SAN FRANCISCO / LONDON (IT BOLTWISE) – Forschende aus San Francisco zeigen, dass eine adaptive Deep-Brain-Stimulation (aDBS) Gangphasen über Schritt-für-Schritt-spezifische Hirnsignale erkennt und die Stimulation im Bruchteil einer Sekunde anpasst. Damit zielt das System gezielt auf ein Kernproblem bei Parkinson, nämlich Freezing of Gait und Stürze, für das klassische Dauerstimulation oft unzureichend bleibt. In einer kleinen, kontrollierten Machbarkeitsstudie verbessert die aDBS Symmetrie und reduziert Sturzhäufigkeit im Alltag. Entscheidend ist, dass der implantierte Neurostimulator ohne externen Rechner autonom arbeitet.
Parkinson-Patienten erleben häufig genau in dem Moment eine Verschlechterung, in dem Bewegung beginnen soll: Beim Gehen setzen die Koordination und das Timing aus, Freezing of Gait mündet dann in Ausweichbewegungen, Stürze und ein rapider Verlust der Selbstständigkeit. Die neue Entwicklung aus San Francisco verschiebt dabei die Denkweise weg von „Therapie als Dauerzustand“ hin zu „Therapie als Reaktion“. Statt ein fixes Strommuster über Stunden zu liefern, passt eine adaptive Deep-Brain-Stimulation (aDBS) die Leistung an die realen Phasen des Schritts an – innerhalb der subsekundenschnellen Dynamik, die der menschliche Gang ständig erzeugt.
Technisch baut die Plattform auf dem klassischen DBS-Prinzip auf, macht es aber „closed-loop“: Der implantierbare Stimulator liest Hirnsignale aus, interpretiert sie als biomarker-nahe Indikatoren für die beabsichtigte Beinbewegung und steuert daraus sofortige Stimulationsbursts. Entscheidend ist, dass die Signale nicht nur einen allgemeinen Krankheitszustand abbilden, sondern Schritt-Phase und links/rechts-spezifische Muster. In dem Ansatz werden die individuellen elektrischen Signaturen pro Patient während der Gehbewegung erfasst, auf dem Chip hinterlegt und anschließend autonom genutzt, um die Therapie in Sekundenbruchteilen zu modulieren. Damit funktioniert der Neurostimulator eher wie ein „Gehirn-Schrittpacer“ als wie ein statischer Taktgeber.
Historisch war adaptive Neurostimulation vor allem an langsamere Zustandsänderungen gebunden, etwa medikamentenbezogene Dynamiken oder nächtliche Schlafzyklen. Diese Trägheit ließ sich in der Regel gut mit Biomarkern kombinieren, deren Signalverläufe ausreichend „langsam“ waren, um Verzögerungen zu tolerieren. Gehen dagegen ist hochdynamisch: Es verlangt eine millisekundengenaue Abstimmung zwischen Gehirn, Rückenmark und Muskulatur beidseits des Körpers. Der neue Ansatz adressiert genau diese Lücke, indem er das Stimulationsprofil an die aktive Bewegung koppelt. Als Vergleich im Alltag ist es die Abkehr von einem „Lichtschalter“-Modell hin zu einer kontinuierlichen, phasenbasierten Rückmeldung.
Auf der Marktebene ist das auch ein Wettbewerbssignal an die großen Medizintechnik-Player. Medtronic und Boston Scientific dominieren seit Jahren relevante DBS-Ökosysteme; ihre Produkte fokussieren typischerweise auf definierte, klinisch parametrierte Stimulationsmodi. Der UCSF-Ansatz zeigt nun, dass die nächste Evolutionsstufe weniger in der Signalstärke liegt als in der Logik der Steuerung: ein Gerät, das Biomarker nicht nur erfasst, sondern sie als Echtzeit-Trigger für Verhalten nutzt. Für Entscheidungsträger ist das relevant, weil es die Produktentwicklung von „einmal einstellen“ hin zu „verhalten- und patientensynchron anpassen“ verschiebt. Experten erwarten daher eine stärkere Software- und Modellierungsorientierung in der Neurostimulation.
Die Studie selbst untermauert die Machbarkeit: Eingeschlossen waren fünf Personen mit Parkinson, die bereits DBS erhalten hatten und im Rahmen eines forschungsbasierten Settings zusätzliche Elektroden für Messzwecke trugen. Ziel war unter anderem, geeignete Gangphasen-Biomarker zu identifizieren und sie in die bidirektionale Stimulationsarchitektur einzubetten. In Labortests zeigte sich eine Verbesserung der Schrittsymmetrie und eine geringere Variabilität – Kennzahlen, die für stabileres, effizienteres Gehen stehen. In einer nachgelagerten, verblindeten Multi-Day-Crossover-Phase im Alltag berichteten die Teilnehmenden über weniger Stürze, während die Kontrolle über andere Parkinson-Symptome erhalten blieb. Die Forschenden ordnen das als frühes Evidenzpaket ein, das größere randomisierte Studien nötig macht.
Aus Expertensicht ist besonders bemerkenswert, dass die Biomarker-Detektion nicht an einen externen Rechner gekoppelt bleibt. Das reduziert Latenzen, vereinfacht den klinischen Betrieb und erhöht die Chance, dass das System auch außerhalb kontrollierter Testumgebungen robust funktioniert. Inhaltlich bedeutet das: Das Implantat kann die „Schrittintention“ aus dem Gehirn ableiten und damit die Therapie während des Ereignisses anpassen. Gerade im Vergleich zu kontinuierlicher DBS ist das ein Paradigmenwechsel, weil Freezing of Gait nicht durch einen dauerhaft zu unterdrückenden Zustand entsteht, sondern durch zeitlich präzises Versagen. Eine direkte, verhaltenskontingente Regelung kann damit eher die Ursache im Timing adressieren als nur Symptome zu dämpfen.
Regulatorisch und sicherheitstechnisch wirft die Entwicklung neue Fragen auf. Sobald ein implantierbares System in Echtzeit auf Hirnsignale reagiert, wird „Data Governance“ Teil der Medizinprodukt- und IT-Pflichten: Welche Daten werden wie lange verarbeitet, wo entstehen Versionen der Modelle, und wie wird verhindert, dass Fehlkalibrierungen zu falschen Steuerimpulsen führen? In der EU fällt das unter strenge Pfade der Medizinprodukte-Regulierung (u. a. MDR) und in den USA unter entsprechende FDA-Anforderungen; zusätzlich gewinnt Cybersicherheits- und Software-Update-Compliance an Gewicht. Für Kliniken und Hersteller wird es damit weniger um reine Hardware-Potenz gehen, sondern um nachweisbare Validierung von Regelkreisen, inklusive Monitoring und Fail-Safe-Mechanismen.
Für die weitere Entwicklung ist die Richtung klar: personalisierte Neuromodulation dürfte sich von „Zustandsmessung“ zu „Verhaltensmessung“ ausweiten. Die Forschenden formulieren den Gedanken, dass diese Architektur künftig auf andere dynamische Domänen übertragen werden kann – etwa Sprachsteuerung, affektive Zustände oder kognitive Leistung, bei denen ebenfalls Timing und Kontext eine Rolle spielen. Gleichzeitig bleibt abzuwarten, wie schnell sich das in die Breite skaliert: Erst müssen größere, multizentrische Studien Wirksamkeit statistisch belastbar zeigen, anschließend folgen regulatorische Schritte. Für Entwickler bedeutet das eine neue Schnittstelle zwischen Neurotech, Signalverarbeitung und deterministischem Regelwerk – ein Feld, in dem KI-gestützte Erkennung zwar zentral ist, aber mit strengen Sicherheits- und Nachweisanforderungen verknüpft bleibt.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Adaptive DBS liest Gangmuster in Echtzeit und reduziert Stürze" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Adaptive DBS liest Gangmuster in Echtzeit und reduziert Stürze" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Adaptive DBS liest Gangmuster in Echtzeit und reduziert Stürze« bei Google Deutschland suchen, bei Bing oder Google News!