Combinazione di modelli elettrici e muscoloscheletrici per l'ottimizzazione in silico dei protocolli di stimolazione del midollo spinale.

Abstract

La stimolazione del midollo spinale, in particolare la stimolazione elettrica epidurale (EES), è una tecnica promettente per il ripristino delle funzioni motorie nei pazienti con lesioni spinali. Tuttavia, l’ottimizzazione dei parametri dell’EES rimane complessa a causa delle risposte specifiche dei pazienti e della multidimensionalità dello spazio parametrico. Gli approcci attuali, basati su tentativi ed errori, sono dispendiosi in termini di tempo ed estenuanti per i pazienti. Questa tesi sviluppa un framework in-silico che integra modelli di stimolazione spinale e muscoloscheletrico per ottimizzare i protocolli. Il framework combina un modello di conduzione volumetrica, che simula la distribuzione dei potenziali elettrici, con un modello muscoloscheletrico (Gait2392) di OpenSim, permettendo di valutare la cinematica degli arti inferiori tramite dinamica diretta. L’ottimizzazione Bayesiana, tramite un Gaussian Process e una funzione di acquisizione a Lower Confidence Bound, affina iterativamente i parametri per ottenere movimenti target. Questo approccio, testato su vari movimenti, ha dimostrato la capacità di massimizzare la selettività muscolare e ridurre gli errori angolari. Consente anche di analizzare le limitazioni dell’EES in movimenti come la flessione dell’anca o la dorsiflessione. Il framework mostra potenziale in ricerca e clinica. In ambito scientifico, offre un metodo per indagare i meccanismi della stimolazione spinale e analizzare le limitazioni dell’EES, favorendo miglioramenti nei protocolli e nei risultati riabilitativi. Clinicamente, introduce l’ottimizzazione dei parametri, aprendo la strada a terapie più personalizzate. In futuro, l’integrazione di gemelli digitali specifici per i pazienti migliorerà l’accuratezza delle strategie di neuromodulazione, elemento cruciale per il recupero motorio nei pazienti con lesioni spinali.

Spinal cord stimulation (SCS), particularly epidural electrical stimulation (EES), offers a promising neuromodulation technique for restoring motor function in patients with spinal cord injury (SCI). However, optimizing EES parameters is challenging due to patient-specific responses and a complex, multidimensional parameter space. Current methods often rely on trial-and-error, which is time-consuming and exhausting for patients. This thesis develops an in-silico framework integrating spinal cord and musculoskeletal models to optimize EES protocols. The framework combines a spinal cord volume conduction model, simulating electrical potential distributions, with a musculoskeletal model (Gait2392) in OpenSim to evaluate lower limb kinematics through forward dynamics. Bayesian optimization, using a Gaussian Process surrogate and the Lower Confidence Bound acquisition, iteratively refines stimulation parameters for targeted movements. This approach was tested across various joint movements, demonstrating its ability to maximize muscle selectivity and minimize angular errors. It also analyzes EES limitations in movements like hip flexion or dorsiflexion. The framework shows potential in research and clinical fields, offering insights into spinal stimulation mechanisms and driving advancements in protocols and rehabilitation. Clinically, it aims to reduce the complexity and burden of EES parameter tuning, paving the way for personalized therapies. Future work will enhance neuromodulation strategies by incorporating patient-specific digital twins, crucial for advancing motor recovery in SCI individuals.