Onderzoek naar elektro-encefalografische voorspellers van netwerkanticorrelatie in standaardmodus bij gezonde volwassenen

Neuropsychiatrische aandoeningen worden steeds meer begrepen als stoornissen van intrinsieke, functionele interacties binnen en tussen wijdverbreide, gedistribueerde hersennetwerken. Gezien de recente vorderingen op het gebied van functionele Magnetic Resonance Imaging (fMRI) data-acquisitie en computationele analyse, is het nu mogelijk om op betrouwbare wijze de functionele neuroanatomie van hersennetwerken binnen individuen in kaart te brengen, wat een mogelijke weg biedt voor het identificeren van gepersonaliseerde neurotherapeutische doelen. Echter, gouden standaardbehandelingen (bijv. farmacotherapie) in de huidige psychiatrische praktijk zijn oorspronkelijk niet ontworpen om zich te richten op specifieke hersennetwerkinteracties en missen protocollen die gebruikmaken van dergelijke gegevens op individueel niveau. Real-time neurofeedback - waarbij patiënten geselecteerde aspecten van hun eigen hersenactiviteit observeren en leren reguleren - is een kandidaatbenadering om persoonlijk de normalisatie van ongezonde communicatie binnen en tussen hersennetwerken aan te passen. Om zich echter te richten op de belangrijkste hersennetwerken die abnormaal functioneren bij neuropsychiatrische aandoeningen, vertrouwt neurofeedback op fMRI, wat een dure procedure is met een complexe opzet en patiëntbelasting. Het doel van dit project is het ontwikkelen van een elektro-encefalografie (EEG) "vingerafdruk" van de fMRI-netwerkdynamiek, zodat een neurofeedbacksysteem op basis van alleen EEG (elektroden op de hoofdhuid) kan worden gebruikt om interacties binnen en tussen hersennetwerken nauwkeurig te richten. Omdat EEG-apparaten draagbaar kunnen zijn en relatief eenvoudig kunnen worden ingesteld in flexibele omgevingen, kan dit onderzoek een schaalbare vorm van netwerkgebaseerde neurofeedbacktraining mogelijk maken waartoe patiënten regelmatig toegang hebben. Doel 1 van dit onderzoek is het identificeren van een optimaal model van EEG-kenmerken die voorspellend zijn voor fMRI-gebaseerd standaardmodusnetwerk (DMN) "antagonisme" binnen individuen. De onderzoekers concentreren zich op dit DMN-antagonisme omdat het een belangrijk kenmerk is dat relevant is voor cognitieve disfunctie bij psychiatrische ziekten op een transdiagnostisch niveau. De onderzoekers zullen hoogwaardige, gelijktijdige EEG-fMRI-gegevens verzamelen bij 24 gezonde volwassenen (> 100 minuten bemonstering per deelnemer), inclusief drie voorwaarden: (1) rusttoestand, (2) continue taakuitvoering en (3) continue fMRI -gebaseerde neurofeedback van DMN-antagonismetoestanden. De onderzoekers zullen op machine learning gebaseerde methoden toepassen om een ​​optimale mapping tussen EEG-signaalcomponenten en op fMRI gebaseerd DMN-antagonisme te identificeren. Verder zullen de onderzoekers bepalen hoeveel EEG-fMRI-sampling op individueel niveau nodig is om DMN-antagonisme op basis van EEG met succes te voorspellen. Doel 2 van het onderzoek is om te testen of EEG-markers van DMN-antagonisme voorspellend zijn voor fluctuaties in cognitieve taakuitvoering binnen individuen. Als zodanig kunnen de bevindingen validatie bieden van de gedragsrelevantie van een EEG-neurofeedbacksysteem dat gericht is op DMN-antagonisme. Indien succesvol, kan het werk leiden tot de ontwikkeling van een toegankelijke, computationele psychiatrische tool die kan worden getest in klinische omstandigheden waarin DMN-antagonisme (en gerelateerde cognitieve functie) wordt beïnvloed, waaronder aandachtstekortstoornis met hyperactiviteit, depressie en schizofrenie.