Biomarcadores EEG basados ​​en aprendizaje automático para intervenciones personalizadas (EEG-INSIGHT)

Este proyecto tiene como objetivo desarrollar un modelo de inteligencia artificial para predecir la respuesta a un tratamiento de neuromodulación (estimulación transcraneal de corriente directa, tDCS) para el dolor neuropático (NP) después de una lesión de la médula espinal (LME), basado en señales electroencefalográficas (EEG) y evaluaciones clínicas. El proyecto consta de dos etapas:

La etapa 1 implica una prueba abierta donde los participantes con LME y NP recibirán tratamiento de neuromodulación en nuestro centro, con datos recopilados antes y después del tratamiento.

Evaluación previa al tratamiento:

• Evaluación clínica a través de entrevistas y cuestionarios validados dirigidos a factores asociados con el dolor neuropático, la depresión y otros componentes relevantes.
• Grabación de EEG mediante un dispositivo de 64 canales (Brain Products GmbH, Alemania). El EEG se grabará en una habitación insonorizada con los participantes en estado de reposo, primero con los ojos abiertos durante 5 minutos y luego con los ojos cerrados durante otros 5 minutos. Se pedirá a los participantes que eviten el alcohol 12 horas antes y la cafeína 3 horas antes de la grabación.

Tratamiento de neuromodulación:

• El protocolo de tratamiento consta de 10 sesiones de estimulación no invasiva, de 30 minutos de duración cada una.
• tDCS se administrará utilizando un estimulador de CC alimentado por batería (Sooma tDCS, Helsinki, Finlandia) con electrodos circulares saturados de solución salina de 6 cm².
• El ánodo se colocará sobre C3 (sistema EEG 10/20) para estimular la corteza motora primaria (M1) y el cátodo sobre el área supraorbitaria contralateral (FP2).
• Para el dolor asimétrico, se aplicará estimulación al M1 contralateral al hemicuerpo más doloroso. Para el dolor simétrico, se estimulará el hemisferio dominante (C3).
• La corriente máxima entregada será de 2 mA (densidad de corriente: 0,06 mA/cm²).
• Las sesiones se llevarán a cabo una vez al día durante dos semanas (de lunes a viernes), con un total de 10 sesiones. Todos los parámetros de estimulación cumplen con las pautas generales de seguridad para la estimulación eléctrica transcraneal.

Evaluación posterior al tratamiento:

• Realizado a través de entrevistas y los mismos cuestionarios validados utilizados en la evaluación previa al tratamiento.

Como parte de la intervención, los participantes se someterán a un registro EEG para estudiar la actividad bioeléctrica del cerebro de forma no invasiva. Se utilizarán electrodos de superficie activa con gel para electrodos para mejorar la conductividad de la piel. Las grabaciones de EEG se realizarán en reposo, con los participantes mirando una pared en blanco en una habitación insonorizada, durante 5 minutos con los ojos abiertos y 5 minutos con los ojos cerrados.

La etapa 2 implica el desarrollo de un modelo predictivo para clasificar a los pacientes según su respuesta al tratamiento de neuromodulación. El modelo utilizará métricas derivadas de registros de EEG previos al tratamiento y evaluaciones clínicas realizadas antes y después del tratamiento, con el objetivo de predecir qué pacientes responderán favorablemente a la tDCS.

El preprocesamiento de EEG se realizará mediante el lenguaje de programación Python, utilizando un proceso de preprocesamiento personalizado basado en la biblioteca MNE-Python que incluye: eliminación selectiva de segmentos y canales atípicos, filtros de frecuencia, análisis de componentes independientes supervisados ​​y etiquetados automáticamente para la eliminación de actividad muscular y ocular, y detección de electrodos puenteados.

Las grabaciones de EEG se analizarán utilizando métricas derivadas de la frecuencia, complejidad y conectividad de la señal de EEG. Estas métricas se seleccionaron debido a su potencial demostrado en publicaciones relacionadas, que resaltan la capacidad de estas características para capturar diferencias entre grupos, ya sea entre quienes responden y no responden al tratamiento, o entre sujetos sanos y aquellos que padecen NP, entre otros. Sobre la base de estas características del EEG y otras características derivadas de los cuestionarios de los pacientes, se llevará a cabo un proceso de selección de características basado en la independencia métrica y la relevancia en la literatura anterior para maximizar la generalización del modelo.

Se utilizará un modelo de aprendizaje automático (ML), siendo el principal modelo candidato una máquina de vectores de soporte (SVM), para clasificar entre respondedores y no respondedores. El modelo se validará mediante validación cruzada de k veces. Si se obtienen resultados satisfactorios, se utilizará un submuestreo de los canales de EEG (que cumplen con las configuraciones típicas de 10:20) para evaluar si un EEG con menos electrodos puede producir resultados predictivos similares, reduciendo así la necesidad de sistemas de EEG con un alto número de electrodos.