Prevendo resultados da intervenção tDCS na doença de Parkinson usando biomarcadores eletroencefalográficos e abordagem de aprendizado de máquina: o protocolo de estudo PREDICT (PREDICT)

A doença de Parkinson (DP) é uma doença neurodegenerativa progressiva e incapacitante, caracterizada clinicamente por sintomas motores e não motores. O potencial da "estimulação transcraniana por corrente contínua" (tDCS) para melhora sintomática nesses pacientes foi demonstrado, mas os fatores associados à melhor resposta terapêutica não são conhecidos. O eletroencefalograma (EEG) é considerado um biomarcador diagnóstico e prognóstico da DP, e tem sido utilizado em estudos recentes associados a métodos de aprendizado de máquina para identificar preditores de respostas em condições neurológicas e psiquiátricas. Usando previsão baseada em conectividade e aprendizado de máquina, os investigadores pretendem identificar e comparar as características relacionadas ao EEG de repouso da linha de base entre os respondedores de DP e os não respondedores ao tratamento tDCS.

Os participantes recrutados serão randomizados para tratamento com tDCS ativo associado à terapia motora de dupla tarefa ou terapia motora com pistas visuais. Uma eletroencefalografia (EEG) em estado de repouso será registrada antes do início do tratamento. Os investigadores determinarão os rótulos de melhoria clínica usados ​​para classificação de aprendizado de máquina, nas avaliações de linha de base e pós-tratamento e usarão três métodos diferentes para categorizar os dados em duas classes (melhoria baixa ou alta): Support Vector Machine (SVM), Linear Discriminant Analysis (LDA ) e Extreme Learning Machine (ELM). O rótulo funcional será baseado no teste Timed Up and Go registrado na linha de base e pós-tratamento do tratamento tDCS.