静止状态EEG和机器学习研究皮质连接性作为慢性mTBI中的生物标志物

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
• 神经成像是一种神经成像.

背景情况:

• 轻度创伤性脑损伤 (mTBI) 带来了长期的挑战,但慢性诊断依赖于主观的措施.
• 目前的血液生物标志物主要在急性/次急性阶段有效,因此需要针对慢性mTBI的客观工具.
• 休息状态EEG (RS-EEG) 通过功能连接 (FC) 和微状态分析提供了对大脑网络功能的洞察,但其慢性mTBI实用性尚未得到充分探索.

研究的目的:

• 为了确定RS-EEG特征是否可以区分慢性mTBI与对照.
• 评估RS-EEG指标是否预测慢性mTBI中的症状负担.
• 评估RS-EEG衍生的FC的诊断和预后价值.

主要方法:

• 一项观察性病例控制研究包括44名参与者 (18例慢性mTBI,26例对照).
• 用多变量相互作用测量 (MIM) 来分析光谱功率,微状态指标和FC的源重建的RS-EEG数据.
• 机器学习模型 (弹性网,XGBoost) 分类损伤状态和预测症状严重程度,在减少电极安装上进行特征验证.

主要成果:

• 与对照组相比,慢性mTBI参与者在,β,玛和宽带频率上表现出显著升高的FC.
• 在光谱功率或微态度指标上没有观察到群体差异.
• 连接性改变在减少的组装中是强大的,在受伤后持续了长达八年,并显示出高分类性能 (受伤状态的AUC为0.79-0.89,症状严重程度为0.82-0.87).

结论:

• 来自RS-EEG的FC作为慢性mTBI的敏感,客观的生物标志物,将患者与对照区分开来.
• 升高的FC及其与症状严重程度的相关性表明受伤后持续的网络中断.
• 基于RS-EEG的FC是一种有希望的非侵入性和可扩展的工具,用于诊断慢性mTBI并评估症状负担.