Parkinsonin taudin DCS-intervention tulosten ennustaminen käyttämällä elektroenkefalografisia biomarkkereita ja koneoppimismenetelmää: PREDICT-tutkimusprotokolla (PREDICT)

Parkinsonin tauti (PD) on etenevä ja vammauttava neurodegeneratiivinen sairaus, jolle on kliinisesti tunnusomaista motoriset ja ei-motoriset oireet. "Transkraniaalisen tasavirtastimulaation" (tDCS) potentiaali oireiden parantamiseen näillä potilailla on osoitettu, mutta parhaaseen terapeuttiseen vasteeseen liittyviä tekijöitä ei tunneta. Elektroenkefalogrammia (EEG) pidetään PD:n diagnostisena ja prognostisena biomarkkerina, ja sitä on käytetty viimeaikaisissa koneoppimismenetelmiin liittyvissä tutkimuksissa tunnistamaan vasteiden ennustajia neurologisissa ja psykiatrisissa olosuhteissa. Käyttäen yhteyksiin perustuvaa ennustetta ja koneoppimista tutkijat aikovat tunnistaa ja vertailla PDCS-hoitoon reagoimattomien ja tDCS-hoitoon reagoimattomien perus-EEG:hen liittyviä ominaisuuksia.

Rekrytoidut osallistujat satunnaistetaan hoitoon aktiivisella tDCS:llä, joka liittyy kaksitehtävään moottoriterapiaan tai motoriseen terapiaan visuaalisilla vihjeillä. Lepotilan elektroenkefalografia (EEG) tallennetaan ennen hoidon aloittamista. Tutkijat määrittävät koneoppimisen luokittelussa käytettävät kliinisen parannusmerkinnät perus- ja hoidon jälkeisissä arvioinneissa ja käyttävät kolmea eri menetelmää tietojen luokittelemiseksi kahteen luokkaan (alhainen tai korkea parannus): Support Vector Machine (SVM), Linear Discriminant Analysis (LDA) ) ja Extreme Learning Machine (ELM). Toiminnallinen merkintä perustuu Timed Up and Go -testiin, joka on tallennettu tDCS-hoidon lähtötilanteessa ja hoidon jälkeen.