Aprendizado de máquina para prever a resposta clínica ao TMS (LEARN)

O Transtorno Depressivo Maior (TDM) é uma doença comum e debilitante. Ela afeta a família de uma pessoa e seus relacionamentos pessoais, trabalho, educação e vida. Ele altera os hábitos de sono e alimentação e prejudica significativamente a saúde geral dos pacientes. O distúrbio afeta mais os veteranos do que a população em geral, tanto como uma doença isolada quanto em conjunto com transtorno de estresse pós-traumático (TEPT) e tendências suicidas. Os sintomas em uma proporção notável de pacientes (~30%) não respondem a intervenções comportamentais e farmacológicas, e novos tratamentos são muito necessários. Um desses tratamentos, a estimulação magnética transcraniana (TMS), foi liberado pela Food and Drug Administration para tratamento em MDD. TMS é eficaz em cerca de 60% dos pacientes com TDM resistente ao tratamento, mas está associado a carga financeira e de tempo significativa. Mais informações sobre os efeitos neurobiológicos do TMS e marcadores para previsão de recuperação funcional e progressão do tratamento são de grande valor.

O objetivo desta proposta é usar eletrofisiologia humana (eletroencefalografia, doravante EEG, em particular) e aprendizado de máquina para prever a resposta ao tratamento em candidatos ao tratamento TMS e também estudar o mecanismo de ação do TMS. Fazer isso traz vários benefícios para os pacientes, pois a previsão do tratamento ajuda os provedores na triagem dos pacientes para os quais o TMS é ineficaz e a compreensão do mecanismo nos permite refinar e individualizar o tratamento.

Os investigadores recrutarão 35 pacientes com MDD resistente ao tratamento e registrarão o sinal de EEG em estado de repouso com um conjunto de eletrodos denso antes e depois de um curso clínico de 6 semanas de tratamento com TMS. Os investigadores usarão aprendizado de máquina (regressões esparsas) para prever o resultado do tratamento usando mapas de conectividade funcional (coerência) derivados do sinal de EEG. Os investigadores também usarão classificadores para rastrear mudanças na conectividade funcional ao longo do tratamento. Com base em nossos dados preliminares, os pesquisadores levantam a hipótese de que uma conectividade funcional mais fraca entre o córtex pré-frontal (onde a estimulação é entregue) e os locais da linha média parietal/posterior preveem uma melhor resposta ao tratamento e que o tratamento com EMT aumentará essas conexões.

Os dados coletados aqui seriam usados ​​como uma semente e dados preliminares para futuros prêmios federais de desenvolvimento de carreira (NIH e VA), que se concentrarão no uso de EEG para entender melhor a função cerebral e os tratamentos de neuromodulação.