Predicción de los resultados de la intervención tDCS en la enfermedad de Parkinson utilizando biomarcadores electroencefalográficos y enfoque de aprendizaje automático: el protocolo de estudio PREDICT (PREDICT)

La enfermedad de Parkinson (EP) es una enfermedad neurodegenerativa progresiva e incapacitante, clínicamente caracterizada por síntomas motores y no motores. Se ha demostrado el potencial de la "Estimulación transcraneal con corriente continua" (tDCS) para la mejoría sintomática en estos pacientes, pero se desconocen los factores asociados con la mejor respuesta terapéutica. El electroencefalograma (EEG) se considera un biomarcador de diagnóstico y pronóstico de la EP y se ha utilizado en estudios recientes asociados con métodos de aprendizaje automático para identificar predictores de respuestas en condiciones neurológicas y psiquiátricas. Utilizando la predicción basada en la conectividad y el aprendizaje automático, los investigadores tienen la intención de identificar y comparar las características relacionadas con el EEG de referencia en reposo entre los respondedores de EP y los que no responden al tratamiento con tDCS.

Los participantes reclutados serán asignados al azar al tratamiento con tDCS activo asociado con terapia motora de doble tarea o terapia motora con señales visuales. Se realizará un electroencefalograma (EEG) en estado de reposo previo al inicio del tratamiento. Los investigadores determinarán las etiquetas de mejora clínica utilizadas para la clasificación del aprendizaje automático, en las evaluaciones iniciales y posteriores al tratamiento y utilizarán tres métodos diferentes para categorizar los datos en dos clases (mejoría baja o alta): Máquina de vectores de soporte (SVM), Análisis discriminante lineal (LDA) ) y Máquina de aprendizaje extremo (ELM). La etiqueta funcional se basará en la prueba Timed Up and Go registrada al inicio y después del tratamiento con tDCS.