Maskinlæringsbaserede EEG-biomarkører til personlige indgreb (EEG-INSIGHT)

Dette projekt har til formål at udvikle en kunstig intelligensmodel til at forudsige responsen på en neuromodulationsbehandling (transkraniel Direct Current Stimulation, tDCS) for neuropatisk smerte (NP) efter rygmarvsskade (SCI), baseret på elektroencefalografiske (EEG) signaler og kliniske vurderinger. Projektet består af to faser:

Fase 1 involverer et åbent forsøg, hvor deltagere med SCI og NP vil modtage neuromodulationsbehandling på vores center, med data indsamlet før og efter behandlingen.

Evaluering før behandling:

• Klinisk vurdering gennem interviews og validerede spørgeskemaer rettet mod faktorer forbundet med neuropatisk smerte, depression og andre relevante komponenter.
• EEG-optagelse ved hjælp af en 64-kanals enhed (Brain Products GmbH, Tyskland). EEG vil blive optaget i et lydisoleret rum med deltagere i hviletilstand, først med åbne øjne i 5 minutter og derefter med lukkede øjne i yderligere 5 minutter. Deltagerne vil blive bedt om at undgå alkohol 12 timer før og koffein 3 timer før optagelsen.

Neuromodulationsbehandling:

• Behandlingsprotokollen involverer 10 sessioner med ikke-invasiv stimulering, som hver varer 30 minutter.
• tDCS vil blive administreret ved hjælp af en batteridrevet DC-stimulator (Sooma tDCS, Helsinki, Finland) med 6 cm² saltvandsmættede cirkulære elektroder.
• Anoden vil blive placeret over C3 (EEG 10/20 system) for at stimulere den primære motoriske cortex (M1) og katoden over det kontralaterale supraorbitale område (FP2).
• Ved asymmetriske smerter vil stimulation blive anvendt på M1 kontralateralt til det mere smertefulde hemibody. Ved symmetriske smerter vil den dominerende halvkugle (C3) blive stimuleret.
• Maksimal leverede strøm vil være 2 mA (strømtæthed: 0,06 mA/cm²).
• Sessioner vil blive afholdt en gang dagligt i to uger (mandag til fredag), i alt 10 sessioner. Alle stimulationsparametre overholder de generelle sikkerhedsretningslinjer for transkraniel elektrisk stimulation.

Evaluering efter behandling:

• Gennemført gennem interviews og de samme validerede spørgeskemaer, som blev brugt i vurderingen før behandling.

Som en del af interventionen vil deltagerne gennemgå EEG-optagelse for at studere hjernens bioelektriske aktivitet non-invasivt. Aktive overfladeelektroder med elektrodegel vil blive brugt til at forbedre hudens ledningsevne. EEG-optagelser vil blive udført i hvile, hvor deltagerne ser på en tom væg i et lydisoleret rum, i 5 minutter med åbne øjne og 5 minutter med lukkede øjne.

Fase 2 involverer udvikling af en prædiktiv model til at klassificere patienter baseret på deres respons på neuromodulationsbehandlingen. Modellen vil bruge målinger afledt af EEG-optagelser før behandling og kliniske vurderinger udført før og efter behandlingen, med det formål at forudsige, hvilke patienter der vil reagere positivt på tDCS.

EEG-forbehandling vil blive udført ved hjælp af Python-programmeringssproget ved hjælp af en specialfremstillet forbehandlingspipeline baseret på MNE-Python-biblioteket, herunder: selektiv udliggerkanal og segmenteliminering, frekvensfiltre, overvåget automærket uafhængig komponentanalyse til eliminering af muskulær og okulær aktivitet og påvisning af broforbundne elektroder.

EEG-optagelserne vil blive analyseret ved hjælp af målinger afledt af frekvensen, kompleksiteten og forbindelsen af ​​EEG-signalet. Disse målinger blev udvalgt på grund af deres påviste potentiale i relaterede publikationer, som fremhæver disse funktioners evne til at fange forskelle mellem grupper, enten mellem behandlingsrespondere og ikke-respondere, eller mellem raske forsøgspersoner og dem, der lider af NP, blandt andre. Baseret på disse EEG-træk og andre egenskaber afledt af patientspørgeskemaer, vil en funktionsudvælgelsesproces baseret på metrisk uafhængighed og relevans i tidligere litteratur blive udført for at maksimere modellens generaliserbarhed.

En maskinlæringsmodel (ML), hvor hovedkandidatmodellen er en støttevektormaskine (SVM), vil blive brugt til at klassificere mellem respondere og ikke-respondere. Modellen vil blive valideret ved hjælp af k-fold krydsvalidering. Givet tilfredsstillende resultater, vil en undersampling af EEG-kanaler (der overholder typiske 10:20-opsætninger) blive brugt til at evaluere, om et EEG med færre elektroder kan give lignende prædiktive resultater, og dermed reducere behovet for EEG-systemer med et højt elektrodeantal.