Neurofeedback bei PTBS (NEUROFPTSD)

Ein virtueller Welt-/Neuro-Feedback-Echtzeit-Funktions-MRT-Ansatz zur PTSD-Behandlung

Trotz der Verfügbarkeit einer Behandlung bleibt die posttraumatische Belastungsstörung (PTBS) ein großes Problem bei Veteranen mit enormen Auswirkungen auf Patienten, ihre Familien und das VHA-System. Ein wichtiger therapeutischer Ansatz für Veteranen mit PTSD ist die Expositionstherapie, die bei vielen Patienten positive Auswirkungen hat. Es sind jedoch Verbesserungen der aktuellen Therapien erforderlich, da die Besserung bei vielen Veteranen geringer ausfällt, als den Forschern lieb ist.

Die übergreifenden Hypothesen dieses Vorschlags sind zweigeteilt. Erstens kann die mit funktioneller MRT (fMRT) gemessene Gehirnaktivität verwendet werden, um die unterschiedlichen Gehirnzustände eines PTBS-Patienten während einer bedrohlichen Erfahrung im Vergleich zu einem ruhigen Moment zu unterscheiden, und dass Patienten mithilfe von Neurofeedback aus Echtzeit unterstützt werden fMRT während einer Virtual-Reality-Erfahrung kann lernen, ihre Reaktion zu reduzieren, indem sie ihren Gehirnzustand absichtlich verändert. Zweitens kann die kontinuierliche Messung von körperlicher Aktivität, Herzfrequenz und Schlafmuster mithilfe tragbarer Geräte bei der Untersuchung von PTBS-Behandlungsverläufen hilfreich sein.

Die Forscher werden virtuelle Welten, maschinelles Lernen, Echtzeit-fMRT und Neurofeedback kombinieren, um eine neuartige PTBS-Behandlung bereitzustellen, von der die Forscher hoffen, dass sie zumindest in bestimmten herausfordernden Fällen wirksamer ist als aktuelle Alternativen. Wichtig ist, dass die Forscher ein Rechenmodell erstellen, das spezifisch ist für die Kombination aus Patient und Reiz. Dies ist von entscheidender Bedeutung, da PTSD-Patienten sehr heterogen sind.

Ziel 1. Nutzung der virtuellen Welt/Neurofeedback mit Echtzeit-fMRT als Therapie für PTSD Fünfzehn bei MEDVAMC rekrutierte PTBS-Patienten werden dem virtuellen Irak ausgesetzt, einer virtuellen Weltplattform, in der sie kriegsähnlichen Szenarien und Ruhe ausgesetzt werden Szenen, in denen keine Bedrohung vorhanden ist. Die Gehirnaktivität wird mittels fMRT erfasst und mit maschinellem Lernen analysiert, um zwischen beiden extremen Gehirnzuständen (STRESS vs. RUHE) zu unterscheiden. Diese beiden Zustände werden während des Neurofeedback-Trainings verwendet: In den folgenden Wochen werden die Teilnehmer sieben fMRT-/Virtual-World-Sitzungen ausgesetzt, in denen sie angeleitet werden, zu versuchen, einen Maßstab auf die RUHIGE Seite zu bewegen, indem sie individuelle mentale Strategien (aktiv wie z. B. aktiv) anwenden Konzentration auf eine bestimmte Erinnerung oder passiv, da sich gezeigt hat, dass Neurofeedback nicht unbedingt eine willentliche Anstrengung erfordert, um zu wirken). Der Stress der virtuellen Welt wird durch das Messgerät manipuliert: Wenn der Patient in der Lage ist, den Balken in Richtung RUHIG zu bewegen (indem er das Gehirn in diesen Zustand bringt), wird der Stress der virtuellen Welt abnehmen.

Hypothese 1: Die PTBS-Symptome nehmen mit fortschreitendem Training ab und die Patienten erlernen mentale Strategien, um „die Welt“ in einen RUHIGEN Zustand zu bringen.

Ziel 2. Untersuchung tragbarer Technologie zur Beurteilung des Behandlungserfolgs bei PTSD. Es gibt zwar PTBS-Messinstrumente und die Forscher werden sie vor, während und nach dem Training verwenden, im Allgemeinen sind Selbstberichte nicht so robust und zuverlässig, wie man es gerne hätte. Daher wäre es von Vorteil, mehr physiologische Messungen des Behandlungsverlaufs bei PTSD und für die Psychiatrie im Allgemeinen zu haben. Die Ermittler werden ein tragbares Gerät ähnlich einer Armbanduhr verwenden, das der Teilnehmer während des gesamten Trainings kontinuierlich trägt und es den Ermittlern ermöglicht, körperliche Aktivität, Herzfrequenz und Schlafqualität zu messen.

Hypothese 2: Daten vom tragbaren Gerät korrelieren mit Selbstberichten und mit erhöhter Fähigkeit, die virtuelle Welt während des Trainings absichtlich in den RUHIGEN Zustand zu versetzen.

Zusammenfassend schlagen die Forscher vor, dass Neurofeedback PTBS-Patienten die Möglichkeit gibt, persönliche mentale Strategien zu entdecken, um in Stresssituationen ruhiger zu werden. Der Lernprozess muss jedoch nicht das Ergebnis vorsätzlicher Anstrengung sein, da gezeigt wurde, dass fMRT-bezogenes Lernen in Echtzeit ohne bewusste Anstrengung oder Bewusstsein erfolgen kann. Darüber hinaus postulieren die Forscher, dass tragbare Geräte physiologische Daten erfassen, die mit den Trajektorien während der PTSD-Behandlung verknüpft sind.

Den Forschern ist bewusst, dass der Ansatz leider möglicherweise zu teuer ist, um routinemäßig angewendet zu werden (eine sorgfältige Kosten-Nutzen-Studie nach Abschluss der Studie könnte jedoch das Gegenteil beweisen). Die Forscher gehen jedoch davon aus, dass es bei Erfolg dieses Pilotprojekts möglich sein wird, diese Daten zur Entwicklung kostengünstigerer Hybridalternativen als Ergänzung zur Expositionstherapie zu nutzen, wie z. B. die Verwendung von fMRT in Kombination mit EEG zur Unterscheidung zwischen Gehirnzuständen (nur ein MRT-Besuch). erforderlich) und dann während des Trainings nur das EEG zu verwenden.

Vorstudien Die Forschung in diesem Vorschlag wird auf dem vierjährigen Forschungsprojekt der Ermittler an der UT Austin aufbauen, das vom Army Research Office finanziert wird. Diese Arbeit hat den Nutzen virtueller 3D-Welten als Anregung für fMRT-basierte Forschung erheblich erweitert und den Grundstein für individualisierte Therapien und Schulungen gelegt. Es wird eine zentrale Rolle bei der Bereitstellung von Neuro-Feedback spielen, indem es die Gehirnaktivität von Patienten als Reaktion auf virtuelle Welten analysiert, die darauf ausgelegt sind, PTSD-Reaktionen hervorzurufen, wie sie beispielsweise von BRAVEMIND bereitgestellt werden.

Bei der fMRT-Datenerfassung wird bei Bedarf mehrere Minuten lang alle 2–3 Sekunden ein Volumen der Gehirnaktivität erfasst. Bei jeder Probe handelt es sich um eine 3D-Anordnung von Voxeln, die die gesamte Gehirnaktivität einiger Millionen Neuronen misst. Bei der herkömmlichen fMRT-Datenanalyse werden die Werte jedes Voxels als separate Zeitreihen behandelt und eine lineare statistische Analyse durchgeführt, die den Reiz mit der gemessenen Aktivität in Beziehung setzt. Um mit der zunehmenden Komplexität der Nutzung virtueller Echtzeitwelten als Stimulus umzugehen, verwendeten die Forscher stattdessen maschinelles Lernen zur Analyse. Auf maschinellem Lernen basierende Methoden können komplexe Korrelationen über viele Voxel statt über ein einzelnes Voxel extrahieren. Die Methode beinhaltet „Training“, indem dem Algorithmus beispielhafte Eingabe-/Ausgabepaare zugeführt werden. Im Fall der Forscher ist die Eingabe eine fMRT-Zeitprobe und die Ausgabe, die den Reiz widerspiegelt, ist eine Kategorie, an der die Forscher interessiert sind. Die Forscher bezeichnen jede Kategorie als „Gehirnzustand“, bei dem es sich um das Gehirnaktivierungsmuster handelt, das durch die Kennzeichnung jedes Zeitabschnitts mit einer bestimmten Reizkategorie spezifiziert wird.

Die Forscher konnten in zwei verschiedenen Experimenten eine genaue Leistung zur Erkennung von Gehirnzuständen erzielen. Beide verwendeten virtuelle Welten, die an irakische Städte erinnerten, und virtuelle Charaktere der US-Armee und einheimischer feindlicher Kämpfer. Im ersten Experiment verwendeten die Forscher ein passives Betrachtungsparadigma, bei dem 1–6 Kämpfer an verschiedenen Orten in einer virtuellen Stadt präsentiert wurden. Die durchschnittliche Leistung aller Probanden war ziemlich gut und lag weit über dem Zufall, wenn es darum ging, zu bestimmen, wie viele Kämpfer (1-6) der Teilnehmer zu jedem Zeitpunkt sah. Das zweite Experiment verwendete einen ähnlichen, aber komplexeren Reiz, der eine bestimmte visuelle Aufgabe beinhaltete, die eine Reaktion des Benutzers erforderte. Die Probanden wurden gebeten, schnell per Knopfdruck auf das plötzliche Ziehen einer Waffe durch einen einzelnen feindlichen Kämpfer innerhalb einer Gruppe von 20 Personen zu reagieren, von denen die Hälfte befreundete Streitkräfte waren. Der Schwierigkeitsgrad der Aufgabe wurde bei Begegnungen, die jeweils 30 Sekunden dauerten, zufällig variiert. Die maschinellen Lernmethoden der Forscher konnten diese Dimension des Gehirnzustands mit einer Genauigkeit von 70–90 % erkennen.

Forschungsdesign und Methoden Ziel 1. Nutzung der virtuellen Welt/Neurofeedback mit Echtzeit-fMRT als Therapie für PTBS Die Forscher werden virtuelle Welten, Echtzeit-fMRT, maschinelles Lernen und Neurofeedback kombinieren, um eine neuartige PTBS-Behandlung bereitzustellen, die die Die Ermittler hoffen, dass es wirksamer sein wird als aktuelle Alternativen. Die Ermittler gehen auch davon aus, dass sie durch die Untersuchung der Gehirnkarten wie den oben genannten Einblicke gewinnen werden, wie sich PTBS im Gehirn verschiedener Probanden manifestiert. Der audiovisuelle Stereo-Stimulus wird vom BRAVEMIND-System bereitgestellt. Vor dem Scannen nimmt jeder Proband an einer Therapiesitzung neben dem Labor teil, an der ein ausgebildeter Therapeut teilnimmt. Die Forscher werden die Stimulusparameter anpassen, um einen angemessenen therapeutischen Bereich von Reaktionen zwischen RUHIG und GESTRESST bereitzustellen. Es stehen verschiedene Szenen/Szenarien zur Verfügung. Dieser Bereich an Parametereinstellungen wird für nachfolgende Scansitzungen erfasst. Im Scanner werden die Virtual-Reality-Reize über ein MR-kompatibles 3D-Display ausgegeben. Die Probanden melden mithilfe eines MR-kompatiblen Reaktionsgeräts mit fünf Tasten selbst ihren Grad ihrer „gestressten“ Angst. Diese Antwortdaten und die MRT-Daten aus den ersten beiden Sitzungen werden von maschinellen Lernalgorithmen verwendet, um Klassifikatoren zu erstellen, die die Antworten des Probanden bei jeder 1,5-sekündigen Stichprobe zwischen RUHIG und GESTRESST unterscheiden können. In den folgenden 6 Sitzungen werden dem Probanden ähnliche, aber nicht identische Reize präsentiert und gleichzeitig Feedback vom maschinellen Lernen erhalten. Dies wird es ihnen ermöglichen, nach und nach zu lernen, wie sie ihre eigene Gehirnreaktion in Richtung einer ruhigeren Reaktion selbst modulieren können. Solche selbstinduzierten Veränderungen werden vom fMRT-System erkannt und zur Modulation der virtuellen Welt verwendet, um den Grad der wahrgenommenen Bedrohung direkt zu reduzieren; Dadurch wird das für die Extinktionstherapie erforderliche Echtzeit-Neuro-Feedback bereitgestellt (ein „Thermometer“ wird angezeigt).

FMRI-Daten des gesamten Gehirns werden mit einem 3T Siemens Prisma-Scanner unter Verwendung von SMS-Beschleunigung gesammelt, um eine Voxelgröße von 2 mm und TR = 1,5 Sek. (SMS x3, G = 2, TE = 30 ms, FA = 72) zu erhalten. Die Scansitzungen dauern etwa eine Stunde und beginnen mit der Erfassung von Lokalisierern und einer hochauflösenden Anatomie (MP-RAGE), 1-mm-Kubikvoxeln, gefolgt von der Erfassung von fMRT-Daten während der Stimuluspräsentation in der virtuellen Realität. Jeder fMRT-Lauf dauert etwa 6 Minuten und es werden 6–8 Läufe erfasst.

Fallstricke und alternative Strategien. Die Forscher haben die Fähigkeit nachgewiesen, eine interne Gehirndimension mit einer Genauigkeit von 89 % zu klassifizieren, es ist jedoch möglicherweise nicht möglich, eine ähnliche Genauigkeit für die „PTBS“-Dimension zu erreichen. Es kann möglich sein, die Ergebnisse zu verbessern, indem die beobachteten Puls- und Atmungsdaten als Eingabe in das maschinelle Lernen einbezogen werden. Selbst wenn das Feedback erfolglos ist, werden die Forscher darüber hinaus dennoch Einblicke in die Physiologie der PTBS aus den Sensitivitätskarten gewinnen, die durch das maschinelle Lernen generiert werden.

Ziel 2. Untersuchung tragbarer Technologie zur Beurteilung des Behandlungserfolgs bei PTSD. Körperliche Aktivität, Herzfrequenz und Schlafmuster spielen alle eine wichtige Rolle bei PTBS. Die tragbare Technologie hat sich in letzter Zeit so weiterentwickelt, dass die Forscher diese drei Parameter nun im Verlauf einer Studie kontinuierlich und nicht-invasiv messen können. Die Forscher schlagen vor, selbstberichtete Symptome in Verbindung mit körperlicher Aktivität, Schlafmustern und Herzfrequenzdaten über 9 Wochen zu untersuchen. Die Forscher werden mithilfe der linearen Regression untersuchen, ob CAPS5-, PCL- und Tagebuchsymptome mit Aktivitäts-, Schlaf- und Herzfrequenzmustern während der Behandlung korrelieren. Die Forscher gehen davon aus, dass bei Patienten, bei denen die Behandlung am erfolgreichsten ist, a) die durchschnittliche Herzfrequenz stärker sinkt, b) Anfälle hoher Herzfrequenz tagsüber und nachts seltener auftreten, c) die durchschnittliche körperliche Aktivität zunimmt und d) die körperliche Aktivität zunimmt e) Die durchschnittliche Schlafdauer wird länger und f) die Schlafmuster werden sich regulieren, mit weniger Wachphasen während der Nacht.

Fallstricke und alternative Strategien. Es ist möglich, dass die Daten von tragbaren Geräten nicht mit einer Symptomverbesserung korrelieren. Eine wahrscheinliche Erklärung wäre, dass die Fehlerrate aktueller Geräte keine signifikanten Korrelationen zulässt. Sollte dies der Fall sein, sollte dieser Ansatz in Zukunft erneut getestet werden. Eine andere, weniger wahrscheinliche Erklärung wäre, dass körperliche Aktivität, Herzfrequenz und Schlafqualität nicht so stark mit PTBS-Symptomen korrelieren, wie die verfügbaren Daten vermuten lassen. Da es sich um eine kleine Pilotstudie handelt, würden Daten, die einen Trend nahelegen, mögliche Richtungen für zukünftige Untersuchungen aufzeigen.

Allgemeine Schlussfolgerung

Die Hauptidee der Studie besteht darin, dass sich die VR in eine weniger stressige Umgebung ändert, wenn sich das Gehirn dem zuvor als RUHIG definierten Zustand nähert. Die Forscher gehen davon aus, dass Patienten im Laufe der Zeit lernen, ihr Gehirn bewusst in einen RUHIGEN Zustand zu versetzen, was ihnen individuelle mentale Strategien zur Beruhigung bietet, wenn ein Trauma/Stressauslöser vorliegt.