Biomarkery EEG oparte na uczeniu maszynowym do spersonalizowanych interwencji (EEG-INSIGHT)

Celem tego projektu jest opracowanie modelu sztucznej inteligencji umożliwiającego przewidywanie odpowiedzi na leczenie neuromodulacyjne (przezczaszkowa stymulacja prądem stałym, tDCS) w leczeniu bólu neuropatycznego (NP) po uszkodzeniu rdzenia kręgowego (SCI), w oparciu o sygnały elektroencefalograficzne (EEG) i oceny kliniczne. Projekt składa się z dwóch etapów:

Etap 1 obejmuje otwarte badanie, podczas którego uczestnicy po urazie rdzenia kręgowego i NP zostaną poddani leczeniu neuromodulacyjnemu w naszym ośrodku, na podstawie danych zebranych przed i po leczeniu.

Ocena przed leczeniem:

• Ocena kliniczna na podstawie wywiadów i zatwierdzonych kwestionariuszy ukierunkowanych na czynniki związane z bólem neuropatycznym, depresją i innymi istotnymi elementami.
• Rejestracja EEG przy użyciu urządzenia 64-kanałowego (Brain Products GmbH, Niemcy). EEG będzie rejestrowane w dźwiękoszczelnym pomieszczeniu, podczas gdy uczestnicy będą w stanie spoczynku, najpierw z oczami otwartymi przez 5 minut, a następnie z oczami zamkniętymi przez kolejne 5 minut. Uczestnicy zostaną poproszeni o unikanie alkoholu na 12 godzin przed nagraniem i kofeiny na 3 godziny przed nagraniem.

Leczenie neuromodulacyjne:

• Protokół zabiegu obejmuje 10 sesji nieinwazyjnej stymulacji, każda trwająca 30 minut.
• tDCS będzie podawane przy użyciu zasilanego bateryjnie stymulatora prądu stałego (Sooma tDCS, Helsinki, Finlandia) z okrągłymi elektrodami o powierzchni 6 cm² nasyconymi solą fizjologiczną.
• Anoda zostanie umieszczona nad C3 (układ EEG 10/20), aby stymulować pierwotną korę ruchową (M1), a katoda nad przeciwległym obszarem nadoczodołowym (FP2).
• W przypadku bólu asymetrycznego stymulacja zostanie zastosowana w obszarze M1 po stronie przeciwnej do bardziej bolesnej połowy ciała. W przypadku bólu symetrycznego stymulowana będzie półkula dominująca (C3).
• Maksymalny dostarczany prąd wyniesie 2 mA (gęstość prądu: 0,06 mA/cm²).
• Sesje będą odbywać się raz dziennie przez dwa tygodnie (od poniedziałku do piątku), w sumie 10 sesji. Wszystkie parametry stymulacji odpowiadają ogólnym wytycznym bezpieczeństwa dotyczącym przezczaszkowej stymulacji elektrycznej.

Ocena po leczeniu:

• Przeprowadzone poprzez wywiady i te same zatwierdzone kwestionariusze, które zastosowano w ocenie przed leczeniem.

W ramach interwencji uczestnicy zostaną poddani zapisowi EEG, aby w sposób nieinwazyjny zbadać aktywność bioelektryczną mózgu. W celu poprawy przewodności skóry zastosowane zostaną aktywne elektrody powierzchniowe z żelem elektrodowym. Zapisy EEG będą prowadzone w spoczynku, a uczestnicy będą patrzeć na pustą ścianę w dźwiękoszczelnym pomieszczeniu przez 5 minut z oczami otwartymi i 5 minut z oczami zamkniętymi.

Etap 2 obejmuje opracowanie modelu predykcyjnego umożliwiającego klasyfikację pacjentów na podstawie ich odpowiedzi na leczenie neuromodulacyjne. W modelu wykorzystane zostaną wskaźniki pochodzące z zapisów EEG przed leczeniem oraz ocen klinicznych przeprowadzonych przed i po leczeniu, w celu przewidzenia, którzy pacjenci pozytywnie zareagują na tDCS.

Przetwarzanie wstępne EEG zostanie przeprowadzone za pomocą języka programowania Python, przy użyciu specjalnie zaprojektowanego potoku przetwarzania wstępnego opartego na bibliotece MNE-Python, obejmującego: selektywną eliminację kanałów i segmentów wartości odstających, filtry częstotliwości, nadzorowaną, automatycznie oznaczaną analizę niezależnych komponentów w celu eliminacji aktywność mięśni i oczu oraz wykrywanie zmostkowanych elektrod.

Zapisy EEG będą analizowane przy użyciu wskaźników pochodzących z częstotliwości, złożoności i łączności sygnału EEG. Metryki te wybrano ze względu na ich potencjał wykazany w powiązanych publikacjach, które podkreślają zdolność tych cech do uchwycenia różnic między grupami, między innymi między osobami odpowiadającymi na leczenie i niereagującymi na leczenie lub między osobami zdrowymi a chorymi na NP. W oparciu o te cechy EEG i inne cechy uzyskane z kwestionariuszy pacjentów, przeprowadzony zostanie proces selekcji cech w oparciu o niezależność metryki i znaczenie z wcześniejszej literatury, aby zmaksymalizować możliwość uogólnienia modelu.

Do klasyfikacji osób odpowiadających i nie odpowiadających zostanie zastosowany model uczenia maszynowego (ML), przy czym głównym modelem kandydata będzie maszyna wektorów nośnych (SVM). Model zostanie zweryfikowany za pomocą k-krotnej walidacji krzyżowej. Biorąc pod uwagę zadowalające wyniki, do oceny, czy EEG z mniejszą liczbą elektrod może dać podobne wyniki predykcyjne, zostanie zastosowane podpróbkowanie kanałów EEG (zgodnie z typowymi konfiguracjami 10:20), zmniejszając w ten sposób potrzebę stosowania systemów EEG z dużą liczbą elektrod.