Humboldt-Universit?t zu Berlin

Die tiefe Hirnstimulation (THS) ist eine etablierte Therapieoption zur Behandlung des idiopathischen Parkinsonsyndroms. Hierbei werden elektrische Impulse durch einen subkutan implantierten Schrittmacher erzeugt und über feine Elektroden in spezifische Hirnregionen geleitet, um dort pathologische Nervenzellaktivit?t zu modulieren und so die Symptome der Erkrankung zu lindern. Die individuelle Anpassung der Stimulationsparameter ist dabei entscheidend für einen optimalen Therapieerfolg, stellt jedoch derzeit einen komplexen zeit- und ressourcenintensiven Prozess dar. Im Rahmen meiner Promotionsarbeit entwickelte ich eine Software (StimFit), welche automatisiert effektive Stimulationsparameter auf Basis der individuellen Elektrodenlage vorhersagen kann. Der Algorithmus wurde zun?chst anhand retrospektiver Datens?tze trainiert und validiert (Roediger et al. 2022) und nachfolgend in einer randomisierten, doppelblinden Studie getestet (Roediger et al. 2023). Hierbei konnte die Nicht-Unterlegenheit der softwarebasierten Stimulationsparameter gegenüber dem ?Standard of care“ (SoC) gezeigt werden. Hervorzuheben ist, dass die SoC-Optimierungen oft vielfache Anpassungen durch ?rztliches Fachpersonal über Wochen und Monate beinhalteten, w?hrend die Berechnungen mit StimFit innerhalb von zwei Stunden pro PatientIn realisiert wurden. Unsere Ergebnisse stellen einen wichtigen Schritt hin zu einer softwaregestützten Programmierung der THS dar. Populationsbasierte Vorhersagemodelle k?nnten zukünftig im klinischen Alltag genutzt werden, um zeitsparend vielversprechende Parametereinstellungen vorzuschlagen und somit die individuelle Optimierung der Stimulationsparameter effizienter zu gestalten.