Maskinlæringsbaserte EEG-biomarkører for personlig tilpassede intervensjoner (EEG-INSIGHT)

Dette prosjektet tar sikte på å utvikle en kunstig intelligensmodell for å forutsi responsen på en nevromodulasjonsbehandling (transkraniell likestrømstimulering, tDCS) for nevropatisk smerte (NP) etter ryggmargsskade (SCI), basert på elektroencefalografiske (EEG) signaler og kliniske vurderinger. Prosjektet består av to stadier:

Fase 1 innebærer et åpent forsøk hvor deltakere med SCI og NP vil motta nevromodulasjonsbehandling ved vårt senter, med data samlet inn før og etter behandling.

Evaluering før behandling:

• Klinisk vurdering gjennom intervjuer og validerte spørreskjemaer rettet mot faktorer assosiert med nevropatisk smerte, depresjon og andre relevante komponenter.
• EEG-opptak ved hjelp av en 64-kanals enhet (Brain Products GmbH, Tyskland). EEG vil bli tatt opp i et lydisolert rom med deltakere i hviletilstand, først med øynene åpne i 5 minutter og deretter med øynene lukket i ytterligere 5 minutter. Deltakerne vil bli bedt om å unngå alkohol 12 timer før og koffein 3 timer før opptaket.

Nevromodulasjonsbehandling:

• Behandlingsprotokollen innebærer 10 økter med ikke-invasiv stimulering, som hver varer i 30 minutter.
• tDCS vil bli administrert ved hjelp av en batteridrevet DC-stimulator (Sooma tDCS, Helsinki, Finland) med 6 cm² saltvannsmettede sirkulære elektroder.
• Anoden vil bli plassert over C3 (EEG 10/20-system) for å stimulere den primære motoriske cortex (M1) og katoden over det kontralaterale supraorbitale området (FP2).
• For asymmetriske smerter vil stimulering påføres M1 kontralateralt til det mer smertefulle halvlegemet. Ved symmetriske smerter vil den dominante halvkulen (C3) stimuleres.
• Maksimal strøm levert vil være 2 mA (strømtetthet: 0,06 mA/cm²).
• Økter vil bli holdt en gang daglig i to uker (mandag til fredag), totalt 10 økter. Alle stimuleringsparametere overholder generelle sikkerhetsretningslinjer for transkraniell elektrisk stimulering.

Evaluering etter behandling:

• Gjennomført gjennom intervjuer og de samme validerte spørreskjemaene som ble brukt i vurderingen før behandling.

Som en del av intervensjonen vil deltakerne gjennomgå EEG-opptak for å studere hjernens bioelektriske aktivitet ikke-invasivt. Aktive overflateelektroder med elektrodegel vil bli brukt for å forbedre hudens ledningsevne. EEG-opptak vil bli utført i hvile, med deltakere som ser på en tom vegg i et lydisolert rom, i 5 minutter med åpne øyne og 5 minutter med lukkede øyne.

Trinn 2 innebærer å utvikle en prediktiv modell for å klassifisere pasienter basert på deres respons på nevromodulasjonsbehandlingen. Modellen vil bruke beregninger utledet fra EEG-registreringer før behandling og kliniske vurderinger utført før og etter behandlingen, med mål om å forutsi hvilke pasienter som vil reagere positivt på tDCS.

EEG-forbehandling vil bli utført ved hjelp av programmeringsspråket Python, ved å bruke en spesiallaget forbehandlingspipeline basert på MNE-Python-biblioteket, inkludert: selektiv utliggerkanal og segmenteliminering, frekvensfiltre, overvåket automerket uavhengig komponentanalyse for eliminering av muskulær og okulær aktivitet, og påvisning av brokoblede elektroder.

EEG-opptakene vil bli analysert ved hjelp av beregninger utledet fra frekvensen, kompleksiteten og tilkoblingen til EEG-signalet. Disse beregningene ble valgt på grunn av deres demonstrerte potensial i relaterte publikasjoner, som fremhever evnen til disse funksjonene til å fange opp forskjeller mellom grupper, enten mellom behandlingsrespondere og ikke-responderere, eller mellom friske forsøkspersoner og de som lider av NP, blant andre. Basert på disse EEG-funksjonene og andre funksjoner avledet fra pasientspørreskjemaer, vil en funksjonsvalgprosess basert på metrisk uavhengighet og relevans i tidligere litteratur bli utført for å maksimere modellens generaliserbarhet.

En maskinlæringsmodell (ML), hvor hovedkandidatmodellen er en støttevektormaskin (SVM), vil bli brukt for å klassifisere mellom respondere og ikke-respondere. Modellen vil bli validert ved hjelp av k-fold kryssvalidering. Gitt tilfredsstillende resultater, vil en undersampling av EEG-kanaler (vedlikeholde typiske 10:20-oppsett) bli brukt for å evaluere om et EEG med færre elektroder kan gi lignende prediktive resultater, og dermed redusere behovet for EEG-systemer med høyt elektrodeantall.