Op machine learning gebaseerde EEG-biomarkers voor gepersonaliseerde interventies (EEG-INSIGHT)

Dit project heeft tot doel een artificieel intelligentiemodel te ontwikkelen om de respons op een neuromodulatiebehandeling (transcranial Direct Current Stimulation, tDCS) voor neuropathische pijn (NP) na dwarslaesie (SCI) te voorspellen, gebaseerd op elektro-encefalografische (EEG) signalen en klinische beoordelingen. Het project bestaat uit twee fasen:

Fase 1 omvat een open proef waarbij deelnemers met SCI en NP een neuromodulatiebehandeling krijgen in ons centrum, waarbij gegevens voor en na de behandeling worden verzameld.

Evaluatie vóór de behandeling:

• Klinische beoordeling door middel van interviews en gevalideerde vragenlijsten gericht op factoren die verband houden met neuropathische pijn, depressie en andere relevante componenten.
• EEG-opname met behulp van een 64-kanaals apparaat (Brain Products GmbH, Duitsland). EEG wordt opgenomen in een geluiddichte kamer met deelnemers in rusttoestand, eerst met de ogen open gedurende 5 minuten en daarna met de ogen gesloten gedurende nog eens 5 minuten. Deelnemers wordt gevraagd om 12 uur vóór de opname alcohol te vermijden en cafeïne 3 uur vóór de opname.

Neuromodulatie Behandeling:

• Het behandelprotocol omvat 10 niet-invasieve stimulatiesessies van elk 30 minuten.
• tDCS zal worden toegediend met behulp van een op batterijen werkende DC-stimulator (Sooma tDCS, Helsinki, Finland) met 6 cm² met zoutoplossing verzadigde cirkelvormige elektroden.
• De anode wordt over C3 (EEG 10/20-systeem) geplaatst om de primaire motorische cortex (M1) en de kathode over het contralaterale supraorbitale gebied (FP2) te stimuleren.
• Bij asymmetrische pijn zal stimulatie worden toegepast op de M1 contralateraal van het pijnlijkere hemilichaam. Bij symmetrische pijn wordt de dominante hemisfeer (C3) gestimuleerd.
• De maximaal geleverde stroom bedraagt ​​2 mA (stroomdichtheid: 0,06 mA/cm²).
• De sessies vinden eenmaal per dag plaats gedurende twee weken (maandag tot en met vrijdag), in totaal 10 sessies. Alle stimulatieparameters voldoen aan de algemene veiligheidsrichtlijnen voor transcraniële elektrische stimulatie.

Evaluatie na de behandeling:

• Uitgevoerd via interviews en dezelfde gevalideerde vragenlijsten die gebruikt worden bij de beoordeling voorafgaand aan de behandeling.

Als onderdeel van de interventie zullen de deelnemers een EEG-opname ondergaan om de bio-elektrische activiteit van de hersenen op niet-invasieve wijze te bestuderen. Actieve oppervlakte-elektroden met elektrodegel zullen worden gebruikt om de geleiding van de huid te verbeteren. EEG-opnames worden in rust uitgevoerd, waarbij de deelnemers naar een blinde muur in een geluiddichte kamer kijken, gedurende 5 minuten met de ogen open en 5 minuten met de ogen gesloten.

Fase 2 omvat het ontwikkelen van een voorspellend model om patiënten te classificeren op basis van hun reactie op de neuromodulatiebehandeling. Het model zal gebruik maken van meetgegevens die zijn afgeleid van EEG-opnamen vóór de behandeling en klinische beoordelingen die vóór en na de behandeling zijn uitgevoerd, met als doel te voorspellen welke patiënten gunstig zullen reageren op tDCS.

EEG-voorverwerking zal worden uitgevoerd door middel van de programmeertaal Python, met behulp van een op maat gemaakte voorverwerkingspijplijn gebaseerd op de MNE-Python-bibliotheek, inclusief: selectieve uitbijterkanaal- en segmenteliminatie, frequentiefilters, begeleide, automatisch gelabelde onafhankelijke componentanalyse voor de eliminatie van spier- en oculaire activiteit, en detectie van overbrugde elektroden.

De EEG-opnamen zullen worden geanalyseerd met behulp van statistieken die zijn afgeleid van de frequentie, complexiteit en connectiviteit van het EEG-signaal. Deze maatstaven zijn geselecteerd vanwege hun aangetoonde potentieel in gerelateerde publicaties, die het vermogen van deze kenmerken benadrukken om verschillen tussen groepen vast te leggen, hetzij tussen behandelingsresponders en niet-responders, of tussen onder meer gezonde proefpersonen en mensen die lijden aan NP. Gebaseerd op deze EEG-kenmerken en andere kenmerken afgeleid van patiëntenvragenlijsten, zal een kenmerkselectieproces gebaseerd op metrische onafhankelijkheid en relevantie in eerdere literatuur worden uitgevoerd om de generaliseerbaarheid van het model te maximaliseren.

Een machine learning (ML)-model, waarbij het belangrijkste kandidaatmodel een support vector machine (SVM) is, zal worden gebruikt om te classificeren tussen responders en non-responders. Het model zal worden gevalideerd door middel van k-voudige kruisvalidatie. Gegeven bevredigende resultaten zal een onderbemonstering van EEG-kanalen (volgens typische 10:20-opstellingen) worden gebruikt om te evalueren of een EEG met minder elektroden vergelijkbare voorspellende resultaten kan opleveren, waardoor de behoefte aan EEG-systemen met een hoog aantal elektroden wordt verminderd.