Maskininlärningsbaserad optimering av dubbel targeting av nucleus subthalamicus och substantia nigra vid djup hjärnstimulering

Varför detta är viktigt för personer med Parkinsons

Djup hjärnstimulering har blivit en viktig behandling för Parkinsons sjukdom, särskilt för rörelsestörningar som inte längre svarar väl på läkemedel. Nya elektroddesigner kan stimulera mer än en plats i hjärnan samtidigt, vilket väcker hopp om bättre kontroll över symtom som gångstopp (freezing of gait). Kirurger saknar ändå tydliga, datadrivna riktlinjer för hur man placerar en enda elektrod så att den pålitligt når två små rörelsehubbar djupt inne i hjärnan.

Två små mål med stora roller för rörelse

Vid Parkinsons sjukdom är en region kallad nucleus subthalamicus ett vanligt mål för djup hjärnstimulering eftersom den hjälper till att kontrollera rörelse. Längre ner ligger substantia nigra, som är starkt involverad i gång och balans. Substantia nigra har i sin tur två intilliggande delar med olika roller. Vissa studier tyder på att stimulering av den nedre delen kan hjälpa svårlösta gångproblem, men resultaten har varit inkonsekventa. En anledning är att kirurger vanligtvis planerar operationen med nucleus subthalamicus som huvudmål och hoppas att några elektrodkontakter av en slump hamnar i rätt del av substantia nigra.

Lärande från hundratals verkliga operationer

Författarna analyserade avbildningsdata från 612 elektrodbanor som redan hade implanterats hos personer med Parkinsons med standardmetoder. De rekonstruerade noggrant var varje kontakt på varje elektrod faktiskt låg i hjärnan och om den berörde någon av de två delarna av substantia nigra. De fann att en enda bana ofta kunde nå både nucleus subthalamicus och substantia nigra, men inte alltid den önskade subregionen. Ungefär sex av tio banor nådde den nedre delen, och mer än en tredjedel nådde den övre delen. När teamet simulerade något längre elektroder eller djupare placering ökade sannolikheten att nå minst en del av substantia nigra ytterligare samtidigt som nucleus subthalamicus fortfarande kunde nås.

Hur maskininlärning omvandlade anatomi till enkla regler

För att gå bortom trial-and-error använde forskarna en maskininlärningsmetod kallad Gaussian Process Classifier. I stället för att ge råd under operationen lärde sig denna algoritm från genomförda fall vilka kombinationer av vinklar och infästningspunkter som mest sannolikt träffade respektive del av substantia nigra. Indata var mätningar som kirurger redan kan se på standardiserade hjärnavbildningar, såsom elektrodtillens lutning i förhållande till viktiga hjärnlandmärken och var den planerade banan korsar vissa referenslinjer. Modellen förutsade med hög noggrannhet om en planerad bana skulle passera genom den nedre eller övre delen av substantia nigra.

Från komplexa modeller till praktiska planeringstips

Efter att ha tränat algoritmen översatte författarna dess förutsägelser till enkla tumregler som inte kräver någon dator i operationssalen. För kirurger som siktar på att stimulera den nedre delen av substantia nigra samtidigt som man fortfarande behandlar nucleus subthalamicus rekommenderar reglerna att välja en något mer sidovrid målpunk inom nucleus subthalamicus och att vinkla elektroden något mer brant. För dem som vill gynna den övre delen föreslås en mer central målpunkt och ett annat intervall av vinklar. Viktigt är att när dessa regler följdes i materialet var nucleus subthalamicus fortfarande väl täckt av andra kontakter längs samma ledning, vilket visar att djupare placering inte behöver kompromissa med huvudmålet.

Vad detta betyder för framtida behandling

Denna studie testar inte patientutfall direkt, men visar att dubbel targeting av två avgörande rörelsecentrum med en enda elektrod både är vanligt och förutsägbart. Genom att omvandla tusentals datapunkter från tidigare operationer till klar anatomisk vägledning ger arbetet en väg mot mer konsekvent och precis planering av djup hjärnstimulering. För personer med Parkinsons sjukdom skulle detta så småningom kunna innebära mer tillförlitlig kontroll av gång- och balansproblem, när framtida kliniska prövningar bekräftar vilka specifika hjärnregioner och stimulationsmönster som ger störst nytta.

Citering: 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

Nyckelord: Parkinsons sjukdom, djup hjärnstimulering, maskininlärning, nucleus subthalamicus, substantia nigra