Machine learning-gebaseerde optimalisatie van dubbele targeting van nucleus subthalamicus en substantia nigra bij diepe hersenstimulatie

Waarom dit belangrijk is voor mensen met Parkinson

Diepe hersenstimulatie is een belangrijke behandeling geworden voor de ziekte van Parkinson, vooral voor bewegingsproblemen die niet meer goed op medicatie reageren. Nieuwe elektrodedesigns kunnen meer dan één plek in de hersenen tegelijk stimuleren, wat de hoop vergroot op betere controle van symptomen zoals freezing of gait. Chirurgen missen echter nog duidelijke, op data gebaseerde richtlijnen voor waar ze een enkele elektrode moeten plaatsen zodat deze betrouwbaar twee kleine bewegingskernen diep in de hersenen kan bereiken.

Twee kleine doelen met grote rollen in beweging

Bij de ziekte van Parkinson is een gebied dat nucleus subthalamicus heet een vaak gekozen target voor diepe hersenstimulatie omdat het helpt beweging te controleren. Net daaronder ligt de substantia nigra, die sterk betrokken is bij lopen en balans. De substantia nigra zelf heeft twee aangrenzende delen met verschillende rollen. Sommige onderzoeken suggereren dat stimulatie van het lagere deel resistente loopproblemen kan verbeteren, maar de resultaten zijn inconsistent. Een reden is dat chirurgen de operatie meestal plannen rond alleen de nucleus subthalamicus en erop hopen dat sommige elektrode-contacten toevallig in het juiste deel van de substantia nigra terechtkomen.

Leren van honderden echte operaties

De auteurs analyseerden beeldgegevens van 612 geplaatste elektrodetrajecten die al bij mensen met Parkinson waren geïmplanteerd met standaardmethoden. Ze reconstrueren zorgvuldig waar elk contact van elke elektrode zich daadwerkelijk in de hersenen bevond en of het een van de twee delen van de substantia nigra raakte. Ze vonden dat een enkele traject vaak zowel de nucleus subthalamicus als de substantia nigra kon bereiken, maar niet altijd de gewenste subregio. Ongeveer zes op de tien trajecten bereikten het lagere deel, en meer dan een derde bereikte het hogere deel. Toen het team iets langere elektroden of diepere plaatsing simuleerde, nam de kans om ten minste één deel van de substantia nigra te bereiken verder toe, terwijl de nucleus subthalamicus nog steeds binnen bereik bleef.

Hoe machine learning anatomie omzette in eenvoudige regels

Om verder te gaan dan vallen en opstaan, gebruikte de onderzoeksgroep een machine learning-methode genaamd Gaussian Process Classifier. In plaats van tijdens de operatie advies te geven, leerde dit algoritme van voltooide gevallen welke combinaties van hoeken en instappunten het meest waarschijnlijk elk deel van de substantia nigra zouden raken. De invoer bestond uit metingen die chirurgen al op standaard hersenscans kunnen zien, zoals de kanteling van de elektrode ten opzichte van belangrijke hersenmerkers en waar het geplande pad bepaalde referentielijnen kruist. Het model voorspelde met hoge nauwkeurigheid of een gepland traject door het lagere of hogere deel van de substantia nigra zou lopen.

Van complexe modellen naar praktische planningsadviezen

Na het trainen van het algoritme vertaalden de auteurs diens voorspellingen naar eenvoudige vuistregels die geen computer in de operatiekamer vereisen. Voor chirurgen die het lagere deel van de substantia nigra willen stimuleren terwijl ze nog steeds de nucleus subthalamicus behandelen, raden de regels aan een iets meer zijwaarts gelegen doelpunt binnen de nucleus subthalamicus te kiezen en de elektrode iets steiler te richten. Voor degenen die het hogere deel willen bevoordelen, wordt een meer centraal doel en een andere reeks hoeken voorgesteld. Belangrijk is dat wanneer deze regels in de data werden opgevolgd, de nucleus subthalamicus nog steeds goed werd bestreken door andere contacten langs dezelfde elektrode, wat aangeeft dat diep plaatsen de hoofdtarget niet hoeft op te offeren.

Wat dit betekent voor toekomstige behandelingen

Deze studie test geen patiëntuitkomsten direct, maar toont aan dat het dubbel targeten van twee cruciale bewegingscentra met één elektrode zowel vaak voorkomt als voorspelbaar is. Door duizenden gegevenspunten uit eerdere operaties om te zetten in duidelijke anatomische richtlijnen, biedt dit werk een route naar consistenter en preciezer plannen van diepe hersenstimulatie. Voor mensen met de ziekte van Parkinson kan dit uiteindelijk leiden tot betrouwbaardere controle van loop- en balansproblemen, zodra toekomstige klinische proeven bevestigen welke specifieke hersengebieden en stimulatiepatronen het meeste voordeel bieden.

Bronvermelding: Leavitt, D., Negahbani, F. & Gharabaghi, A. Machine learning-based optimization of dual subthalamic nucleus and substantia nigra targeting in deep brain stimulation. npj Parkinsons Dis. 12, 124 (2026). https://doi.org/10.1038/s41531-026-01406-8

Trefwoorden: Ziekte van Parkinson, diepe hersenstimulatie, machine learning, nucleus subthalamicus, substantia nigra