潜在性うつ病における報酬学習に対する経頭蓋直流刺激の効果。

非侵襲的な脳刺激技術の開発は、うつ病の治療に新しいアプローチを提供します。 TMS は、英国と米国で治療抵抗性うつ病の治療法として承認されています。 tDCS は、より安価で、より安全で、よりアクセスしやすい代替手段となる可能性があるとして現在調査中です。 最近のメタ分析では、中程度の抗うつ効果があることが示唆されています (Razza et al., 2020)。

tDCS の抗うつ効果を向上させる可能性のある方法の 1 つは、tDCS を報酬学習タスクと組み合わせることです。 げっ歯類およびヒトの研究から、tDCSが活動依存性のシナプス可塑性および行動学習と保持を強化するという証拠があります（Fritsch et al., 2010; O'Shea et al., 2017; Reis et al., 2009）。

うつ病では、人々はポジティブな情報を犠牲にしてネガティブな情報の処理を優先し、このネガティブなバイアスがうつ病の症状の維持に大きな役割を果たしていると理論化されています（Kube、Schwarting、Rozenkrantz、Glombiewski、およびRief、2020）。 したがって、うつ病の参加者に報酬から学習させ、tDCS を介して学習/記憶力を高めることで、ネガティブなバイアスを打ち消し、tDCS の抗うつ効果を高める可能性があります。

若い健康なボランティア（気分が落ち込んでいない）を対象とした以前の概念実証研究では、情報バイアス学習タスクの前ではなく実行中にtDCSを適用すると、報酬学習率が増加することが示されました。 ここでは、潜在性うつ病を患う若い健康なボランティアを対象に同じ効果をテストします。 この研究には、オンライン スクリーニング、対面スクリーニング セッション、および 2 つの tDCS + 学習セッションが含まれます。 タスクのパフォーマンスには計算強化学習モデルが適用されます。 分析には、タスクの行動の計算的測定と非計算的測定の両方が含まれます。

主な仮説:

1. 情報バイアス学習タスク中に適用される偽の tDCS と比較して、バイフロンタルは、肯定的な結果からの学習率を高めます。
2. タスク中に適用される偽の tDCS と比較して、バイフロンタルでは、勝利主導の選択の割合が増加します。
3. 両側前頭 tDCS の効果は認知状態に依存します。つまり、予測される効果は、学習前ではなく学習中に適用される刺激に特有のものになります。

二次仮説:

うつ病と不安症は、行動と結果の偶然性の変動に合わせて学習率を調整する能力が低下していることを特徴とする証拠が増え続けている (Browning, Behrens, Jocham, O'Reilly, & Bishop, 2015; Gagne, Zika, Dayan, &ビショップ、2020年;プルク＆ブラウニング、2017年）。 したがって、我々は、バイフロンタル tDCS が参加者の学習率をボラティリティの状況に合わせて調整する能力を高める可能性があるかどうかも調査します。 tDCS がこの能力を向上させることができるという現在の証拠はないため、これは探索的なものです。

サンプルサイズ: 私たちの主な目標は、情報バイアス学習タスク中に適用された偽の tDCS と比較して、バイフロンタルが肯定的な結果からの学習率を高めるという仮説 1 を検証することです。 健康なボランティアを対象とした以前の研究では、この効果が観察されましたが、これは損失揮発性条件で最も顕著でした（損失揮発性ブロックにおける両側前頭と偽tDCSを対照する対応のあるt検定：t(19) = 2.88、p = 0.009）。 、 効果サイズはコーエンの d = 0.522 です。 このサイズのエフェクトをパワー 80%、アルファ レベル 0.05 で検出するには 参加者は 31 人必要です。 効果量の潜在的な過大評価を考慮して、40 人の参加者を募集します。これにより、パワー レベルは 0.89 になるはずです。 以前の研究で観察された効果量について。 条件全体でサンプルサイズを均等に保つために、オフライン条件に対してさらに 40 人の参加者を募集します。

スクリーニング: 参加者は、tDCS に対する潜在的な禁忌を特定するために、スクリーニング前のオンラインうつ病アンケート (Beck Depression Inventory - II (BDI)) と安全性スクリーニング フォームに記入するよう求められます。 BDI スコアが 10 以上の参加者は、1 時間のスクリーニング セッションに招待されます。 構造化臨床面接 (SCID) が実施され、研究者は tDCS 安全性スクリーニング質問票について参加者に面接します。 tDCS に対する禁忌がなく、双極性障害の現在または病歴の兆候がない場合、研究者は 2 回の tDCS 検査セッションをスケジュールします。

実験タスク: 参加者は、(Pulcu & Browning、2017) によって開発された情報バイアス学習タスクを実行します。 以前の研究と同じタスクプロトコルが使用されます（Overman、Sarrazin、Browning、およびO'Shea、2021）。 つまり、参加者は各トライアルでボタンを押して 2 つの形状から選択するように求められます。 選択すると、「勝ち」と「負け」という単語が画面に表示され、それぞれ 2 つの図形のいずれかに関連付けられます。 勝ちと負けは互いに独立しています。つまり、両方が同じ形状で表示されることもあります。 選択した形状が勝利に関連付けられている場合、これは 10 ペンスの金銭的利益につながります。損失は​​マイナス10ペンスです。 累計はタスク全体を通じて画面中央下部に継続的に表示されます。 参加者は合計 £1.50 からスタートします。 このタスクは、参加者の選択が勝敗の結果によって相対的にどの程度影響を受けるかを評価するように設計されています。 参加者は、80 回のトライアルからなる 6 つのタスク ブロックを実行します。 最初と 6 番目のブロック (「両方の揮発性ブロック」) では、勝ちと負けがそれぞれ 75% の確率でいずれかの形状に関連付けられます。 勝ち負けの形は時間の経過とともに変化します。 2 番目から 5 番目のタスク ブロックでは、試行の 75% で 1 つの結果が 1 つの形状に関連付けられています。 勝ち負けの形は時間の経過とともに変化します。 もう 1 つの結果は、試験の 50% で両方の形状に関連しています。 各参加者は、2 つの「勝ち - 揮発性」ブロックと 2 つの「負け - 揮発性」ブロックを交互の順序で実行します。 参加者の半分は最初に「勝ち-変動性」ブロックを実行し、残りの半分は最初に「損失-変動性」ブロックを実行します。

テストセッション: 参加者は気分や不安に関するアンケートに記入するよう求められます。 最初のセッションの開始時に、州特性不安目録 (STAI) (Spielberger、1983) の特性サブスケールが完成します。 どちらのセッションでも、タスクを実行する前後に、参加者は STAI の状態サブスケールとポジティブおよびネガティブ感情スケール (PANAS) (Watson、Clark、および Telegen、1988)) を完了します。 研究者がコンピュータ化されたタスクについて説明し、参加者はそのタスクを実践する機会が得られます。 次に、研究者は、F3 および F4 の EEG 電極位置で、左背外側前頭前野 (DLPFC) 上に陽極、右 DLPFC 上に陰極を備えた tDCS 装置をセットアップします。 研究者は、参加者が刺激に慣れているかどうかを確認するために、tDCS を簡単にテストします。 参加者は、tDCS を使用せずに、タスクの 1 つの (「両方とも揮発性」) ベースライン ブロックを実行します。 「オンライン」条件では、タスク中に tDCS が適用されます (2 番目と 3 番目のタスク ブロック中に 2 mA で 20 分間適用されます)。 刺激終了後、参加者は残りのタスク ブロック 4 と 5 を実行し (tDCS 後の効果の持続性をテストするため)、続いてベースラインで実行された「両方の揮発性」ブロックを繰り返します。 「オフライン」条件では、参加者が安静に座っている間に、ベースライン（「両方の揮発性」）ブロックの後と残りのブロックの前に刺激が適用されることを除いて、すべての手順は同じになります。

統計分析：

タスク中に適用された偽の tDCS と比較してバイフロンタルが勝利結果からの学習率を高めるという仮説 1 を検証するために、「勝ち-変動性」と「負け」の学習率について反復測定分散分析 (ANOVA) を実行します。 -volatile」ブロックには、被験者内因子 tDCS 条件 (両側対正面対偽)、価性 (勝利対敗北の結果)、ボラティリティ (勝利−不安定ブロック対損失−不安定ブロック)、および時間 (前半と後半) が含まれます。 4 つのタスク ブロック)。 最初のセッションの最初のタスク ブロックでの勝敗のベースライン学習率が共変量として含まれます。

まず、tDCS 条件と価数の間の相互作用効果をテストします。 重要な予測をテストするために、事前に計画された実際と現実の対比を実行します。 勝利学習率に関する偽の tDCS。 以前の研究では、tDCS による勝利学習率の増加は、損失が不安定な条件で最も顕著であったため、損失が不安定な条件と勝ちが不安定な条件について、実際の偽の勝利学習率を個別に対比します。

偽の tDCS と比較したバイフロンタルが勝利主導の選択の割合を増加させるという仮説 2 を検証するために、tDCS の条件、ボラティリティ、および時間の要素を含む勝利主導の選択の割合について分散分析を実行します。 tDCS 条件の主効果と、tDCS 条件とボラティリティの間の相互作用効果をテストします。 相互作用効果は、勝ちの変動性条件と損失の変動性条件に分けて、バイフロンタル tDCS と偽の tDCS の計画されたコントラストによって追跡されます。

勝利学習率と勝利主導の選択の割合に対するオンラインとオフラインのバイフロンタル tDCS の効果を比較する (仮説 3) ため、結合されたデータセット (オンラインとオフラインの条件) に対して分散分析を実行し、因子「刺激時間」を追加します。 (タスク実行前と実行中)。 学習率については、刺激時間の主効果、および/または刺激時間と tDCS 条件および/または価数の間の相互作用をテストします。 追跡分散分析では、刺激時間ごとにデータを分離し、上記の仮説 1 で説明したように各データセットを分析して、勝利学習率に対する tDCS の効果をテストします。 各条件の効果 (有意かどうかにかかわらず) が定量化され、2 つの刺激時間条件間で対比され、オフラインではなくオンライン tDCS が勝利学習率を高めるという仮説を検証します。 同じ分析アプローチが、勝利主導の選択の割合にも使用されます。

偽の tDCS と比較したオンライン バイフロンタルは、ボラティリティの状況に合わせて学習率を調整する参加者の能力を向上させる可能性があるという二次仮説に関して、ANOVA を使用して探索的分析を実施し、参加者間の勝敗学習率の差に対する tDCS の効果をテストします。揮発性ブロックと安定ブロック（すなわち、 従属変数は次のようになります: 勝利デルタ LR (勝利揮発性ブロックの勝利学習率 - 損失揮発性ブロックの勝利学習率) および損失デルタ LR (損失揮発性ブロックの損失学習率 - 勝利揮発性ブロックの損失学習率) になります。 勝ちデルタ LR と負けデルタ LR での刺激時間と tDCS 条件の間の相互作用をテストします。 これに続いて、仮説 3 で説明したように、オンラインとオフラインの tDCS 条件内および間の計画的な対比が行われます。