加州大学旧金山分校研究人员开发出一种新型深部脑刺激技术，结合人工智能助力帕金森病患者的行走功能改善。
深部脑刺激（DBS）通过植入式设备向大脑特定区域发送电信号。研究团队借助人工智能开发出首套步态表现量化体系，并据此精细调节电脉冲参数以适配个体患者需求，从而在不加重其他症状的前提下实现行走功能的实质性提升。
主导该研究的医学博士多丽丝·王（加州大学旧金山分校神经外科副教授）与博士后研究员哈米德·费克里·阿兹戈米共同领导了这项获美国国立卫生研究院支持的项目。王博士详解了研究原理与临床意义：
深部脑刺激技术原理
DBS采用微创手术植入设备：在颅骨钻两个微孔，置入天使发细面般纤细柔韧的电极导线，经皮下通路连接至胸部的脉冲发生器（相当于大脑起搏器）。
帕金森病行走障碍的成因
该疾病因大脑基底神经节多巴胺神经元损伤，引发"帕金森步态"：患者行走时拖步、转向需多次小步，左右步长不一致，部分患者甚至出现冻结步态，这些症状易导致跌倒。其根源在于脑电波模式异常阻碍运动调节能力，DBS通过修正该模式发挥作用。
传统治疗的局限
在帕金森主要症状中，步态障碍最难治疗。现有药物或常规高频DBS对严重步态障碍效果有限——虽然能改善震颤与运动迟缓，却无法有效解决行走问题。这促使团队探索针对步态的定制化刺激方案，通过调整DBS输出的时序与能量实现突破。
双维度研究策略
团队从临床与神经生理学双视角切入：
- 临床维度：量化优质步态特征，优化刺激参数对步态指标的影响
- 神经生理维度：解析步态优化刺激对脑活动的共性作用机制
步态表现指数开发
研究人员建立包含四项关键指标的步态表现指数：摆臂幅度、步速、步长变异性及步态对称性。这些指标可有效区分帕金森患者与健康人群。通过让患者在动态调整DBS参数时行走，同步采集神经数据与步态力学信息，确定个体化最佳参数。
人工智能的核心作用
机器学习算法基于采集数据预测最优DBS设置：部分患者需高频刺激，另一些则受益于低频刺激，证实步态优化参数存在个体差异。AI成功实现"一人一策"的精准调控。
神经生理学突破
研究揭示DBS对大脑皮层运动网络的调节机制，发现与行走功能改善直接关联的脑电波特征，为未来编程提供科学依据。
临床价值与未来展望
个性化刺激方案使患者获得更快速、稳定的步态改善且不加重其他症状。团队正研发闭环自适应DBS算法：患者行走时自动切换至步态优化模式，其他运动状态维持标准刺激。该技术有望显著缓解帕金森患者的步态障碍，提升行动能力并减少跌倒风险。
【全文结束】
