Nevroproteser

En nevroprotese er en kunstig innretning som kan gi håp for økt autonomi for pasienter med omfattende lammelser. En slik protese kan for eksempel ha form som en robotarm. For å kunne utvikle slike funksjonelle nevroproteser, er nåværende forskning og eksperimenter fokusert på teknikker som er både av invasive og ikke-invasiv karakter. Invasive metoder er basert på at det implanteres mikroelektroder i nevroner i en spesifikk del av hjernen, som for eksempel motor cortex, sensorisk cortex eller parital cortex. Dermed kan man, via en hjerne-maskin kobling (interface), være i stand til å dekode aktiviteten i nevronene i det aktuelle området av hjernen over til meningsfylte bevegelser utført av nevroprotesen lokalisert i det eksterne miljøet.

Bakgrunn

Ikke-invasive teknikker involverer bruk av EEG-signaler til å kontrollere den eksterne protesen. Ved å trene pasienten til å se for seg bevegelsen hen ønsker å utføre med den affiserte kroppsdel, for eksempel en arm, vil man kunne være i stand til å kunne tolke spesifikke EEG-mønstere som kunne overføres og generere bevegelse i en protese.

En annen invasiv metode er å bruke elektrokortikografi (ECoG). Denne metoden er noe mer overflatisk enn ved bruk av mikroelektroder. Sistnevnte er implantert i nerveceller i hjernebarken, mens ECoG er plassert under skallebenet, og hvor signalene er registrert fra overflaten av hjernen og dura mater. ECoG-signalene er tilstrekkelige til å styre en nevroprotesene, men krever fortsatt et implantat på innsiden av skallen som igjen øker risiko for infeksjoner. En utfordring er behovet for å utvikle trådløse implantater som danner en forbindelse mellom individets hjerne og dekoderen, både for å redusere infeksjonsfaren, men også å kunne redusere størrelsen av det tekniske utstyret som aktuelt brukes.

Individer som lider av tetraplegi/quadriplegi kan i fremtiden ha nytte av denne utviklingen; det er også utviklet proteser for individer som har gjennomgått amputasjoner, og hvor disse protesene også kan utføre bevegelser som er underlagt individets hjerneaktivitet og intensjon.

Forskning og utvikling av nevroproteser ligger innenfor flere felt og subfelt innenfor psykologi, nevrologi, biologi, robot- og datavitenskap.

Lammelser som skyldes skade i ryggmargen i cervikalområdet (C1-C7) betegnes som tetraplegi eller quadriplegi. Ryggmargsskader i dette området resulterer i lammelser, og jo høyere oppe i ryggmargen skaden er lokalisert, jo mer alvorlig er lammelsen samt at lammelsen berører alle ekstremiteter. Følgelig er individer fullstendig avhengig av hjelp på alle livets områder. Alvorlighetsgraden av ryggmargsskade klassifiseres blant annet av ASIA Impairment Scale, fra grad A til grad E, og hvor en skade av grad A refererer til fullstendig bortfall av motor og sensorisk funksjon nedenfor ryggmargsskaden. Grad E refererer til at den nevrologiske fungeringen hos individet er gjenopprettet.

Hjerne-maskin koblinger (interface) bruker hjernens signaler, altså aktiviteten til nevronene for å kunne kontrollere og drive eksterne maskiner som en robotstyrt arm eller en pil på en dataskjerm (Aflalo et al., 2015; Carmena, 2013; Collinger et al., 2013; Marin, 2010; Shoham, Halgren, Maynard, & Normann, 2001; Talakoub et al., 2017) Men, for å kunne utvikle slike proteser hvor man drar nytte av nevronenes aktivitet må flere parametere identifiseres. Parametere som indikerer start og retning av en gitt bevegelse må identifiseres, men også identifisering av den intenderte bevegelsen før denne bevegelsen igangsettes/initieres (Talakoub et al., 2017).

Noen studier og sentrale navn

Afalo et al.,(2015) gjennomførte en studie (enkelt subjekt) på nevrokoding av bevegelse, og hvor de fant at populasjoner av nevroner lokalisert posterior i parietal cortex (PPC) synes å representere planlegging av handlinger. Noen nevroner ble identifisert å være spesifikke for enkle motor intensjoner, andre nevroner forstås mer orientert mot meningsfylte aktiviteter. Når aktiviteten til nevronene in PPC tas opp, så vil bildene som korresponderer til den forestilte bevegelsen utført av subjektet bli dekodet, og denne registreringen og dekodingen kan dermed brukes for å kontrollere maskiner/innretninger i det eksterne miljøet, slik som en robotarm. Studien viste også at aktiviteten til nevronene er spesifikk for henholdsvis høyre og venstre arm, og dette kan gi rom for utvikling av bimanuale nevroproteser som igjen kan øke mulighet for meningsfylte bevegelser for individet som er lammet. Denne enkeltstudien viste dermed at det er mulig å drive eksterne maskiner ved hjelp av mikroelektroder satt inn in PPC, og at nervecellene har spesifikke funksjoner for å også kunne differensiere bevegelser for både høyre og venstre arm.

Infeksjonsfare og avstøtning

Bruken av mikroelektroder i hjernen representerer flere utfordringer. Først og fremst er risikoen for infeksjon. Videre kan kroppen reagere ved å innkapsle eller på annen måte forsøke avstøte implantatet. Ved innkapsling blir glial cellene aktivert, og danner en kapsel rundt elektroden; dette kan føre til at signaloverføringen reduseres, blir mindre effektiv, samt hindrer stabile registreringer og dermed ikke kan brukes over lengre tid for pasienten.

Når et implantat plasseres i hjernen, brytes også blod-hjerne barrieren, noe som er uheldig da denne fungerer blant annet som et filter mot skadelige mikroorganismer (Marin, 2010). Det tekniske utstyret som man trenger for å kunne utføre disse studiene krever mye plass, og er krevende å flytte rundt; dette er også et hinder for å kunne utføre studier med flere deltakere. Per idag er registreringer som benytter seg av invasiv teknologi den som har vist seg å gi best kontroll sammenlignet med ikke invasive metoder, men igjen, det gir utfordringer med tanke på stabilitet over tid (Rotermund et al., 2017)

Mange ubesvarte spørsmål

Et sentralt spørsmål er hvordan hjernen kontrollerer bevegelse; hvordan nervesystemet samhandler for å kunne skape og kontrollere bevegelse. Dermed er det viktig og sentralt at det genereres flere hypotese for å utvikle og øke forståelsen av kontroll av bevegelse (Nordin et al., 2017). Det anses også som viktig å få bedre forståelse av kontrollmekanismene av motorkontroll, samt in vivo studier av muskelfunksjon under komplekse bevegelser. Et annet område som også er lite utforsket er behovet for å utvikle modeller som gjør at man bedre kan forstå normal gange og patologisk gange- med andre ord, et behov for å utvikle bedre muskelmodeller som inkluderer både raske og trege motor enheter.

Mulige løsninger og forskningsområder

Algoritmene dekoder aktiviteten til nevronene over til bevegelse i protesen, og dekoderen trenger utvikles og designes slik at dekoderen kan lære de ulike parametere som for eksempel initiering av bevegelse som å strekke seg etter noe, gripe en gjenstand). Systemet må videre kunne oppdatere parametere nøyaktig og kunne utføre bevegelser presist. Ved mismatch vil resultatet føre til dårligere presisjon fra dekoderen til protesen (Merel et al., 2016). Et annet område, er behovet for å utvikle proteser som er så nær opp mot naturlig bevegelse som mulig (Carmena, 2013; Collinger et al., 2013). Det må med andre ord utvikles algoritmer som viser seg å være funksjonelle, nøyaktige og stabile over tid relatert til dekoderen av nevronenes aktivitet.

Det er også en utfordring å utvikle proteser som kan etterligne reell bevegelse og funksjonalitet i størst mulig grad. Trådløs teknologi kan gi grunnlag for å utvikle systemer som ikke krever koblinger som ikke penetrerer pasientens skalle og blod-hjerne barriere, som igjen vil redusere risiko for infeksjoner (Nordin et. al, 2017) Også å utvikle utstyr som tar mindre plass og har en stabil strømkilde er også viktige områder for videre utvikling og forskning.

Litteratur

• Aflalo, T., Kellis, S., Klaes, C., Lee, B., Shi, Y., Pejsa, K., … Andersen, R. (2015). Decoding motor imagery from the posterior parietal cortex of a tetraplecig human. Science, 348(6237), 906–910. http://doi.org/10.7910/DVN/GJDUTV

• Carmena, J. M. (2013). Advances in Neuroprosthetic Learning and Control. PLoS Biology, 11(5). http://doi.org/10.1371/journal.pbio.1001561

• Collinger, J. L., Wodlinger, B., Downey, J. E., Wang, W., Tyler-Kabara, E. C., Weber, D. J., … Schwartz, A. B. (2013). High-performance neuroprosthetic control by an individual with tetraplegia. The Lancet, 381(9866), 557–564. http://doi.org/10.1016/S0140-6736(12)61816-9

• Marin, C. (2010). Biocompatibility of intracortical microelectrodes: current status and future prospects. Frontier in Neuroengineering, 3(May 2010). http://doi.org/10.3389/fneng.2010.00008

• Merel, J., Carlson, D., Paninski, L., & Cunningham, J. P. (2016). Neuroprosthetic Decoder Training as Imitation Learning. PLoS Computational Biology, 12(5), 1–25. http://doi.org/10.1371/journal.pcbi.1004948

• Müller-Putz, G. R., Scherer, R., Pfurtscheller, G., & Rupp, R. (2005). EEG-based neuroprosthesis control: A step towards clinical practice. Neuroscience Letters, 382(1–2), 169–174. http://doi.org/10.1016/j.neulet.2005.03.021

• Nordin, A. D., Rymer, W. Z., Biewener, A. A., Schwartz, A. B., Chen, D., & Horak, F. B. (2017). Biomechanics and neural control of movement, 20 years later: What have we learned and what has changed? Journal of NeuroEngineering and Rehabilitation. http://doi.org/10.1186/s12984-017-0298-y

• Rotermund, D., Pistor, J., Hoeffmann, J., Schellenberg, T., Boll, D., Tolstosheeva, E., … Pawelzik, K. R. (2017). Open Hardware: Towards a Fully-Wireless Sub-Cranial Neuro-Implant for Measuring Electrocorticography Signals. bioRxiv. Retrieved from http://biorxiv.org/content/early/2017/01/04/036855.abstract

• Shoham, S., Halgren, E., Maynard, E. M., & Normann, R. a. (2001). Motor-cortical activity in tetraplegics. Nature, 413(6858), 793. http://doi.org/10.1038/35101651

• Talakoub, O., Marquez-chin, C., Popovic, M. R., Navarro, J., Fonoff, T., Hamani, C., & Wong, W. (2017). Reconstruction of reaching movement trajectories using electrocorticographic signals in humans. PLoS ONE, (iii), 1–19. http://doi.org/10.1371/journal.pone.0182542