Gépi tanuláson alapuló EEG biomarkerek személyre szabott beavatkozásokhoz (EEG-INSIGHT)

A projekt célja olyan mesterséges intelligencia modell kifejlesztése, amely elektroencefalográfiás (EEG) jelek és klinikai értékelések alapján előrejelzi a gerincvelő-sérülést (SCI) követő neuropátiás fájdalom (NP) neuromodulációs kezelésére (transcranialis Direct Current Stimulation, tDCS) adott választ. A projekt két szakaszból áll:

Az 1. szakasz egy nyílt vizsgálatot foglal magában, amelyben az SCI-ben és NP-ben szenvedő résztvevők neuromodulációs kezelést kapnak központunkban, a kezelés előtt és után gyűjtött adatokkal.

A kezelés előtti értékelés:

• Klinikai értékelés interjúkkal és validált kérdőívekkel, amelyek a neuropátiás fájdalommal, depresszióval és más releváns összetevőkkel kapcsolatos tényezőket célozzák meg.
• EEG felvétel 64 csatornás készülékkel (Brain Products GmbH, Németország). Az EEG rögzítése hangszigetelt helyiségben történik, a résztvevők nyugalmi állapotban, először 5 percig nyitott szemmel, majd további 5 percig csukott szemmel. A résztvevőket arra kérik, hogy a felvétel előtt 12 órával kerüljék az alkoholt és 3 órával a koffeint.

Neuromodulációs kezelés:

• A kezelési protokoll 10 non-invazív stimulációból áll, amelyek mindegyike 30 percig tart.
• A tDCS-t egy elemes egyenáramú stimulátor (Sooma tDCS, Helsinki, Finnország) segítségével adják be, 6 cm²-es, sóoldattal telített körkörös elektródákkal.
• Az anódot a C3 fölé helyezik (EEG 10/20 rendszer), hogy stimulálják az elsődleges motoros kéreget (M1), a katódot pedig az ellenoldali szupraorbitális terület (FP2) felett.
• Aszimmetrikus fájdalom esetén a stimulációt a fájdalmasabb féltesttel ellenoldali M1-re alkalmazzák. Szimmetrikus fájdalom esetén a domináns féltekét (C3) stimulálják.
• A maximális szállított áram 2 mA (áramsűrűség: 0,06 mA/cm²).
• A foglalkozásokat két héten keresztül (hétfőtől péntekig) naponta egyszer tartják, összesen 10 alkalomból. Minden stimulációs paraméter megfelel a koponyán keresztüli elektromos stimulációra vonatkozó általános biztonsági irányelveknek.

A kezelés utáni értékelés:

• Interjúk és a kezelés előtti értékelés során használt validált kérdőívek segítségével.

A beavatkozás részeként a résztvevők EEG-felvételen vesznek részt, hogy az agy bioelektromos aktivitását non-invazív módon tanulmányozzák. Aktív felületi elektródákat elektródgéllel használnak a bőr vezetőképességének javítására. Az EEG-felvételeket nyugalomban készítik, miközben a résztvevők egy hangszigetelt helyiségben egy üres falat néznek, 5 percig nyitott szemmel és 5 percig csukott szemmel.

A 2. szakasz egy prediktív modell kidolgozását foglalja magában a betegek osztályozására a neuromodulációs kezelésre adott válasz alapján. A modell a kezelés előtti EEG-felvételekből és a kezelés előtti és utáni klinikai értékelésekből származó metrikákat fogja használni, azzal a céllal, hogy előre jelezze, mely betegek reagálnak kedvezően a tDCS-re.

Az EEG előfeldolgozás a Python programozási nyelv segítségével, az MNE-Python könyvtáron alapuló, egyedi előfeldolgozási folyamat segítségével történik, amely magában foglalja: szelektív kiugró csatorna és szegmens eliminációt, frekvenciaszűrőket, felügyelt, automatikusan címkézett független komponens elemzést izom- és szemtevékenység, valamint az áthidalt elektródák kimutatása.

Az EEG-felvételeket az EEG-jel frekvenciájából, összetettségéből és kapcsolódási képességéből származó metrikák segítségével elemzik. Ezeket a mérőszámokat a kapcsolódó publikációkban bemutatott lehetőségük miatt választották ki, amelyek rávilágítanak arra, hogy ezek a jellemzők képesek megragadni a csoportok közötti különbségeket, akár a kezelésre reagálók és a nem reagálók között, akár az egészségesek és az NP-ben szenvedők között. Ezen EEG-jellemzők és a betegkérdőívekből levezetett egyéb jellemzők alapján a metrikus függetlenségen és a korábbi irodalomban relevancián alapuló jellemző kiválasztási folyamatot hajtanak végre a modell általánosíthatóságának maximalizálása érdekében.

A válaszolók és a nem válaszolók közötti osztályozáshoz gépi tanulási (ML) modellt fognak használni, amelynek fő jelöltje egy támogató vektorgép (SVM). A modell validálása k-szeres keresztellenőrzéssel történik. Kielégítő eredmények esetén az EEG-csatornák alulmintavételezését (a tipikus 10:20-as beállításokat követve) fogják használni annak értékelésére, hogy a kevesebb elektródával rendelkező EEG-k hasonló prediktív eredményeket adnak-e, így csökkentve a nagy elektródszámú EEG-rendszerek szükségességét.