神経因性疼痛における有効性の予測因子としての脳波記録 HD-tDCS: 機械学習アプローチ

文脈化: 神経障害性疼痛は、外傷性腕神経叢損傷 (BPI) 患者の臨床像に見られる合併症です。 それは、強度が高く、重症度が高く、臨床治療に対する難治性が特徴であり、その結果、障害が大きくなり、生活の質が失われます。 求心性エントリーの喪失により、中枢神経系および末梢神経系における不十分な可塑的適応から、皮質および皮質下の変化および体性トピック表現の変化を引き起こします。 HD-tDCS)。 したがって、接続ベースの応答予測と機械学習を使用することで、この治療法の適用の効率と最適化をより確実に保証し、このアプローチの適用から利益を得る可能性が高い患者に向けることができます。 目的: この研究は、接続ベースの予測と機械学習を使用して、ベースラインの EEG 関連特性が、BPI 後の神経障害性疼痛患者の HD-tDCS 治療の有効性を予測するかどうかを評価することを目的としています。 材料と方法: HD-tDCS の適用の有効性を調査するパイロット、三重盲検、クロスオーバー、プラセボ対照、無作為化臨床試験から取得したデータに基づいて、定量的、応用、探索的、非盲検反応予測研究を実施します。神経障害性腕神経叢外傷痛の患者に。 参加者は適格性について評価され、アクティブな HD-tDCS またはシミュレートされた HD-tDCS を受け取るために 2 つのグループにランダムに割り当てられます。 主要な結果は、数値的な痛みのスケールで測定される痛みの強さです。 参加者は、治療を開始する前に脳波研究に参加するよう招待されます。 機械学習分類に使用される臨床改善ラベルは、臨床試験 (ベースラインおよび治療後の評価) から得られたデータに基づいて決定されます。 この研究で採用された仮説は、ベースラインで収集された EEG 周波数帯域パターン データから構築された応答予測モデルは、HD-tDCS 治療に対する応答者と非応答者を識別できるというものです。