Untersuchung elektroenzephalographischer Prädiktoren der Antikorrelation des Default-Mode-Netzwerks bei gesunden Erwachsenen

Neuropsychiatrische Zustände werden zunehmend als Störungen intrinsischer, funktioneller Interaktionen innerhalb und zwischen weit verbreiteten, verteilten Gehirnnetzwerken verstanden. Angesichts der jüngsten Fortschritte in der funktionellen Magnetresonanztomographie (fMRI)-Datenerfassung und Computeranalyse ist es jetzt möglich, die funktionelle Neuroanatomie von Gehirnnetzwerken innerhalb von Individuen zuverlässig abzubilden, was einen potenziellen Weg zur Identifizierung personalisierter neurotherapeutischer Ziele bietet. Goldstandard-Behandlungen (z. Pharmakotherapie) in der derzeitigen psychiatrischen Praxis waren ursprünglich nicht darauf ausgelegt, auf spezifische Gehirnnetzwerkinteraktionen abzuzielen, und es fehlen Protokolle, die solche Daten auf individueller Ebene nutzen. Echtzeit-Neurofeedback – bei dem Patienten ausgewählte Aspekte ihrer eigenen Gehirnaktivität beobachten und zu regulieren lernen – ist ein möglicher Ansatz, um die Normalisierung ungesunder Kommunikation innerhalb und zwischen Gehirnnetzwerken individuell anzupassen. Um jedoch auf die wichtigsten Gehirnnetzwerke abzuzielen, die bei neuropsychiatrischen Erkrankungen abnormal funktionieren, stützt sich Neurofeedback auf fMRT, ein teures Verfahren, das einen komplexen Aufbau und eine komplexe Patientenbelastung mit sich bringt. Das Ziel dieses Projekts ist die Entwicklung eines elektroenzephalographischen (EEG) "Fingerabdrucks" der fMRT-Netzwerkdynamik, so dass ein Neurofeedback-System, das allein auf EEG (auf der Kopfhaut platzierte Elektroden) basiert, verwendet werden kann, um Interaktionen innerhalb und zwischen Gehirnnetzwerken genau zu zielen. Da EEG-Geräte tragbar sein können und eine relativ einfache Einrichtung in flexiblen Umgebungen bieten, könnte diese Forschung eine skalierbare Form des netzwerkbasierten Neurofeedback-Trainings ermöglichen, auf das Patienten regelmäßig zugreifen können. Ziel 1 dieser Forschung ist die Identifizierung eines optimalen Modells von EEG-Merkmalen, die den "Antagonismus" des fMRI-basierten Default Mode Network (DMN) bei Individuen vorhersagen. Die Forscher konzentrieren sich auf diesen DMN-Antagonismus, da es sich um ein Hauptmerkmal handelt, das für die kognitive Dysfunktion bei psychiatrischen Erkrankungen auf transdiagnostischer Ebene relevant ist. Die Forscher werden qualitativ hochwertige, simultane EEG-fMRI-Daten bei 24 gesunden Erwachsenen (> 100 Minuten Probenahme pro Teilnehmer) sammeln, einschließlich dreier Bedingungen: (1) Ruhezustand, (2) kontinuierliche Aufgabenleistung und (3) kontinuierliche fMRT -basiertes Neurofeedback von DMN-Antagonismus-Zuständen. Die Forscher werden auf maschinellem Lernen basierende Methoden anwenden, um eine optimale Zuordnung zwischen EEG-Signalkomponenten und fMRI-basiertem DMN-Antagonismus zu identifizieren. Darüber hinaus werden die Forscher bestimmen, wie viele EEG-fMRI-Proben auf individueller Ebene erforderlich sind, um DMN-Antagonismus aus dem EEG erfolgreich vorhersagen zu können. Ziel 2 der Forschung ist es zu testen, ob EEG-Marker für DMN-Antagonismus Schwankungen bei der Leistung kognitiver Aufgaben bei Individuen vorhersagen. Als solche könnten die Ergebnisse eine Validierung der Verhaltensrelevanz eines EEG-Neurofeedback-Systems bieten, das auf DMN-Antagonismus abzielen würde. Bei Erfolg kann die Arbeit zur Entwicklung eines zugänglichen, computergestützten Psychiatrie-Tools führen, das unter klinischen Bedingungen getestet werden kann, bei denen DMN-Antagonismus (und damit verbundene kognitive Funktionen) beeinträchtigt sind, einschließlich Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung, Depression und Schizophrenie.