TMS pilote pour le trouble lié à la consommation de méthamphétamine

Présentation : Il s'agit d'un essai clinique à un seul bras, avec des témoins historiques comme groupe de comparaison pour certains résultats. Les sujets atteints de MAUD recevront 16 séances de stimulation thêta à double cible sur le DLPFC et le MPFC sur 4 semaines. Nous suivrons les résultats pendant 12 semaines. Les résultats comprennent la rétention du traitement, le besoin impérieux, l'utilisation autodéclarée d'AM ou de stimulants, les résultats du dépistage de drogues dans l'urine, les symptômes dépressifs, les symptômes d'anxiété, la qualité du sommeil, la qualité de vie, l'inhibition de la réponse et la connectivité fonctionnelle. L'imagerie par résonance magnétique (IRM) pour mesurer la connectivité fonctionnelle et une tâche de flanker pour mesurer l'inhibition de la réponse seront réalisées au départ et quatre semaines. Plus de détails sont fournis dans la section sur les mesures des résultats. Les sujets rempliront également le Big Five Inventory au départ, une mesure des caractéristiques de la personnalité, pour explorer leur lien avec les résultats, y compris la rétention dans le traitement et l'étude.

Acquisition d'images IRM : l'IRM sera effectuée au départ et après la dernière session TMS. Les séances d'IRM seront menées à l'aide de scanners IRM dédiés à la recherche sur chaque site. Les images anatomiques comprendront des images volumétriques pondérées en T1 et T2 avec une résolution spatiale isotrope de 1,0 mm. L'IRMf à l'état de repos sera effectuée pour collecter 20 minutes de données.

Analyses statistiques:

Rétention dans l'étude et traitement psychosocial : nous décrirons la proportion de sujets qui terminent la période de traitement de 4 semaines par TMS et effectuent chaque visite de suivi mensuelle ultérieure. Nous utiliserons les courbes de Kaplan-Meier pour décrire la rétention dans l'étude et dans le traitement psychosocial. Si la non-rétention est assez courante, nous utiliserons la régression de Cox pour explorer les mesures de base en tant que prédicteurs de la rétention. Nous prévoyons que l'analyse multivariée ne sera pas réalisable avec la taille de l'échantillon.

Symptômes et mesures de contrôle des impulsions : les analyses primaires pour les autres mesures se concentreront sur les changements au cours de la période de traitement de 4 semaines par TMS. Changements dans les symptômes évalués chaque semaine ou toutes les deux semaines (par ex. craving, dépression, affect, anxiété, sommeil) seront évalués à l'aide de modèles mixtes linéaires généralisés avec des distributions appropriées. Nous prévoyons une distribution de Poisson pour les jours d'utilisation de MA ou d'autres stimulants et utiliserons une distribution binomiale avec un lien logit pour évaluer les changements dans les dépistages positifs de drogues dans l'urine. Le temps sera la principale variable d'intérêt pour évaluer les pentes de changement pendant le traitement. Des tests t appariés ou des tests de rang signé de Wilcoxon seront utilisés pour évaluer les changements dans les mesures effectuées au départ et après 4 semaines de traitement. Nous comparerons les mesures au départ et à 4 semaines à celles à 8 semaines et 12 semaines de la même manière, mais dans des analyses séparées, car une diminution des effets peut survenir après la fin de la TMS.

Analyse de la connectivité fonctionnelle : l'analyse de la connectivité fonctionnelle IRMf sera effectuée à l'aide d'un pipeline d'analyse standard. Les images fonctionnelles subiront un prétraitement comprenant l'extraction du cerveau, la correction du mouvement, le lissage spatial (6 mm FWHM) et le filtrage temporel (0,008 Hz < f < 0,08 Hz). Après le prétraitement, le signal IRMf sera corrigé des sources potentielles de bruit à l'aide d'estimations basées sur l'image et de paramètres de correction de mouvement. La série chronologique corrigée qui en résultera sera utilisée pour toutes les analyses de connectivité fonctionnelle. La connectivité fonctionnelle sera mesurée en extrayant des données de séries chronologiques à partir des données d'imagerie prétraitées pour les régions d'intérêt (ROI). Plusieurs retours sur investissement seront examinés et définis comme des sphères (rayon de 6 mm) en fonction des emplacements de coordonnées précédemment publiés par Yeo et ses collègues. Plus précisément, nous nous concentrerons sur la connectivité dans le réseau cingulo-operculaire impliqué dans le contrôle cognitif et la saillance (DLPFC - insula antérieure ; DLPFC - cingulaire antérieur) et le circuit de traitement/motivation de la récompense (MPFC - striatum ventral). Les analyses seront moyennées sur les hémisphères droit et gauche, mais nous explorerons également les différences entre les hémisphères droit et gauche. Les séries chronologiques des ROI seront corrélées avec les séries chronologiques des autres ROI pour déterminer la force de la connectivité fonctionnelle entre les régions. Le r de Pearson résultant sera converti en scores z de Fisher pour améliorer la normalité de l'analyse statistique. Nous traiterons chaque connexion de paire ROI (DLPFC - insula antérieure, DLPFC - cingulaire antérieur, MPFC - striatum ventral) comme une variable dépendante. Les analyses primaires utiliseront des tests t appariés ou des tests de rang signé de Wilcoxon pour comparer la connectivité au départ par rapport à après le traitement par TMS. Nous explorerons les corrélats de la connectivité et des changements à l'aide de corrélations de Pearson ou de Spearman et de modèles de régression linéaire ou mixtes.

Analyse exploratoire : Des analyses exploratoires de suivi par voxel seront effectuées pour la connectivité fonctionnelle, ce qui fournira des milliers de prédicteurs individuels. Cela aidera à confirmer les résultats de l'analyse basée sur le retour sur investissement des colis volumineux. Nous utiliserons les mêmes modèles statistiques que ceux utilisés pour l'analyse basée sur le retour sur investissement décrite ci-dessus, mais au niveau du voxel. Les données par voxel créent un problème de grande dimension dans lequel le nombre de prédicteurs dépasse de loin le nombre de participants. Des méthodes d'apprentissage automatique, telles que la forêt aléatoire, seront utilisées pour gérer les sous-analyses de grande dimension. La forêt aléatoire nécessite un minimum d'hypothèses de données, tient automatiquement compte des effets non linéaires et d'interaction, et s'est avérée utile pour identifier des prédicteurs utiles dans des contextes de grande dimension.

Comparaison avec les témoins historiques : nous comparerons la rétention dans les programmes de traitement psychosocial et les dépistages positifs de drogues dans l'urine à partir de l'examen des dossiers avec un groupe témoin historique de patients atteints de troubles liés à l'utilisation de l'AM appariés selon l'âge, le sexe, le site et la modalité de traitement psychosocial. La rétention du traitement sera comparée à l'aide d'un test du log-rank. Les dépistages positifs de drogues dans l'urine au cours de chaque semaine de suivi seront comparés à l'aide de modèles d'équations d'estimation généralisées avec un lien logit, regroupés sur le sujet, avec la participation à l'étude TMS comme variable d'intérêt.