メタンフェタミン使用障害のパイロット TMS

概要: これは単一群の臨床試験であり、選択された結果の比較グループとして履歴コントロールが使用されます。 MAUDの被験者は、4週間にわたってDLPFCおよびMPFCへのデュアルターゲットシータバースト刺激の16セッションを受け取ります。 結果を12週間追跡します。 結果には、治療継続、渇望、自己申告による MA または覚せい剤の使用、尿中薬物スクリーニングの結果、抑うつ症状、不安症状、睡眠の質、生活の質、反応抑制、および機能的結合が含まれます。 機能的結合を測定するための磁気共鳴画像法 (MRI) と反応抑制を測定するためのフランカー タスクは、ベースラインと 4 週間で完了します。 詳細については、アウトカム測定セクションで説明します。 被験者はまた、性格特性の尺度であるベースラインでビッグファイブインベントリを完成させ、これらが治療および研究の保持を含む結果にどのように関連するかを調査します.

MR 画像取得: MRI は、ベースライン時および最後の TMS セッション後に完了します。 MRI セッションは、各サイトで研究専用の MRI スキャナーを使用して実施されます。 解剖学的画像には、1.0 mm の等方性空間分解能を持つボリューム T1 および T2 強調画像が含まれます。 静止状態の fMRI を実行して、20 分間分のデータを収集します。

統計分析：

研究の維持および心理社会的治療：4週間のTMS治療期間を完了し、その後の毎月のフォローアップ訪問を完了する被験者の割合を説明します。 カプラン・マイヤー曲線を使用して、研究および心理社会的治療における保持を説明します。 非保持が十分に一般的である場合は、Cox 回帰を使用して、保持の予測因子としてのベースライン測定値を調べます。 このサンプルサイズでは多変量解析は実行できないと予想されます。

症状と衝動抑制対策: 他の対策の主要な分析では、4 週間の TMS 治療期間中の変化に焦点を当てます。 毎週または隔週で評価される症状の変化（例： 渇望、うつ病、感情、不安、睡眠) は、適切な分布を持つ一般化線形混合モデルを使用して評価されます。 MA やその他の覚せい剤の使用日数についてはポアソン分布を予想し、ロジット リンクを含む二項分布を使用して、尿中の陽性薬物スクリーニングの変化を評価します。 時間は、治療中の変化の傾きを評価するための主要な変数になります。 対応のある t 検定または Wilcoxon の符号順位検定を使用して、ベースライン時および 4 週間の治療後に完了した測定値の変化を評価します。 同様に、ベースラインと 4 週間の測定値を 8 週間と 12 週間の測定値と比較しますが、TMS の終了後に効果の減衰が発生する可能性があるため、個別の分析で行います。

機能的接続性分析: fMRI 機能的接続性分析は、標準的な分析パイプラインを使用して実行されます。 機能画像は、脳抽出、運動補正、空間平滑化 (6 mm FWHM)、時間フィルタリング (.008 Hz < f < 0.08 Hz) などの前処理を受けます。 前処理の後、fMRI 信号は、画像ベースの推定値とモーション補正パラメーターを使用して潜在的なノイズ源に対して補正されます。 結果として得られる修正された時系列は、すべての機能的接続分析に使用されます。 機能的接続性は、関心領域 (ROI) の前処理された画像データから時系列データを抽出することによって測定されます。 複数の ROI が検査され、Yeo と同僚によって以前に公開された座標位置に基づいて、球体 (半径 6 mm) として定義されます。 具体的には、認知制御と顕著性 (DLPFC - 前部島; DLPFC - 前帯状回) および報酬処理/動機付け回路 (MPFC - 腹側線条体) に関与する帯状蓋蓋網の接続性に焦点を当てます。 分析は右半球と左半球で平均化されますが、右半球と左半球の違いも調べます。 ROI からの時系列は、他の ROI からの時系列と相互相関して、領域間の機能的接続の強さを判断します。 結果のピアソンの r は、統計分析の正規性を改善するためにフィッシャーの z スコアに変換されます。 各 ROI ペア接続 (DLPFC - 前部島、DLPFC - 前帯状回、MPFC - 腹側線条体) を従属変数として扱います。 一次分析では、対応のある t 検定またはウィルコクソンの符号付き順位検定を使用して、ベースラインと TMS 治療後の接続性を比較します。 ピアソンまたはスピアマンの相関関係と線形回帰または混合モデルを使用して、接続性と変化の相関関係を調査します。

探索的分析: フォローアップの探索的ボクセル単位の分析は、機能的接続性のために実施され、何千もの個々の予測因子が提供されます。 これは、大規模な区画の ROI ベースの分析での結果を確認するのに役立ちます。 上記の ROI ベースの分析で使用したのと同じ統計モデルを使用しますが、ボクセル レベルで使用します。 ボクセル単位のデータは、予測子の数が参加者の数をはるかに超える高次元の問題を作成します。 ランダム フォレストなどの機械学習手法を使用して、高次元のサブ分析を処理します。 ランダム フォレストは、最小限のデータ仮定を必要とし、非線形効果と相互作用効果を自動的に説明し、高次元のコンテキストで有用な予測因子を識別するのに役立つことが証明されています。

ヒストリカルコントロールとの比較: 心理社会的治療プログラムでの保持とカルテレビューからの陽性の尿中薬物スクリーニングを、年齢、性別、部位、および心理社会的治療法が一致する MA 使用障害患者のヒストリカルコントロールグループと比較します。 ログランク検定を使用して、治療継続率を比較します。 フォローアップの各週の陽性尿薬物スクリーニングは、ロジットリンクを使用して一般化された推定方程式モデルを使用して比較され、被験者にクラスター化され、関心のある変数としてTMS研究に参加します。