Vorhersage der Ergebnisse einer tDCS-Intervention bei der Parkinson-Krankheit mithilfe von elektroenzephalographischen Biomarkern und dem Ansatz des maschinellen Lernens: das PREDICT-Studienprotokoll (PREDICT)

Die Parkinson-Krankheit (PD) ist eine fortschreitende und behindernde neurodegenerative Erkrankung, die klinisch durch motorische und nichtmotorische Symptome gekennzeichnet ist. Das Potenzial der „Transkraniellen Gleichstromstimulation“ (tDCS) zur symptomatischen Verbesserung bei diesen Patienten wurde nachgewiesen, die Faktoren, die mit dem besten therapeutischen Ansprechen verbunden sind, sind jedoch nicht bekannt. Das Elektroenzephalogramm (EEG) gilt als diagnostischer und prognostischer Biomarker der Parkinson-Krankheit und wurde in jüngsten Studien im Zusammenhang mit Methoden des maschinellen Lernens verwendet, um Prädiktoren für Reaktionen bei neurologischen und psychiatrischen Erkrankungen zu identifizieren. Mithilfe konnektivitätsbasierter Vorhersagen und maschinellem Lernen beabsichtigen die Forscher, Merkmale im Zusammenhang mit dem Basis-Ruhe-EEG zwischen PD-Respondern und Nicht-Respondern auf die tDCS-Behandlung zu identifizieren und zu vergleichen.

Die rekrutierten Teilnehmer werden randomisiert einer Behandlung mit aktivem tDCS in Verbindung mit einer motorischen Dual-Task-Therapie oder einer motorischen Therapie mit visuellen Hinweisen zugeteilt. Vor Beginn der Behandlung wird ein Ruhezustands-Elektroenzephalogramm (EEG) aufgezeichnet. Die Forscher bestimmen Etiketten für klinische Verbesserungen, die für die Klassifizierung durch maschinelles Lernen in Baseline- und Post-Treatment-Bewertungen verwendet werden, und verwenden drei verschiedene Methoden, um die Daten in zwei Klassen (geringe oder hohe Verbesserung) zu kategorisieren: Support Vector Machine (SVM), lineare Diskriminanzanalyse (LDA). ) und Extreme Learning Machine (ELM). Die Funktionsbezeichnung basiert auf dem Timed Up and Go-Test, der zu Studienbeginn und nach der tDCS-Behandlung aufgezeichnet wurde.