综述：从丘脑底核局部场电位到帕金森病慢性深部脑刺激触点的选择——系统性综述

　　本综述系统评估了基于局部场电位（LFP）特征预测帕金森病（PD）深部脑刺激（DBS）最佳刺激触点的有效性，指出β频段特征预测成功率达94%，而多特征组合（如机器学习）预测性能更优（100%达中高绩效），为DBS编程提供了客观、高效的辅助策略。

　　

背景

深部脑刺激（DBS）是治疗帕金森病（PD）的有效方法，但其编程过程耗时且依赖经验。近年来，新型可植入神经刺激器允许记录局部场电位（LFP），为优化刺激触点选择提供了新途径。然而，关于哪种LFP特征和预测技术最有效，文献尚无定论。

方法

本研究遵循PRISMA指南，检索了9个数据库的418篇文献，最终纳入25项研究。通过自定义绩效评分系统（考虑先验概率和预测准确性），将结果分为高、中、低、差四个等级，并基于特征类型（单β特征、单非β特征、多频率特征、混合特征）进行分类比较。

结果

单β特征预测：94%的结果显示阳性绩效评分，其中39%达到中或高性能（预测准确性≥2倍先验概率）。低β和高亚频段表现差异不显著，但峰值功率、平均功率和刺激诱导β抑制等特征均有效。

单非β特征预测：仅25%的结果呈阳性，主要集中高频振荡（HFO）和少数γ频段研究，而θ、α频段预测均无效。

多特征预测：所有研究（100%）均达到中或高性能，显著优于单β特征预测。机器学习（如支持向量机、随机森林）和特征组合（如β/α比率、β+ERNA+解剖距离）大幅提升预测准确性。

方法论影响：仅记录电极类型（环状 vs. 分段 vs. 组合）显著影响预测效果，分段电极（尤其组合使用）表现更优。其他因素（如记录设备、时机、临床参考标准）无显著差异。

讨论

β频段特征（尤其峰值功率）是当前最可靠的预测指标，但其性能仍受限于方法异质性和个体差异。多特征组合（整合HFO、γ、ERNA或解剖信息）通过机器学习建模，展现出更高临床转化潜力，可能更全面捕捉PD病理生理复杂性。未来需标准化记录协议、探索动态特征（如运动状态LFP），并验证多特征模型在个体化DBS编程中的实效性。

结论

基于LFP预测DBS最佳刺激触点在PD中可行，且能提升编程效率。单β特征已具应用价值，但多特征组合（尤其机器学习驱动）代表未来方向，有望推动DBS编程向自动化、个性化发展。