그룹에서 노래 만들기 (SING) (SING_R33)

청각적 언어 환각(AVH)은 정신병적 질병의 가장 고통스럽고 장애가 되는 측면 중 하나입니다. 그들은 자살 위험을 증가시키고 항정신병약에 반응할 가능성이 70%에 불과합니다. 양성 및 음성 정신병 증상의 통계적 분리에도 불구하고, AVH는 사회적 고립의 맥락에서 형성되고 형성됩니다. 게다가, 이러한 사회적 문제는 현재의 약물 요법에 반응하지 않으며, 이는 심지어 의원적으로 악화시켜 순응도 문제로 이어질 수 있습니다. 호의적인 부작용 프로필과 함께 AVH 및 사회적 어려움 모두에 대한 개선된 치료가 필요합니다. 음악 개입(MI)은 그러한 후보 중 하나입니다. 일부 소규모의 정성적 및 정량적 연구에 따르면 MI는 환각과 음성 증상을 개선하고 현저하게 내약성이 우수합니다. 그러나 음악적 개입이 어떻게 정신병의 증상 회복으로 이어지는지는 알려져 있지 않습니다. 제안된 작업의 가장 중요한 목표는 유망한 치료 리드(MI)를 정신병의 유망한 기계론적 설명(예측 처리)과 정렬하는 것입니다. 관리를 최적화하기 위한 R33 단계(적극적 참여가 수동적 경청보다 더 효과적입니까? 다른 사람의 창작물을 연주하는 것보다 새로운 음악을 만드는 것이 더 도움이 되나요?). 증상 메커니즘과 MI 간의 상호 관계를 추적함으로써 연구자는 이러한 메트릭을 사용하여 환자를 특정 MI에 전향적으로 할당할 수 있습니다.

Go/No Go 결정: 음악적 개입에 따라 환각 및 사회적 처리의 지표가 변경됩니까?

음악 및 정신병: MI는 청각적 언어적 환각의 현저한 특징을 완화합니다. 예를 들어 지속 시간이 개선되어 경우에 따라 후속 조치를 취할 때까지 몇 년 동안 지속됩니다. 19건의 연구에 대한 메타 분석에서는 MI가 정신병의 음성 및 인지 증상(d = ​​0.71), 특히 클래식보다 대중 음악에 효과적인 것으로 나타났습니다. 수동적으로 듣는 그룹과 음악을 만드는 그룹, 치료사 또는 환자가 선택한 음악 간에 큰 차이가 없었습니다. 모두 도움이 되었습니다. 그러나 종속 변수는 동일한 참가자에서 AVH와 음성 증상을 모두 포착하지 못하는 주관적인 평가 척도였습니다. 환각과 음성 증상에 대한 객관적인 측정이 실제로 필요하며, 조사관은 최근 전산 정신의학 작업이 제공한다고 생각합니다(아래 참조). 조사관은 MI에 대한 새롭고 적절하게 강화된 연구에서 이러한 메트릭스를 사용할 것을 제안합니다. 능동적 참여와 소극적 참여, 참여자가 소유권을 느끼는 음악과 소유하지 않는 음악을 비교합니다. 조사관은 예비 데이터를 기반으로 한 소유권과 활동이 MI의 활성 성분이라고 생각합니다.

정신병의 메커니즘: 지각 및 의사 결정 프로세스의 전산 모델링은 AVH 및 사회적 문제와 관련된 프로세스의 객관적 메트릭을 식별하는 한 가지 접근 방식을 제공합니다. 조사관의 최근 작업은 AVH에 대한 계산적 이해를 제공했습니다. 지각은 단순히 입력을 수동적으로 받아들이는 것이 아닙니다. 인간은 감각의 원인을 능동적으로 추론한다. 이러한 추론은 이전 경험의 영향을 받습니다. 사전과 입력은 Bayes의 규칙에 따라 결합됩니다. 사전과 입력 간의 불일치인 예측 오류는 신념 업데이트에 기여합니다. 환각(외부 자극이 없는 지각)은 관습적인 입력이 없는 상태에서 강한 사전이 지각을 유발할 때 발생할 수 있습니다. 연구자들은 최근 파블로프 조건화를 사용하여 인간 관찰자의 청각 자극에 대한 새로운 사전을 생성하여 이 이론을 테스트했습니다. 건강한 개인에서도 시각 및 청각 자극의 반복적인 동시 발생은 환청을 유발할 수 있습니다. 연구자들은 기능적 이미징으로 이 효과를 조사했습니다. 그들은 컴퓨터 모델링을 사용하여 자극에 대한 참가자의 지각적 믿음의 강도, 자극 간의 연관성 및 이러한 연관성의 변동성을 추론했습니다. 중요한 것은 모델이 사전이 감각 증거와 결합되는 방식을 캡처하여 강력한 사전 가설을 직접 테스트할 수 있다는 것입니다. 첫째, 조사관은 감지 및 심리적 곡선에 대한 개별 임계값을 결정했습니다. 다음으로, 참가자들은 바둑판 시각적 자극의 제시와 동시에 발생하는 1-Kilo Hertz 톤을 감지하기 위해 노력했습니다. 컨디셔닝 시작 시 톤이 임계값에서 자주 제시되어 시청각 연관성에 대한 믿음을 불러일으켰습니다. 그런 다음 이 믿음은 점점 더 빈번해지는 하위 임계값 및 목표 부재 시험으로 테스트되었습니다. 피험자가 시각적 자극에 따라 조건부로 제시되지 않은 톤을 보고했을 때 조건화된 환각이 발생했습니다.

시각 자극과 청각 자극 사이의 연관성을 학습한 후, 모든 그룹은 제시되지 않은 청력 톤(조건 환각)을 보고했지만 H+ 그룹은 훨씬 더 자주 나타났습니다. 우리의 공식적인 지각 모델의 맥락에서 이러한 결과를 이해하기 위해 연구자들은 참가자 응답과 작업 구조를 사용하여 세 가지 추상화 수준에 걸쳐 지각 신념을 추정하는 모델을 사용하는 3계층 HGF(Hierarchical Gaussian Filter)를 사용했습니다. 모델의 첫 번째 수준(X1)은 주제가 각 시도에서 톤이 존재한다고 믿는지 여부를 나타냅니다. 두 번째 수준(X2)은 시각적 단서가 톤을 예측한다는 믿음입니다. 세 번째 수준(X3)은 시각 자극과 청각 자극 사이의 우연성에 대한 믿음의 변화입니다(즉, X2의 변동성). 참가자의 조건부 환각에 대한 HGF 모델링은 현재 제안에 중요한 두 가지 결과를 가져왔습니다.

환각이 있는 사람들은 처음 두 계층(X1 및 X2)에 대한 더 높은 수준의 지각적 믿음과 이전 믿음에 대한 과도한 의존을 나타냅니다('사전 과중' p<0.0019). 환각 여부에 관계없이 정신병이 있는 사람은 정신병이 없는 참여자('변화 무감각')에 비해 작업의 통계적 구조(X3)의 변화를 감지할 가능성이 적습니다. 또한, 변화 민감도와 질병 부담 사이에는 유의미한 음의 상관관계가 있었고 이전 가중치와 환각 심각도 점수 사이에는 유의미한 양의 상관관계가 있었습니다. 처음으로 조사관은 환각의 다양한 특징과 관련된 구성 요소 프로세스와 함께 AVH에 대한 객관적인 실험실 기반 측정치를 갖게 되었습니다. 조사관은 이러한 AVH 구성 요소가 MI 경험에 따라 어떻게 변하는지 여부와 방법을 조사할 것을 제안합니다.

정신 질환의 사회적 학습: 불신과 관계의 난기류는 심각한 정신 질환의 사회적 문제의 핵심 특징입니다. 이러한 기능은 기계적 기반을 조사하기 위해 실험적으로 모델링할 수 있습니다. 사회적 행동을 분석하기 위해 연구 대상자는 파트너(또는 동맹)와 컴퓨터 기반 작업을 수행합니다. 조사관은 행동을 기록하고 시간이 지남에 따라 변하는(사회적 변동성) 파트너의 신뢰도에 대한 시도별 학습을 계산합니다. 전산 모델은 학습이 이 작업 중에 이전 신념과 새로운 사회적 경험을 결합하는 방법에 대한 세부 정보를 설명할 수 있습니다. 예를 들어 피험자가 신뢰성에 대해 얼마나 빨리 배우는지 측정할 수 있습니다. 조사관은 사회적 변동성이 낮을 때 작업 초기에 학습 속도가 느리고 사회적 변동성이 높을 때 더 빠를 것으로 예상합니다. 플레이어는 따라잡기 위해 빠르게 변화해야 합니다. 최근 Biological Psychiatry에 발표된 이 접근 방식을 설명하는 조사관의 첫 번째 논문에서 그들은 사회적 변동성이 높을 때 두 통제 대상 모두 학습 속도가 크게 증가하지만 사회적 문제가 있는 사람들은 그렇지 않다는 것을 발견했습니다. 연구자들은 MI가 심각한 정신 질환을 가진 사람들의 사회적 학습 결핍을 감소시킬 것이라는 가설을 세웠습니다.

정량적 및 정성적 접근 방식 결합: 정량적 및 정성적 접근 방식은 연구 단계(탐색 대 가설 테스트)에 따라 다르게 적절할 수 있습니다. 그들은 또한 과학적 과정에 대해 근본적으로 다른 개념을 가지고 있습니다(제거, 객관적 대 관여, 주관적). 연구자들은 이러한 접근 방식이 근본적으로 양립할 수 없는 것이 아니라 상호 유익하고 풍부할 수 있다고 믿습니다. 예를 들어, 정신 건강 연구에 대한 동료 지원 및 참여를 향한 움직임은 AVH 연구에 대한 귀족 전문가 주도 접근 방식의 단점을 강조했습니다. 요컨대, 임상 시험은 종종 AVH의 두드러진 특징을 단일 메트릭으로 통합하는 AVH 중증도를 평가하기 위한 도구를 사용하므로 어떤 특징이 치료에 따라 변하는지 구별하지 않습니다. 임상 시험에서는 또한 AVH 치료의 목표가 빈도를 줄임으로써 목소리를 근절하는 것이라고 가정했습니다. 경험별 전문가로 구성된 HVN(The Hearing Voices Network)과 같은 동료 주도 지지 그룹은 일부 목소리가 긍정적이고 지지적일 수 있으며 부정적인 목소리도 중요한 의미를 지니며 치료 목표를 맞춤화해야 한다고 제안합니다. 개인을 향하고 그 의미를 존중합니다. 조사자들은 HVN과 전산 정신의학이 이상한 동료로 보일 수 있지만, 복수의 설명(분석 수준에 걸쳐)에 대한 공유 초점과 AVH 현상학에 대한 초점은 강력하고 상호 유익한 협력이 가능함을 시사한다고 주장했습니다. 양적 계산 작업을 AVH 변화, 사회적 참여 및 자기 표현의 질적 분석과 일치시키는 제안된 작업은 조사관이 MI가 서비스 사용자에게 의미 있는 방식으로 AVH 및 사회적 문제를 변경하는 방식을 포착하는 동시에 이를 근거로 삼도록 할 것입니다. 전산 정신의학이 제공하는 AVH에 대한 기계론적 모델 기반 이해의 변화.

음악 및 예측 처리: 예측 처리 프레임워크에 따르면 하위 수준에서 예측 오류를 해결하기 위해 역방향 예측이 피질 계층으로 전달됩니다. 해결되지 않은 예측 오류는 상대적 정밀도(역분산)를 기반으로 더 나은 예측을 나타내기 위해 계층 구조를 올라갈 수 있습니다. 이 계산 모티프는 감각 운동, 자율 및 기억 시스템을 포함합니다. 그리고 예측 오류는 이러한 시스템 내에서 행동하는 데 필수적인 역할을 합니다(시스템 전체에서 오류를 최소화하는 행동 및 항상성 조절에 참여). 음악은 경쟁적인 예측을 제공하고 특정 예측을 확인함으로써 불확실성을 제거합니다. 음악 생성은 본질적으로 활동적입니다. 음악 인식도 마찬가지입니다. 언어와 마찬가지로 인간은 음악을 스스로 생성하는 방법에 따라 음악을 예측합니다. 인간은 적절한 청각적 예측을 확립하기 위해 박자에 맞춰 몸을 움직이려는 충동을 느낍니다. 예측 처리는 양식을 포괄하는 정밀도의 계층적 생성 모델의 존재를 의미합니다. 외부 음악에 주의를 기울이면 스스로 음악을 생성할 때 접하게 되는 종류의 내수용 및 고유수용 예측이 약화됩니다. 이런 식으로 음악 인식은 언어 처리에 더 가깝습니다. 조사관은 예비 데이터를 기반으로 환각과 사회적 기능 장애가 지각, 고유 수용 및 사회적 사전의 상대적 정확성의 불균형과 예측 오류를 포함한다고 제안합니다. 음악은 특히 자체 제작할 때 동적 정밀도의 계층에 영향을 미칩니다. 그렇게 함으로써 AVH와 사회적 결손의 기저에 있는 병태생리학적 메커니즘에 영향을 미칠 것이라는 가설을 세웁니다.

SING(Song-making in a Group): MI 프로그램의 드롭인 사이트를 자주 방문하고 음악 제작 및 공연 활동에 참여한 예비 정성적 인터뷰 및 민족지학적 관찰에는 21명이 포함되었으며, 그 중 약 60%가 현재 받고 있거나 가지고 있다고 보고했습니다. 정신 건강 서비스를 받았습니다. 심층 인터뷰와 민족지학적 현장 기록을 분석한 결과 음악 개입 공간과 음악 제작 경험의 4가지 주요 특징이 드러났습니다. 2) 사회적 참여 및 통합 기회; 3) 정체성 (재)발명의 기회; 4) 예술적, 음악적 표현을 위한 배출구. 이 제안을 위해 연구자들은 예측 코딩 관련 메커니즘의 검사를 용이하게 하기 위해 MI를 조정했습니다. 이 조정된 개입을 SING(Sing-Making In a Group)이라고 합니다. 1시간 세션에서 5명의 개인이 숙련된 조력자와 함께 음악을 경험 및/또는 제작합니다. 조사관은 AVH 및 사회적 처리에 대한 특정 활동의 영향을 식별하기 위해 SING 그룹 작업을 조작할 것을 제안합니다.

SING 팀은 정신병, 양적 및 질적 연구원, 임상 과학자 및 음악 학자의 생생한 경험을 가진 사람들을 하나로 묶는 독특합니다. 이 통합은 주 정신 건강 시설인 코네티컷 정신 건강 센터에 의해 가능해졌습니다. 코네티컷 정신 건강 센터는 치료, 교육 및 연구를 삼자 목표로 삼고 예일 대학교와의 고유한 파트너십이 이 응용 프로그램으로 연결된 두 연구 센터에서 구현됩니다. 회복 및 지역 사회 건강을 위한 Yale 프로그램과 Abraham Ribicoff 연구 시설의 임상 신경 과학 연구 부서. 이러한 단위는 함께 제안된 작업을 성공시키기 위한 실제 및 가상 인프라, 직원 및 경험을 갖추고 있습니다.