Auf maschinellem Lernen basierende EEG-Biomarker für personalisierte Interventionen (EEG-INSIGHT)

Dieses Projekt zielt darauf ab, ein Modell der künstlichen Intelligenz zu entwickeln, um die Reaktion auf eine Neuromodulationsbehandlung (transkranielle Gleichstromstimulation, tDCS) bei neuropathischen Schmerzen (NP) nach einer Rückenmarksverletzung (SCI) vorherzusagen, basierend auf elektroenzephalographischen (EEG) Signalen und klinischen Bewertungen. Das Projekt besteht aus zwei Phasen:

Stufe 1 umfasst eine offene Studie, bei der Teilnehmer mit SCI und NP in unserem Zentrum eine Neuromodulationsbehandlung erhalten, wobei vor und nach der Behandlung Daten gesammelt werden.

Bewertung vor der Behandlung:

• Klinische Bewertung durch Interviews und validierte Fragebögen, die auf Faktoren abzielen, die mit neuropathischen Schmerzen, Depressionen und anderen relevanten Komponenten verbunden sind.
• EEG-Aufzeichnung mit einem 64-Kanal-Gerät (Brain Products GmbH, Deutschland). Das EEG wird in einem schallisolierten Raum aufgezeichnet, wobei sich die Teilnehmer im Ruhezustand befinden, zunächst mit offenen Augen für 5 Minuten und dann mit geschlossenen Augen für weitere 5 Minuten. Die Teilnehmer werden gebeten, 12 Stunden vor der Aufnahme auf Alkohol und 3 Stunden vor der Aufnahme auf Koffein zu verzichten.

Neuromodulationsbehandlung:

• Das Behandlungsprotokoll umfasst 10 Sitzungen nicht-invasiver Stimulation, die jeweils 30 Minuten dauern.
• tDCS wird mit einem batteriebetriebenen Gleichstromstimulator (Sooma tDCS, Helsinki, Finnland) mit 6 cm² großen, mit Kochsalzlösung gesättigten kreisförmigen Elektroden verabreicht.
• Die Anode wird über C3 (EEG 10/20-System) platziert, um den primären motorischen Kortex (M1) und die Kathode über dem kontralateralen supraorbitalen Bereich (FP2) zu stimulieren.
• Bei asymmetrischen Schmerzen wird der M1 kontralateral zur schmerzenderen Körperhälfte stimuliert. Bei symmetrischem Schmerz wird die dominante Hemisphäre (C3) stimuliert.
• Der maximal abgegebene Strom beträgt 2 mA (Stromdichte: 0,06 mA/cm²).
• Die Sitzungen finden zwei Wochen lang (Montag bis Freitag) einmal täglich statt, insgesamt also 10 Sitzungen. Alle Stimulationsparameter entsprechen den allgemeinen Sicherheitsrichtlinien für die transkranielle Elektrostimulation.

Bewertung nach der Behandlung:

• Durchgeführt durch Interviews und die gleichen validierten Fragebögen, die auch bei der Beurteilung vor der Behandlung verwendet wurden.

Im Rahmen der Intervention werden die Teilnehmer einer EEG-Aufzeichnung unterzogen, um die bioelektrische Aktivität des Gehirns nicht-invasiv zu untersuchen. Zur Verbesserung der Hautleitfähigkeit werden aktive Oberflächenelektroden mit Elektrodengel eingesetzt. EEG-Aufzeichnungen werden in Ruhe durchgeführt, wobei die Teilnehmer 5 Minuten lang mit offenen Augen und 5 Minuten lang mit geschlossenen Augen auf eine leere Wand in einem schallisolierten Raum blicken.

Stufe 2 beinhaltet die Entwicklung eines Vorhersagemodells zur Klassifizierung von Patienten basierend auf ihrer Reaktion auf die Neuromodulationsbehandlung. Das Modell wird Metriken verwenden, die aus EEG-Aufzeichnungen vor der Behandlung und klinischen Bewertungen vor und nach der Behandlung abgeleitet wurden, mit dem Ziel vorherzusagen, welche Patienten positiv auf tDCS reagieren werden.

Die EEG-Vorverarbeitung wird mithilfe der Programmiersprache Python durchgeführt, wobei eine maßgeschneiderte Vorverarbeitungspipeline verwendet wird, die auf der MNE-Python-Bibliothek basiert und Folgendes umfasst: selektive Eliminierung von Ausreißerkanälen und -segmenten, Frequenzfilter, überwachte, automatisch gekennzeichnete unabhängige Komponentenanalyse zur Eliminierung von Muskel- und Augenaktivität sowie Erkennung überbrückter Elektroden.

Die EEG-Aufzeichnungen werden anhand von Metriken analysiert, die aus der Häufigkeit, Komplexität und Konnektivität des EEG-Signals abgeleitet werden. Diese Metriken wurden aufgrund ihres nachgewiesenen Potenzials in verwandten Veröffentlichungen ausgewählt, die die Fähigkeit dieser Funktionen unterstreichen, Unterschiede zwischen Gruppen zu erfassen, entweder zwischen Behandlungs-Respondern und Nicht-Respondern oder zwischen gesunden Probanden und solchen, die an NP leiden, und anderen. Basierend auf diesen EEG-Merkmalen und anderen aus Patientenfragebögen abgeleiteten Merkmalen wird ein Merkmalsauswahlprozess basierend auf metrischer Unabhängigkeit und Relevanz in der bisherigen Literatur durchgeführt, um die Generalisierbarkeit des Modells zu maximieren.

Zur Klassifizierung zwischen Respondern und Nicht-Respondern wird ein Modell des maschinellen Lernens (ML) verwendet, wobei das Hauptkandidatenmodell eine Support-Vektor-Maschine (SVM) ist. Das Modell wird mittels k-facher Kreuzvalidierung validiert. Bei zufriedenstellenden Ergebnissen wird eine Unterabtastung der EEG-Kanäle (unter Einhaltung typischer 10:20-Aufbauten) verwendet, um zu bewerten, ob ein EEG mit weniger Elektroden ähnliche Vorhersageergebnisse liefern kann, wodurch der Bedarf an EEG-Systemen mit einer hohen Elektrodenanzahl verringert wird.