A Parkinson-kórba történő tDCS-beavatkozás eredményeinek előrejelzése elektroencefalográfiás biomarkerek és gépi tanulási megközelítés alkalmazásával: a PREDICT vizsgálati protokoll (PREDICT)

A Parkinson-kór (PD) progresszív és rokkantságot okozó neurodegeneratív betegség, amelyet klinikailag motoros és nem motoros tünetek jellemeznek. A „Transcranialis egyenáramú stimuláció” (tDCS) tüneti javulását ezeknél a betegeknél már kimutatták, de a legjobb terápiás válaszhoz kapcsolódó tényezők nem ismertek. Az elektroencefalogramot (EEG) a PD diagnosztikai és prognosztikai biomarkereként tartják számon, és a legújabb, gépi tanulási módszerekkel kapcsolatos tanulmányokban használták a neurológiai és pszichiátriai állapotok válaszreakcióinak előrejelzőinek azonosítására. A konnektivitás alapú előrejelzés és a gépi tanulás segítségével a kutatók az alapvonal nyugalmi EEG jellemzőit kívánják azonosítani és összehasonlítani a PD-re reagálók és a tDCS-kezelésre nem reagálók között.

A felvett résztvevőket véletlenszerűen besorolják az aktív tDCS-kezelésbe, amely kettős feladatú motorterápiával vagy vizuális jelzésekkel ellátott motorterápiával jár. A kezelés megkezdése előtt nyugalmi állapotú elektroencefalográfiát (EEG) rögzítenek. A kutatók meghatározzák a gépi tanulási osztályozáshoz használt klinikai fejlesztési címkéket, az alapszintű és a kezelés utáni értékelésekben, és három különböző módszert alkalmaznak az adatok két osztályba (alacsony vagy magas javulás) történő besorolására: Támogató vektorgép (SVM), Lineáris megkülönböztető elemzés (LDA) ) és Extreme Learning Machine (ELM). A funkcionális címke a tDCS-kezelés kiindulási és utókezelése során rögzített Timed Up and Go teszten fog alapulni.