Tratamiento de la depresión comórbida de pacientes con narcolepsia mediante estimulación intermitente Theta Burst

Los propósitos de este estudio son los siguientes: (1) Recopilar datos completos de imágenes cerebrales de narcolepsia y no narcolepsia. Se analizará la diferencia entre los dos grupos. Para encontrar la diferencia entre la narcolepsia Tipo 1 y Tipo 2 por características de imágenes cerebrales. Use estos datos para encontrar el parámetro especial mediante "aprendizaje automático" y construya un modelo predictivo; (2) Para recopilar datos completos de tipificación de HLA de narcolepsia y no narcolepsia. Intentar comprender el perfil HLA de pacientes narcolépticos y sus padres en Taiwán. Analizar la diferencia entre los dos grupos de narcolepsia tipo 1 y tipo 2. Utilice estos datos de las características de tipificación de HLA para encontrar el parámetro especial mediante "aprendizaje automático" y establecer un modelo predictivo; y (3) categorizar y agrupar datos clínicos de narcolepsia, datos de exámenes del sueño y los datos antes mencionados basados ​​en el concepto de aprendizaje automático y construir un modelo predictivo como base para desarrollar una "herramienta o modelo de diagnóstico de narcolepsia" rápido y preciso en el futuro. Método de investigación: Se trata de un estudio de casos y controles. Se recogerán 400 sujetos (de 9 a 45 años). Estos sujetos se dividirán en los tres grupos siguientes: (1) grupo experimental (narcolepsia Tipo 1, 200 sujetos); (2) grupo experimental (narcolepsia tipo 2, 100 sujetos); y (3) grupo de control (sujetos sin narcolepsia emparejados por edad y género, 100). Los investigadores recopilarán todos los datos clínicos de cada sujeto, incluidas las características clínicas, los datos del examen del sueño, la actigrafía, la tipificación de HLA y los datos de imágenes cerebrales. Método de análisis de datos: los datos clínicos de narcolepsia, los datos del examen del sueño y los datos antes mencionados se categorizaron y agruparon a través del análisis de datos basado en el aprendizaje automático de la computadora, la red neuronal y los conceptos de análisis de efectividad del modelo predictivo. Luego, los investigadores construirán un modelo predictivo basado en los resultados.