte Simulationen können langsam sein, insbesondere wenn jede Einstellungsänderung die Berechnung elektrischer Felder und das Feuern Tausender Nervenfasern erfordert. Um den Prozess praktikabel zu machen, entwickeln Forschende „Surrogatmodelle“: schlankere Vorhersager, die aus vielen Vollsimulationen lernen, wie Muster elektrischer Felder mit Nerventätigkeit zusammenhängen. Einige basieren auf vereinfachter Physik; andere nutzen maschinelles Lernen, um zu klassifizieren, ob eine Faser feuert, oder um ihre Feuerrate aus einem kompakten Merkmalsset abzuschätzen. Grobkörnigere Ansätze verfolgen die durchschnittliche Aktivität in Geweberegionen oder im ganzen Gehirn — weniger präzise, aber schnell genug, um große Designräume zu erkunden und Stimulation mit Effekten auf höherer Ebene zu verknüpfen, etwa der Aktivierung bestimmter Hirnschaltkreise.

Implantate aus Daten lernen lassen

Auch der beste digitale Zwilling ist nur eine Annäherung, und reale Patienten verändern sich im Laufe der Zeit, wenn Gewebe heilen, sich anpassen oder vernarben. Um Schritt zu halten, ergänzen viele Teams modellbasierte Methoden durch „datengetriebene“ Optimierung, die direkt aus den Reaktionen des Körpers lernt. Dabei probiert das Implantat verschiedene Einstellungen aus, während Sensoren Nervensignale, Muskelaktivität, Bewegung, Herzfrequenz oder sogar vom Patienten berichtete Empfindungen aufzeichnen. Statistische Algorithmen wie die Bayessche Optimierung schlagen dann die nächsten zu testenden Einstellungen vor und balancieren vorsichtiges Erkunden mit dem Wunsch, schnell wirkungsvolle und komfortable Stimulation zu erreichen. Zukünftig könnten biophysikalische Modelle und datengetriebene Lerner kombiniert werden, wobei das Modell intelligente Startpunkte liefert und die datengestützte Ebene diese für den Einzelnen feinabstimmt.

Vom virtuellen Labor zur täglichen Medizin

Der Artikel schließt mit der Feststellung, dass digitale Zwillinge und ihre schnelleren Surrogate die Gestaltung und Anwendung neuroprothetischer Geräte grundlegend verändern könnten. Indem sie Ergebnisse vor der Operation vorhersagen, den Bereich sicherer und vielversprechender Einstellungen eingrenzen und sich kontinuierlich an den Patienten anpassen, könnten diese Werkzeuge die Abhängigkeit von Tierversuchen und langen manuellen Einstellsitzungen verringern. Bedeutende Hürden bleiben — Zulassung durch Behörden, Integration in voll ausgelastete Kliniken und die Notwendigkeit, aussagekräftige Ergebnisse wie Bewegung und Empfindung zu prognostizieren anstatt nur Nervenaktivität. Dennoch argumentieren die Autorinnen und Autoren, dass, wenn diese Methoden transparent entwickelt und validiert werden, die rechnergestützte Modellierung zu einem wichtigen Partner der klinischen Praxis wird und neuroprothetischen Technologien verlässlichere, personalisierte Vorteile für Menschen mit neurologischen Erkrankungen und Verletzungen bieten kann.

Zitation: Verardo, C., Fossati, V., Toni, L. et al. The optimization of neuroprosthetic interfaces relying on biophysical and surrogate digital twins. npj Biomed. Innov. 3, 28 (2026). https://doi.org/10.1038/s44385-026-00076-8

Schlüsselwörter: Neuroprothetik, digitale Zwillinge, neurale Stimulation, computationale Modellierung, Bayessche Optimierung