Биомаркеры ЭЭГ на основе машинного обучения для персонализированных вмешательств (EEG-INSIGHT)

Этот проект направлен на разработку модели искусственного интеллекта для прогнозирования ответа на нейромодуляционное лечение (транскраниальная стимуляция постоянным током, tDCS) при нейропатической боли (НП) после травмы спинного мозга (ТСМ) на основе электроэнцефалографических (ЭЭГ) сигналов и клинических оценок. Проект состоит из двух этапов:

Этап 1 включает открытое исследование, в котором участники с ТСМ и НП будут получать нейромодуляционное лечение в нашем центре, при этом данные будут собраны до и после лечения.

Оценка перед лечением:

• Клиническая оценка посредством интервью и проверенных анкет, нацеленных на факторы, связанные с нейропатической болью, депрессией и другими соответствующими компонентами.
• Запись ЭЭГ с помощью 64-канального прибора (Brain Products GmbH, Германия). ЭЭГ будет записываться в звукоизолированной комнате у участников в состоянии покоя: сначала с открытыми глазами в течение 5 минут, а затем с закрытыми глазами еще 5 минут. Участникам будет предложено избегать употребления алкоголя за 12 часов до записи и кофеина за 3 часа до записи.

Нейромодуляционное лечение:

• Протокол лечения включает 10 сеансов неинвазивной стимуляции продолжительностью 30 минут каждый.
• tDCS будет проводиться с использованием стимулятора постоянного тока с батарейным питанием (Sooma tDCS, Хельсинки, Финляндия) с круглыми электродами площадью 6 см², насыщенными физиологическим раствором.
• Анод будет помещен над C3 (система ЭЭГ 10/20) для стимуляции первичной моторной коры (M1), а катод — над контралатеральной супраорбитальной областью (FP2).
• При асимметричной боли стимуляция будет применяться к М1, контралатеральному по отношению к более болезненному полутелу. При симметричной боли стимулируется доминантное полушарие (С3).
• Максимальный подаваемый ток составит 2 мА (плотность тока: 0,06 мА/см²).
• Сеансы будут проводиться один раз в день в течение двух недель (с понедельника по пятницу), всего 10 сеансов. Все параметры стимуляции соответствуют общим правилам безопасности при транскраниальной электростимуляции.

Оценка после лечения:

• Проводится посредством интервью и тех же проверенных анкет, которые использовались при оценке перед лечением.

В рамках вмешательства участникам будет сделана запись ЭЭГ для неинвазивного изучения биоэлектрической активности мозга. Для повышения проводимости кожи будут использоваться активные поверхностные электроды с электродным гелем. Записи ЭЭГ будут проводиться в состоянии покоя: участники будут смотреть на глухую стену в звуконепроницаемой комнате в течение 5 минут с открытыми глазами и 5 минут с закрытыми глазами.

Этап 2 включает разработку прогностической модели для классификации пациентов на основе их реакции на нейромодуляционное лечение. В модели будут использоваться показатели, полученные на основе записей ЭЭГ перед лечением и клинических оценок, проведенных до и после лечения, с целью прогнозирования того, какие пациенты будут положительно реагировать на tDCS.

Предварительная обработка ЭЭГ будет выполняться с помощью языка программирования Python с использованием специального конвейера предварительной обработки на основе библиотеки MNE-Python, включающего: выборочное исключение каналов и сегментов выбросов, частотные фильтры, контролируемый анализ независимых компонентов с автоматической маркировкой для исключения мышечная и глазная активность, а также обнаружение мостовых электродов.

Записи ЭЭГ будут анализироваться с использованием показателей, полученных на основе частоты, сложности и связности сигнала ЭЭГ. Эти показатели были выбраны из-за их продемонстрированного потенциала в соответствующих публикациях, которые подчеркивают способность этих характеристик фиксировать различия между группами, либо между ответившими на лечение и не ответившими на лечение, либо между здоровыми субъектами и людьми, страдающими НП, среди других. На основе этих характеристик ЭЭГ и других характеристик, полученных из анкет пациентов, будет проведен процесс выбора признаков, основанный на независимости показателей и актуальности предыдущей литературы, чтобы максимизировать обобщаемость модели.

Для классификации ответивших и не ответивших будет использоваться модель машинного обучения (ML), где основной кандидатской моделью является машина опорных векторов (SVM). Модель будет проверена посредством k-кратной перекрестной проверки. При наличии удовлетворительных результатов будет использоваться недостаточная выборка каналов ЭЭГ (в соответствии с типичными настройками 10:20) для оценки того, может ли ЭЭГ с меньшим количеством электродов дать аналогичные прогностические результаты, тем самым уменьшая потребность в системах ЭЭГ с большим количеством электродов.