在阿尔茨海默病患者中确定tDCS治疗反应的生物标志物:使用静止状态EEG分类的机器学习方法
Suellen Marinho Andrade1, Leandro da Silva-Sauer1, Carolina Dias de Carvalho1
1Aging and Neuroscience Laboratory, Federal University of Paraíba, João Pessoa, Paraíba, Brazil.
Frontiers in human neuroscience
|October 20, 2023
概括
机器学习使用EEG识别了特定的大脑区域,以预测阿尔茨海默氏病 (AD) 患者对跨直流刺激 (tDCS) 和认知干预的反应,帮助个性化治疗策略.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物 生物标志物
- 机器学习在医学中的应用
背景情况:
- 阿尔茨海默氏症 (AD) 提出了一个重大挑战,跨直流刺激 (tDCS) 显示了治疗前景.
- 确定客观生物标志物来预测AD患者的tDCS疗效仍然是一个关键的未满足需求.
- 了解AD涉及的特定大脑区域对于有针对性的干预措施至关重要.
研究的目的:
- 为了确定与阿尔茨海默氏症 (AD) 有关的大脑区域.
- 利用监督机器学习算法来预测tDCS与认知干预相结合的神经生理结果.
- 根据先前的tDCS和认知结果,将患者分为响应者和非响应者.
主要方法:
- 一项涉及70名AD患者的干预试验记录了高分辨率电脑电图 (EEG).
- 分析光谱功率密度是在休息状态下,眼睛开时进行的.
- 使用随机森林分类器,对数据进行分区,用于k倍交叉验证.
主要成果:
- 确定了一种临床上具有歧视性的EEG生物标志物.
- 机器学习模型确定了四个关键的大脑区域 (FC1,F8,CP5,Oz,F7),可以预测tDCS反应.
- 这些区域与阿兹海默症患者的认知干预结果有关.
结论:
- 休息状态EEG特征提供了关于对tDCS和AD认知干预的认知反应可能性的宝贵见解.
- 确定的大脑区域显示出作为预测治疗反应的生物标志物的潜力.
- 这些发现可能有助于开发以患者为中心的治疗策略.
