Ein KI-gestütztes System zur adaptiven Tiefenhirnstimulation (aDBS) ermöglicht Parkinson-Patienten eine verbesserte Mobilität durch die Echtzeit-Anpassung elektrischer Impulse. Durch die Analyse neuronaler Signale kann die Technologie das sogenannte „Freezing of Gait“ – das plötzliche Erstarren der Bewegungen – bei Betroffenen signifikant reduzieren, indem sie die Stimulation unmittelbar an den Bedarf anpasst.
Steuerung der Impulse durch neuronale Signale
Die herkömmliche Tiefenhirnstimulation (DBS) arbeitet mit einer konstanten Abgabe elektrischer Impulse, die unabhängig vom aktuellen Zustand des Gehirns erfolgen. Dieses klassische Verfahren wird als „Open-Loop“-System bezeichnet, da es keine Rückkopplung zwischen dem Gehirnzustand und der Stimulation gibt. Das neue Verfahren nutzt künstliche Intelligenz, um die Stimulation an die individuellen, schwankenden Bedürfnisse der Patienten anzupassen, und agiert somit als „Closed-Loop“-System (geschlossener Regelkreis).
Das System analysiert kontinuierlich die lokalen Feldpotenziale (LFPs), also die elektrischen Aktivitäten im Gehirn. Algorithmen der maschinellen Lernverfahren identifizieren dabei spezifische Biomarker, die mit motorischen Symptomen korrelieren. Ein entscheidender Fokus liegt hierbei auf den sogenannten Beta-Oszillationen im Frequenzbereich von etwa 13 bis 30 Hertz. In der Parkinson-Forschung ist bekannt, dass eine erhöhte Aktivität in diesem Frequenzband eng mit motorischen Störungen wie Rigidität (Muskelsteifheit) und Bradykinesie (Bewegungsverlangsamung) verknüpft ist.
Sobald die KI Anzeichen für eine beginnende motorische Instabilität erkennt – etwa durch einen Anstieg der Beta-Aktivität –, erhöht das System die Stimulationsintensität. Sobald sich die neuronalen Muster stabilisieren, wird die Energieabgabe gedrosselt. Diese adaptive Steuerung zielt darauf ab, die Nebenwirkungen der klassischen DBS zu minimieren. Eine dauerhaft zu hohe Stimulation kann unter anderem zu Sprachstörungen oder Gleichgewichtsproblemen führen. Durch die bedarfsgerechte Zufuhr von Impulsen soll die neuronale Aktivität in einem optimalen Bereich gehalten werden.
For more on this story, see Völlig neue Möglichkeiten“ – KI-Therapie lässt Parkinson-Patienten wieder laufen.
Bekämpfung des „Freezing of Gait“
Ein zentrales Problem bei fortgeschrittenen Parkinson-Erkrankungen ist das „Freezing of Gait“ (FOG). Dabei erleben Patienten einen plötzlichen Verlust der Bewegungsfähigkeit, der oft wie ein Feststecken des Fußes am Boden wirkt. Diese Episoden treten häufig in komplexen Situationen auf, etwa beim Wenden, beim Durchschreiten enger Passagen oder bei emotionalem Stress. Diese Episoden erhöhen das Sturzrisiko erheblich und schränken die Autonomie der Betroffenen ein.
Die KI-gestützte Therapie setzt direkt bei der Vorhersage dieser Episoden an. Sensoren erfassen die neuronalen Muster, die dem motorischen Einfrieren vorausgehen. Biologisch gesehen ist FOG oft mit einer Fehlsteuerung in den motorischen Schleifen der Basalganglien verbunden. Die KI versucht, diese Fehlsteuerung zu durchbrechen, bevor sie sich physisch manifestiert.
Laut medizinischen Fachpublikationen ermöglicht die Echtzeit-Verarbeitung dieser Daten eine präventive Reaktion des Stimulators. Anstatt erst auf eine bereits eingetretene Bewegungslosigkeit zu reagieren, bereitet das System die neuronale Umgebung auf die kommende Bewegung vor. Dies stabilisiert den Gangrhythmus und reduziert die Häufigkeit sowie die Dauer der Einfrier-Episoden.
Klinische Validierung und technologische Hürden
Der Einsatz von KI in der Neurostimulation erfordert eine hohe Präzision bei der Datenverarbeitung. Die Algorithmen müssen innerhalb von Millisekunden entscheiden, um eine effektive Korrektur der Bewegungsabläufe zu gewährleisten. Die Hardware der Implantate, bestehend aus dem Impulsgenerator (IPG) und den Elektroden im Gehirn, muss zudem über ausreichend Rechenleistung verfügen, ohne die Batterielaufzeit übermäßig zu verkürzen.
Eine wesentliche technische Herausforderung ist das sogenannte „Stimulationsartefakt“. Da die Messung der neuronalen Signale (LFPs) zeitgleich mit der Abgabe der elektrischen Impulse stattfindet, kann der starke Strom der Stimulation die empfindlichen Messsignale der Neuronen überlagern. Die Algorithmen müssen in der Lage sein, das biologische Signal präzise vom elektrischen Rauschen der Stimulation zu trennen.
This follows our earlier report, Parkinson-Prozesse im lebenden Gehirn mit Tomographie sichtbar machen.
In klinischen Studien zur adaptiven Stimulation wurden Verbesserungen in der motorischen Leistung gemessen. Die Bewertung erfolgt häufig über die Unified Parkinson’s Disease Rating Scale (UPDRS), bei der Patienten mit aDBS-Systemen stabilere Werte in der Bewegungssteuerung erzielten als mit konventionellen Systemen. In modernen Forschungsansätzen werden zudem zunehmend digitale Biomarker eingesetzt: Hierbei messen externe Sensoren wie Beschleunigungsmesser und Gyroskope die Gangqualität objektiv im Alltag der Patienten.
Die regulatorische Zulassung solcher Systeme durch Behörden wie die FDA oder die EMA stellt hohe Anforderungen an die Sicherheit der Algorithmen. Es muss sichergestellt werden, dass die KI keine fehlerhaften Stimulationsmuster entwickelt, die die motorische Kontrolle eher verschlechtern als verbessern. Der Übergang von kontrollierten Studienumgebungen in den breiten klinischen Alltag bleibt daher ein entscheidender Schritt für die flächendeckende Anwendung dieser Technologie.
Find more reporting in our Technik und Wissenschaft section.
