Maskininlärningsbaserade EEG-biomarkörer för personliga interventioner (EEG-INSIGHT)

Detta projekt syftar till att utveckla en artificiell intelligensmodell för att förutsäga svaret på en neuromodulationsbehandling (transkraniell likströmsstimulering, tDCS) för neuropatisk smärta (NP) efter ryggmärgsskada (SCI), baserat på elektroencefalografiska (EEG) signaler och kliniska bedömningar. Projektet består av två steg:

Steg 1 innebär en öppen studie där deltagare med SCI och NP kommer att få neuromodulationsbehandling på vårt center, med data insamlad före och efter behandlingen.

Utvärdering före behandling:

• Klinisk bedömning genom intervjuer och validerade frågeformulär riktade mot faktorer associerade med neuropatisk smärta, depression och andra relevanta komponenter.
• EEG-inspelning med en 64-kanals enhet (Brain Products GmbH, Tyskland). EEG kommer att spelas in i ett ljudisolerat rum med deltagare i vilande tillstånd, först med ögonen öppna i 5 minuter och sedan med slutna ögon i ytterligare 5 minuter. Deltagarna kommer att uppmanas att undvika alkohol 12 timmar innan och koffein 3 timmar före inspelningen.

Neuromodulationsbehandling:

• Behandlingsprotokollet omfattar 10 sessioner av icke-invasiv stimulering, vardera på 30 minuter.
• tDCS kommer att administreras med en batteridriven DC-stimulator (Sooma tDCS, Helsingfors, Finland) med 6 cm² saltlösningsmättade cirkulära elektroder.
• Anoden kommer att placeras över C3 (EEG 10/20-system) för att stimulera den primära motoriska cortex (M1) och katoden över det kontralaterala supraorbitala området (FP2).
• För asymmetrisk smärta kommer stimulering att appliceras på M1 kontralateralt till den mer smärtsamma hemikroppen. För symmetrisk smärta kommer den dominanta hemisfären (C3) att stimuleras.
• Maximal ström som levereras kommer att vara 2 mA (strömtäthet: 0,06 mA/cm²).
• Sessioner kommer att hållas en gång dagligen i två veckor (måndag till fredag), totalt 10 sessioner. Alla stimuleringsparametrar följer allmänna säkerhetsriktlinjer för transkraniell elektrisk stimulering.

Utvärdering efter behandling:

• Genomförs genom intervjuer och samma validerade frågeformulär som användes i bedömningen före behandlingen.

Som en del av interventionen kommer deltagarna att genomgå EEG-inspelning för att studera hjärnans bioelektriska aktivitet icke-invasivt. Aktiva ytelektroder med elektrodgel kommer att användas för att förbättra hudens ledningsförmåga. EEG-inspelningar kommer att göras i vila, med deltagare som tittar på en tom vägg i ett ljudisolerat rum, i 5 minuter med öppna ögon och 5 minuter med slutna ögon.

Steg 2 innebär att utveckla en prediktiv modell för att klassificera patienter baserat på deras svar på neuromodulationsbehandlingen. Modellen kommer att använda mått som härrör från EEG-inspelningar före behandling och kliniska bedömningar som utförs före och efter behandlingen, med målet att förutsäga vilka patienter som kommer att svara positivt på tDCS.

EEG-förbearbetning kommer att utföras med hjälp av programmeringsspråket Python, med hjälp av en skräddarsydd förbearbetningspipeline baserad på MNE-Python-biblioteket, inklusive: selektiv avvikande kanal- och segmenteliminering, frekvensfilter, övervakad automatiskt märkt oberoende komponentanalys för eliminering av muskulär och okulär aktivitet och detektering av bryggade elektroder.

EEG-inspelningarna kommer att analyseras med hjälp av mätvärden som härleds från frekvensen, komplexiteten och anslutningen av EEG-signalen. Dessa mätvärden valdes ut på grund av deras påvisade potential i relaterade publikationer, som belyser förmågan hos dessa funktioner att fånga skillnader mellan grupper, antingen mellan behandlingsrespondenter och icke-responderare, eller mellan friska försökspersoner och de som lider av NP, bland annat. Baserat på dessa EEG-egenskaper och andra egenskaper som härrör från patientenkäter kommer en funktionsvalsprocess baserad på metriskt oberoende och relevans i tidigare litteratur att utföras för att maximera modellens generaliserbarhet.

En modell för maskininlärning (ML), där huvudkandidatmodellen är en stödvektormaskin (SVM), kommer att användas för att klassificera mellan svarande och icke-svarare. Modellen kommer att valideras med hjälp av k-faldig korsvalidering. Givet tillfredsställande resultat kommer en undersampling av EEG-kanaler (som följer typiska 10:20-inställningar) att användas för att utvärdera om ett EEG med färre elektroder kan ge liknande prediktiva resultat, vilket minskar behovet av EEG-system med högt elektrodantal.