Biomarcatori EEG basati sull'apprendimento automatico per interventi personalizzati (EEG-INSIGHT)

Questo progetto mira a sviluppare un modello di intelligenza artificiale per prevedere la risposta a un trattamento di neuromodulazione (stimolazione transcranica a corrente continua, tDCS) per il dolore neuropatico (NP) conseguente a lesione del midollo spinale (SCI), sulla base di segnali elettroencefalografici (EEG) e valutazioni cliniche. Il progetto si compone di due fasi:

La fase 1 prevede una sperimentazione aperta in cui i partecipanti con LM e NP riceveranno un trattamento di neuromodulazione presso il nostro centro, con i dati raccolti prima e dopo il trattamento.

Valutazione pre-trattamento:

• Valutazione clinica attraverso interviste e questionari validati mirati a fattori associati al dolore neuropatico, alla depressione e ad altri componenti rilevanti.
• Registrazione EEG utilizzando un dispositivo a 64 canali (Brain Products GmbH, Germania). L'EEG verrà registrato in una stanza insonorizzata con i partecipanti in stato di riposo, prima con gli occhi aperti per 5 minuti e poi con gli occhi chiusi per altri 5 minuti. Ai partecipanti verrà chiesto di evitare l'alcol 12 ore prima e la caffeina 3 ore prima della registrazione.

Trattamento di neuromodulazione:

• Il protocollo di trattamento prevede 10 sedute di stimolazione non invasiva, ciascuna della durata di 30 minuti.
• La tDCS verrà somministrata utilizzando uno stimolatore DC alimentato a batteria (Sooma tDCS, Helsinki, Finlandia) con elettrodi circolari saturi di soluzione salina da 6 cm².
• L'anodo sarà posizionato sopra C3 (sistema EEG 10/20) per stimolare la corteccia motoria primaria (M1) e il catodo sopra l'area sopraorbitaria controlaterale (FP2).
• Per il dolore asimmetrico, la stimolazione verrà applicata all'emicorpo controlaterale M1 rispetto all'emicorpo più doloroso. Per il dolore simmetrico, verrà stimolato l'emisfero dominante (C3).
• La corrente massima erogata sarà 2 mA (densità di corrente: 0,06 mA/cm²).
• Le sessioni si terranno una volta al giorno per due settimane (dal lunedì al venerdì), per un totale di 10 sessioni. Tutti i parametri di stimolazione rispettano le linee guida generali di sicurezza per la stimolazione elettrica transcranica.

Valutazione post-trattamento:

• Condotto attraverso interviste e gli stessi questionari validati utilizzati nella valutazione pre-trattamento.

Come parte dell'intervento, i partecipanti verranno sottoposti a registrazione EEG per studiare l'attività bioelettrica del cervello in modo non invasivo. Verranno utilizzati elettrodi di superficie attivi con gel per elettrodi per migliorare la conduttività cutanea. Le registrazioni EEG verranno condotte a riposo, con i partecipanti che guardano un muro bianco in una stanza insonorizzata, per 5 minuti con gli occhi aperti e 5 minuti con gli occhi chiusi.

La fase 2 prevede lo sviluppo di un modello predittivo per classificare i pazienti in base alla loro risposta al trattamento di neuromodulazione. Il modello utilizzerà metriche derivate dalle registrazioni EEG pre-trattamento e dalle valutazioni cliniche condotte prima e dopo il trattamento, con l'obiettivo di prevedere quali pazienti risponderanno favorevolmente alla tDCS.

La preelaborazione dell'EEG verrà eseguita mediante il linguaggio di programmazione Python, utilizzando una pipeline di preelaborazione personalizzata basata sulla libreria MNE-Python che include: eliminazione selettiva di canali e segmenti anomali, filtri di frequenza, analisi supervisionata di componenti indipendenti autoetichettati per l'eliminazione di attività muscolare e oculare e rilevamento di elettrodi a ponte.

Le registrazioni EEG verranno analizzate utilizzando metriche derivate dalla frequenza, complessità e connettività del segnale EEG. Questi parametri sono stati selezionati per il loro potenziale dimostrato in pubblicazioni correlate, che evidenziano la capacità di queste caratteristiche di catturare le differenze tra i gruppi, sia tra coloro che hanno risposto al trattamento e quelli che non hanno risposto, sia tra soggetti sani e coloro che soffrono di NP, tra gli altri. Sulla base di queste caratteristiche EEG e di altre caratteristiche derivate dai questionari dei pazienti, verrà effettuato un processo di selezione delle caratteristiche basato sull'indipendenza metrica e sulla rilevanza nella letteratura precedente al fine di massimizzare la generalizzabilità del modello.

Verrà utilizzato un modello di machine learning (ML), in cui il modello candidato principale è una Support Vector Machine (SVM), per classificare tra risponditori e non risponditori. Il modello sarà validato mediante validazione incrociata k-fold. Dati i risultati soddisfacenti, verrà utilizzato un sottocampionamento dei canali EEG (aderente alle tipiche configurazioni 10:20) per valutare se un EEG con meno elettrodi può produrre risultati predittivi simili, riducendo così la necessità di sistemi EEG con un elevato numero di elettrodi.