Neurofeedback bij PTSS (NEUROFPTSD)

Een virtuele wereld / neurofeedback Realtime functionele MRI-benadering van PTSS-behandeling

Ondanks de beschikbaarheid van behandeling blijft posttraumatische stressstoornis (PTSS) een groot probleem bij veteranen, met een enorme impact op patiënten, hun families en het VHA-systeem. Een belangrijke therapeutische benadering die wordt gebruikt voor veteranen met PTSS is exposure-therapie, die bij veel patiënten gunstige effecten heeft. Er zijn echter verbeteringen van de huidige therapieën nodig, aangezien veel veteranen minder verbeteren dan de onderzoekers zouden willen.

De overkoepelende hypothesen van dit voorstel zijn tweeledig. Ten eerste dat hersenactiviteit gemeten met functionele MRI (fMRI) kan worden gebruikt om de verschillende hersentoestanden van een PTSS-patiënt te onderscheiden tijdens een bedreigende ervaring vs. tijdens een rustig moment, en dat patiënten, geholpen door neurofeedback afgeleid van real-time fMRI tijdens een virtual reality-ervaring kunnen leren hun reactie te verminderen door opzettelijk hun hersentoestand te wijzigen. Ten tweede dat het continu meten van fysieke activiteit, hartslag en slaappatronen met behulp van draagbare apparaten kan helpen bij het bestuderen van PTSS-behandelingstrajecten.

De onderzoekers zullen virtuele werelden, machine learning, real-time fMRI en neurofeedback combineren om een ​​nieuwe PTSS-behandeling te bieden waarvan de onderzoekers hopen dat deze effectiever zal zijn dan de huidige alternatieven, althans in bepaalde uitdagende gevallen. Belangrijk is dat de onderzoekers een rekenmodel zullen construeren dat specifiek is voor de combinatie patiënt+stimulus. Dit is van cruciaal belang omdat PTSS-patiënten zeer heterogeen zijn.

Doel 1. Gebruik van virtuele wereld/neurofeedback met real-time fMRI als therapie voor PTSS Vijftien PTSS-patiënten die bij MEDVAMC worden gerekruteerd, zullen worden blootgesteld aan Virtual Iraq, een virtueel wereldplatform waarin ze zullen worden blootgesteld aan oorlogsscenario's en aan kalmte scènes waar geen dreiging aanwezig zal zijn. Hersenactiviteit zal worden verzameld met behulp van fMRI en geanalyseerd met machine learning om onderscheid te maken tussen beide extreme hersentoestanden (STRESS vs. CALM). Deze twee toestanden worden gebruikt tijdens neurofeedbacktraining: In de daaropvolgende weken worden deelnemers blootgesteld aan 7 fMRI/Virtual World-sessies waarin ze worden geïnstrueerd om te proberen een meter naar de CALM-kant te verplaatsen door individuele mentale strategieën te gebruiken (actief zoals concentreren op een bepaalde herinnering, of passief omdat is aangetoond dat neurofeedback niet noodzakelijkerwijs opzettelijke inspanning vereist om te werken). De stress van de Virtuele Wereld wordt gemanipuleerd door de meter: wanneer de patiënt in staat is om de balk naar KALM te bewegen (door de hersenen naar die toestand te brengen), zal de stress van de Virtuele Wereld afnemen.

Hypothese 1: PTSS-symptomen zullen afnemen naarmate de training vordert en patiënten mentale strategieën leren om 'de wereld' in een KALME staat te brengen.

Doel 2. Studie van draagbare technologie om het behandelsucces van PTSS te beoordelen Hoewel er PTSS-meetinstrumenten zijn en de onderzoekers deze voor, tijdens en na de training zullen gebruiken, zijn zelfrapportages over het algemeen niet zo robuust en betrouwbaar als men zou willen. Het zou dus nuttig zijn om meer fysiologische maatstaven te hebben voor de voortgang van de behandeling voor PTSS, en voor de psychiatrie in het algemeen. De onderzoekers zullen een draagbaar apparaat gebruiken dat lijkt op een polshorloge dat de deelnemer tijdens de training continu zal dragen, en waarmee de onderzoekers fysieke activiteit, hartslag en slaapkwaliteit kunnen meten.

Hypothese 2: Gegevens van het draagbare apparaat correleren met zelfrapportage en met een groter vermogen om de virtuele wereld moedwillig in de KALME staat te brengen tijdens de training.

Concluderend stellen de onderzoekers voor dat neurofeedback PTSS-patiënten de mogelijkheid zal geven om persoonlijke mentale strategieën te ontdekken om rustiger te worden in stressvolle situaties. Het leerproces hoeft echter niet het resultaat te zijn van opzettelijke inspanning, aangezien is aangetoond dat real-time fMRI-gerelateerd leren kan plaatsvinden zonder bewuste inspanning of bewustzijn. Bovendien veronderstellen de onderzoekers dat draagbare apparaten fysiologische gegevens zullen vastleggen die zijn gekoppeld aan de trajecten tijdens PTSS-behandeling.

De onderzoekers begrijpen dat de aanpak helaas te duur kan zijn om routinematig te worden gebruikt (een zorgvuldige kosten-batenstudie na de studie kan echter het tegendeel bewijzen). De onderzoekers veronderstellen echter dat als deze pilot succesvol is, het mogelijk zal zijn om deze gegevens te gebruiken om goedkopere hybride alternatieven te ontwikkelen om toe te voegen aan exposure-therapie, zoals het gebruik van fMRI in combinatie met EEG om hersentoestanden te onderscheiden (slechts één MRI-bezoek nodig), en dan alleen EEG gebruiken tijdens de training.

Voorstudies Het onderzoek in dit voorstel bouwt voort op het 4-jarige onderzoeksproject van de onderzoekers aan UT Austin, gefinancierd door het Army Research Office. Dat werk heeft de bruikbaarheid van 3D virtuele werelden voor gebruik als stimulans voor fMRI-gebaseerd onderzoek aanzienlijk vergroot en de basis gelegd voor geïndividualiseerde therapieën en training. Het zal een centrale rol spelen bij het geven van neurofeedback door de hersenactiviteit van patiënten te analyseren als reactie op virtuele werelden die zijn ontworpen om PTSS-reacties op te wekken, zoals die van BRAVEMIND.

fMRI-gegevensverzameling bemonstert naar behoefte elke 2-3 seconden gedurende enkele minuten een hoeveelheid hersenactiviteit. Elk monster is een 3D-array van voxels die de totale hersenactiviteit voor een paar miljoen neuronen meten. Conventionele fMRI-gegevensanalyse behandelt de waarden van elke voxel als afzonderlijke tijdreeksen en voert een lineaire statistische analyse uit die de stimulus relateert aan de gemeten activiteit. Om het hoofd te bieden aan de toegenomen complexiteit van het gebruik van realtime virtuele werelden als stimulans, gebruikten de onderzoekers in plaats daarvan machine learning voor analyse. Op machine learning gebaseerde methoden kunnen complexe correlaties extraheren over veel voxels in plaats van over een enkele voxel. De methode omvat "training" door bijvoorbeeld input / output-paren in het algoritme te voeren. In het geval van de onderzoekers is de invoer een fMRI-tijdmonster en is de uitvoer, die de stimulus weergeeft, een categorie waarin de onderzoekers geïnteresseerd zijn. De onderzoekers verwijzen naar elke categorie als een "hersentoestand", wat het hersenactivatiepatroon is dat wordt gespecificeerd door elk tijdsegment te labelen met een bepaalde stimuluscategorie.

De onderzoekers waren in staat om nauwkeurige prestaties te bereiken voor het detecteren van hersentoestanden in twee verschillende experimenten. Beiden gebruikten virtuele werelden die deden denken aan Iraakse steden en virtuele karakters van het Amerikaanse leger en inheemse vijandige strijders. In het eerste experiment gebruikten de onderzoekers een passief kijkparadigma waarin 1-6 strijders op verschillende locaties in een virtuele stad werden gepresenteerd. Gemiddelde prestaties over de proefpersonen waren redelijk goed en ver boven kans om te bepalen hoeveel strijders (1-6) de deelnemer op elk moment zag. Het tweede experiment gebruikte een vergelijkbare maar complexere stimulus die een specifieke visuele taak omvatte die een reactie van de gebruiker vereiste. Proefpersonen werd gevraagd om snel te reageren door op een knop te drukken op een wapen dat plotseling werd uitgetrokken door een enkele vijandige strijder binnen een menigte van 20 personages, waarvan de helft eigen troepen waren. De moeilijkheidsgraad van de taak werd willekeurig gevarieerd over ontmoetingen die elk 30 seconden duurden. De machinale leermethoden van de onderzoekers konden deze dimensie van de hersentoestand herkennen met een nauwkeurigheid van 70% -90%.

Onderzoeksontwerp en methoden Doel 1. Gebruik van virtuele wereld/neurofeedback met real-time fMRI als therapie voor PTSS De onderzoekers zullen virtuele werelden, real-time fMRI, machine learning en neurofeedback combineren om een ​​nieuwe PTSS-behandeling te bieden die de onderzoekers hopen dat het effectiever zal zijn dan de huidige alternatieven. De onderzoekers verwachten ook dat door het onderzoeken van de hersenkaarten zoals die hierboven, de onderzoekers inzicht zullen krijgen in hoe PTSS zich manifesteert in de hersenen van verschillende proefpersonen. De stereo audio/visuele stimulus wordt geleverd door het BRAVEMIND-systeem. Voorafgaand aan het scannen neemt elke proefpersoon deel aan een side-lab-therapiesessie die wordt bijgewoond door een getrainde therapeut. De onderzoekers passen de stimulusparameters aan om een ​​gepast therapeutisch bereik van reacties tussen KALM en STRESSED te bieden. Er zullen verschillende scènes/scenario's beschikbaar zijn. Dit bereik van parameterinstellingen wordt vastgelegd voor volgende scansessies. In de scanner worden de virtual reality-stimuli geleverd met behulp van een MR-compatibel 3D-display. Proefpersonen rapporteren zelf hun niveau van "STRESSED" angst met behulp van een MR-compatibel responsapparaat met vijf knoppen. Deze responsgegevens en de MRI-gegevens van de eerste twee sessies zullen worden gebruikt door machine-learning algoritmen om classificaties te bouwen die de reacties van de proefpersoon kunnen onderscheiden tussen KALM - STRESSED bij elke tijdssteekproef van 1,5 sec. In de volgende 6 sessies krijgt de proefpersoon soortgelijke maar niet identieke stimuli te zien terwijl hij feedback krijgt van de machine learning. Dit zal hen in staat stellen om geleidelijk te leren hoe ze hun eigen hersenreactie zelf kunnen moduleren in de richting van een kalmere reactie. Dergelijke zelf veroorzaakte veranderingen zullen worden gedetecteerd door het fMRI-systeem en zullen worden gebruikt om de virtuele wereld te moduleren om de mate van waargenomen dreiging direct te verminderen; dus de real-time neurofeedback die nodig is voor extinctietherapie (er wordt een "thermometer" weergegeven).

FMRI-gegevens van het hele brein zullen worden verzameld met behulp van een 3T Siemens Prisma-scanner met behulp van SMS-versnelling om een ​​voxelgrootte van 2 mm en TR = 1,5 sec (SMS x3, G = 2, TE = 30 ms, FA = 72) te verkrijgen. Scansessies duren ongeveer 1 uur en beginnen met het verzamelen van localizers en een anatomie met hoge resolutie (MP-RAGE), kubieke voxels van 1 mm, gevolgd door het verzamelen van fMRI-gegevens tijdens de presentatie van virtual reality-stimuli. Elke fMRI-run duurt ongeveer 6 minuten en er worden 6-8 runs verzameld.

Valkuilen en alternatieve strategieën. De onderzoekers hebben het vermogen aangetoond om een ​​interne hersendimensie te classificeren met een nauwkeurigheid van 89%, maar het is misschien niet mogelijk om een ​​vergelijkbare nauwkeurigheid te verkrijgen voor de "PTSD"-dimensie. Het is mogelijk om de resultaten te verbeteren door de waargenomen hartslag- en ademhalingsgegevens op te nemen als invoer in de machine learning. Bovendien, zelfs als de feedback niet succesvol is, zullen de onderzoekers nog steeds inzicht krijgen in de fysiologie van PTSS uit de gevoeligheidskaarten die worden gegenereerd door machine learning.

Doel 2. Studie van draagbare technologie om het succes van de behandeling bij PTSS te beoordelen Lichamelijke activiteit, hartslag en slaappatronen spelen allemaal een belangrijke rol bij PTSS. Draagbare technologie is recent zo geëvolueerd dat de onderzoekers deze drie parameters nu constant op een niet-invasieve manier kunnen meten gedurende een studie. De onderzoekers stellen voor om zelfgerapporteerde symptomen te bestuderen in combinatie met fysieke activiteit, slaappatronen en hartslaggegevens gedurende 9 weken. De onderzoekers zullen lineaire regressie gebruiken om te onderzoeken of CAPS5-, PCL- en dagboeksymptomen correleren met activiteits-, slaap- en hartslagpatronen tijdens de behandeling. De onderzoekers veronderstellen dat bij patiënten bij wie de behandeling het meest succesvol is, a) de gemiddelde hartslag sterker zal afnemen, b) periodes van hoge hartslag overdag en 's nachts minder vaak voorkomen, c) de gemiddelde fysieke activiteit zal toenemen, d) de fysieke activiteit zal toenemen. regulariseren naar meer activiteit overdag en minder activiteit tijdens de nacht, e) de gemiddelde tijd dat je slaapt zal toenemen, en f) slaappatronen zullen normaliseren met minder wakkere perioden gedurende de nacht.

Valkuilen en alternatieve strategieën. Het is mogelijk dat de gegevens van draagbare apparaten niet correleren met symptoomverbetering. Een waarschijnlijke verklaring zou zijn dat het foutenpercentage van huidige apparaten niet toestaat dat correlaties significant zijn. Als dat het geval is, moet deze aanpak in de toekomst opnieuw worden getest. Een andere minder waarschijnlijke verklaring zou zijn dat fysieke activiteit, hartslag en slaapkwaliteit niet zo sterk gecorreleerd zijn met PTSS-symptomen als de beschikbare gegevens suggereren. Aangezien dit een kleine pilotstudie is, zouden gegevens die een trend suggereren, wijzen op mogelijke studierichtingen in de toekomst.

Algemene conclusie

Het belangrijkste idee van de studie is dat de VR zal veranderen in een minder stressvolle omgeving naarmate de hersenen de toestand naderen die eerder werd gedefinieerd als KALM. De onderzoekers veronderstellen dat patiënten na verloop van tijd zullen leren om hun hersenen bewust in een KALME staat te brengen, wat hen zal voorzien van geïndividualiseerde mentale strategieën om te kalmeren wanneer een trigger voor trauma/stress aanwezig is.