Biomarkery EEG založené na strojovém učení pro personalizované intervence (EEG-INSIGHT)

Tento projekt si klade za cíl vyvinout model umělé inteligence pro predikci odpovědi na neuromodulační léčbu (transkraniální stimulace přímým proudem, tDCS) pro neuropatickou bolest (NP) po poranění míchy (SCI), na základě elektroencefalografických (EEG) signálů a klinických hodnocení. Projekt se skládá ze dvou etap:

Fáze 1 zahrnuje otevřenou studii, kde účastníci s SCI a NP dostanou neuromodulační léčbu v našem centru s údaji shromážděnými před a po léčbě.

Hodnocení před léčbou:

• Klinické hodnocení prostřednictvím rozhovorů a validovaných dotazníků zaměřených na faktory spojené s neuropatickou bolestí, depresí a dalšími relevantními složkami.
• Záznam EEG pomocí 64kanálového zařízení (Brain Products GmbH, Německo). EEG bude nahráváno ve zvukotěsné místnosti s účastníky v klidovém stavu, nejprve s otevřenýma očima po dobu 5 minut a poté se zavřenýma očima dalších 5 minut. Účastníci budou požádáni, aby se 12 hodin před natáčením vyvarovali alkoholu a 3 hodiny před natáčením kofeinu.

Neuromodulační léčba:

• Léčebný protokol zahrnuje 10 sezení neinvazivní stimulace, z nichž každé trvá 30 minut.
• tDCS bude podáván pomocí bateriově napájeného DC stimulátoru (Sooma tDCS, Helsinki, Finsko) s 6 cm² kruhovými elektrodami nasycenými fyziologickým roztokem.
• Anoda bude umístěna nad C3 (systém EEG 10/20), aby stimulovala primární motorickou kůru (M1) a katodu nad kontralaterální supraorbitální oblastí (FP2).
• U asymetrické bolesti bude stimulace aplikována na M1 kontralaterální k bolestivější hemibody. U symetrické bolesti bude stimulována dominantní hemisféra (C3).
• Maximální dodávaný proud bude 2 mA (proudová hustota: 0,06 mA/cm²).
• Sezení se budou konat jednou denně po dobu dvou týdnů (pondělí až pátek), celkem 10 sezení. Všechny parametry stimulace dodržují obecné bezpečnostní pokyny pro transkraniální elektrickou stimulaci.

Hodnocení po ošetření:

• Provedeno prostřednictvím rozhovorů a stejných validovaných dotazníků, které byly použity při hodnocení před léčbou.

V rámci intervence účastníci podstoupí záznam EEG, aby neinvazivně studovali bioelektrickou aktivitu mozku. Pro zvýšení vodivosti pokožky budou použity aktivní povrchové elektrody s elektrodovým gelem. Záznamy EEG budou prováděny v klidu, přičemž účastníci se budou dívat na prázdnou zeď ve zvukotěsné místnosti po dobu 5 minut s otevřenýma očima a 5 minut se zavřenýma očima.

Fáze 2 zahrnuje vývoj prediktivního modelu pro klasifikaci pacientů na základě jejich odpovědi na neuromodulační léčbu. Model bude používat metriky odvozené z EEG záznamů před léčbou a klinických hodnocení provedených před a po léčbě s cílem předpovědět, kteří pacienti budou na tDCS reagovat příznivě.

Předzpracování EEG bude provedeno pomocí programovacího jazyka Python, s použitím na zakázku vyrobeného předzpracovacího potrubí založeného na knihovně MNE-Python, včetně: selektivní eliminace odlehlých kanálů a segmentů, frekvenčních filtrů, supervizované analýzy nezávislých komponent s automatickým značením pro eliminaci svalová a oční aktivita a detekce přemostěných elektrod.

EEG záznamy budou analyzovány pomocí metrik odvozených z frekvence, složitosti a konektivity EEG signálu. Tyto metriky byly vybrány na základě jejich potenciálu prokázaného v souvisejících publikacích, které zdůrazňují schopnost těchto funkcí zachytit rozdíly mezi skupinami, ať už mezi těmi, kteří reagují na léčbu a nereagují na léčbu, nebo mezi zdravými subjekty a těmi, kteří trpí NP, mimo jiné. Na základě těchto znaků EEG a dalších znaků odvozených z dotazníků pacientů bude proveden proces výběru znaků založený na metrické nezávislosti a relevanci v předchozí literatuře s cílem maximalizovat zobecnění modelu.

Model strojového učení (ML), jehož hlavním kandidátem je stroj podporující vektor (SVM), bude použit pro klasifikaci mezi respondéry a nereagujícími. Model bude validován pomocí k-násobné křížové validace. Vzhledem k uspokojivým výsledkům bude použito podvzorkování kanálů EEG (dodržující typické nastavení 10:20) k vyhodnocení, zda EEG s menším počtem elektrod může poskytnout podobné prediktivní výsledky, čímž se sníží potřeba systémů EEG s vysokým počtem elektrod.