Elektroencefalografi som prædiktor for effektivitet HD-tDCS i neuropatisk smerte: Machine Learning Approach

Kontekstualisering: Neuropatisk smerte er en komplikation til stede i det kliniske billede af patienter med traumatisk Brachial Plexus-skade (BPI). Det er karakteriseret ved høj intensitet, sværhedsgrad og modstandsdygtighed over for kliniske behandlinger, hvilket resulterer i høj invaliditet og tab af livskvalitet. På grund af tab af afferent indtrængning forårsager det kortikale og subkortikale ændringer og ændringer i somatotop repræsentation, fra utilstrækkelige plastiske tilpasninger i det centrale og perifere nervesystem, en af ​​de terapier med potentiel fordel i denne population er den transkranielle højdefinitions kontinuerlige strømstimulation ( HD-tDCS). Ved at bruge forbindelsesbaseret responsforudsigelse og maskinlæring vil det således tillade større sikkerhed for effektivitet og optimering af anvendelsen af ​​denne terapi, idet den er rettet mod patienter med større potentiale til at drage fordel af anvendelsen af ​​denne tilgang. Formål: Ved at bruge forbindelsesbaseret forudsigelse og maskinlæring har denne undersøgelse til formål at vurdere, om baseline EEG-relaterede karakteristika forudsiger responsen fra patienter med neuropatisk smerte efter BPI på effektiviteten af ​​HD-tDCS-behandling. Materialer og metoder: En kvantitativ, anvendt, eksplorativ, åben-label respons forudsigelsesundersøgelse vil blive udført fra data opnået fra et pilot, triple-blind, cross-over, placebo-kontrolleret, randomiseret klinisk forsøg, der undersøger effektiviteten af ​​at anvende HD-tDCS til patienter med neuropatiske plexus brachialis traumesmerter. Deltagerne vil blive evalueret for berettigelse og derefter tilfældigt fordelt i to grupper for at modtage den aktive HD-tDCS eller simulerede HD-tDCS. Det primære resultat vil være smerteintensitet målt ved den numeriske smerteskala. Deltagerne vil blive inviteret til at deltage i en EEG-undersøgelse, før behandlingen påbegyndes. Kliniske forbedringsetiketter, der bruges til maskinlæringsklassificering, vil blive bestemt baseret på data opnået fra det kliniske forsøg (baseline- og efterbehandlingsevalueringer). Hypotesen i denne undersøgelse er, at responsforudsigelsesmodellen konstrueret ud fra EEG-frekvensbåndmønsterdata indsamlet ved baseline vil være i stand til at identificere respondere og ikke-responderere på HD-tDCS-behandling.