Methodenartikel

Ereignisbezogene Potenziale (ERPs) und andere EEG-basierte Methoden zur Extraktion von Biomarkern der Hirnfunktionsstörung: Beispiele aus pädiatrischen Aufmerksamkeitsdefiziten/Hyperaktivitätsstörungen (ADHS)

DOI:

10.3791/60710

⸱

12. März 2020

 , 
1Neuropsychiatric Team, Åsebråten Outpatient Clinic, Østfold Hospital Trust, 2Institute of Psychology, Norwegian University of Science and Technology, 3Gillberg Neuropsychiatry Centre, University of Gothenburg, 4P. Bechtereva Institute of the Human Brain, Russian Academy of Sciences, 5Department of Neuropsychology, Andrzej Frycz-Modrzewski Krakow University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EEG-Methoden werden zur Extraktion von Biomarkern von Hirnfunktionsstörungen angewendet. Der Schwerpunkt liegt auf mehrkanaligen ereignisbezogenen Potenzialen (ERPs), die in einer GO/NOGO-Aufgabe aufgezeichnet wurden. Nicht-Gehirn-Artefakte werden korrigiert und ERPs werden mit den normativen Daten verglichen. Beispiele beziehen sich auf Biomarker für adhS-Diagnose und Vorhersage der Medikamentenreaktion.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Neuropsychiatrische Diagnosen wie ADHS basieren auf subjektiven Methoden wie Interviews, Bewertungsskalen und Beobachtungen. Es gibt einen Bedarf für mehr Gehirn-basierte Ergänzungen. Stimulanzien sind die häufigste Behandlung für ADHS. Klinisch nützliche Vorhersager der Reaktion wurden bisher nicht berichtet. Das Ziel dieses Papiers ist es, die EEG-basierten Methoden zu beschreiben, die wir anwenden, um potenzielle Biomarker für Diesamsier im Gehirn zu extrahieren. Beispiele beziehen sich auf Biomarker für pädiatrische ADHS, und Vorhersage der Medikamentenreaktion. Der Schwerpunkt liegt auf ereignisbezogenen Potenzialen (ErP).

Ein 19-Kanal-EEG wird während einer 3 min Augen geöffneten Aufgabe, einer 3 min Augen geschlossenen Aufgabe und einer 20 min cued visuellen GO/NOGO-Aufgabe (VCPT) aufgezeichnet. ERPs werden während dieser Aufgabe aufgezeichnet. Das Ziel des ERP-Protokolls ist es, Biomarker von angenommenen Hirnfunktionsstörungen zu extrahieren, die signifikant zwischen einer Patientengruppe und gesunden Kontrollen unterscheiden. Das Protokoll umfasst die Aufzeichnung unter Standardbedingungen und die Artefaktkorrektur. ERP-Wellen können verwendet oder in latente Komponenten umgewandelt werden. Die Komponenten der Patientengruppe werden mit Steuerelementen verglichen, wobei Komponenten, die im Vergleich relativ hohe Effektgrößen aufweisen, einfühlsam sind. Untergruppen der Patienten werden auf Basis der Clusteranalyse im Bereich der Komponenten ausgewählt. Das Behandlungsverfahren (z. B. Medikamente, tDCS oder Neurofeedback-Protokoll) kann angewendet werden und die Veränderungen der Komponenten im Zusammenhang mit der Behandlung in den Untergruppen werden beobachtet, die die Grundlage für klinische Empfehlungen bilden.

Die beschriebenen Methoden wurden in einer Studie mit 87 pädiatrischen ADHS-Patienten angewendet. Der Index der Medikationsreaktion unterschied signifikant zwischen Respondern und Nicht-Respondern mit einer großen und klinisch bedeutsamen Wirkungsgröße (d = 1,84). In einer laufenden Studie, in der ADHS-Kinder mit abgestimmten Kontrollen verglichen werden, unterscheiden mehrere Variablen signifikant zwischen Patienten und Kontrollen. Der globale Index überschreitet d = 0,8. Die hier beschriebenen EEG-basierten Methoden könnten klinisch sinnvoll sein.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Im Jahr 2008 wurde das von NIMH initiierte1 Projekt 1 "Research Domain Criteria" (RDoC) veröffentlicht, das darauf abzielte, einen biologisch gültigen Rahmen für das Verständnis psychischer Störungen zu finden. Im Jahr 2013 genehmigte die US Food and Drug Administration (FDA) den ersten EEG-basierten Biomarker von ADHS zur Beurteilung von ADHS bei Patienten im Alter von 6 bis 17 Jahren. Das Neuropsychiatrische EEG-Based Assessment Aid (NEBA) System zeichnet EEG für 15-20 min auf. Es basiert auf der Berechnung des Theta/Beta-Verhältnisses, das bei Kindern und Jugendlichen mit ADHS höher ist als bei typischerweise entwickelnden Kindern2. Jüngste Veröffentlichungen stellen fest, dass dieses Verhältnis nicht alle ADHS3erfasst.

Eine große Anzahl von Publikationen in der klinischen Neurowissenschaft zeigen, dass beeinträchtigte kognitive Kontrolle ein gemeinsames Merkmal vieler psychiatrischer Störungen wie ADHS, Schizophrenie, Depression und OCD4,5darstellt. Theoretisch besteht die kognitive Kontrolle aus hypothetischen Operationen, die es den Menschen ermöglichen, sich flexibel an Ziele und Kontexte anzupassen. Zwei verschiedene Kategorien der kognitiven Kontrolle, proaktive und reaktive Kontrolle, wurden beschrieben6. Unser Hauptaugenmerk liegt auf dem reaktiven Modus der kognitiven Kontrolle. Proaktive kognitive Steuerung umfasst Arbeitsgedächtnis (d. h. die Aufrechterhaltung sensorischer und motorischer Ereignisse für Sekunden). Reaktive kognitive Kontrolle umfasst Überwachung, Erkennung von Konflikt7,8und Aktionshemmung (zur Überprüfung siehe9,10).

Das GO/NOGO-Paradigma ist empfindlich gegenüber kognitiver Kontrolle11,12,13,14,15. GO-Reize entlocken positive Fluktuationen aus parietalen Hirnbereichen. (P3 GO). Die anterior verteilten positiven N2- und P3-NOGO-Wellen, ausgelöst durch NOGO-Reize, sind mit der Erkennung von Konflikt- und Aktionshemmungen16,17,18,19verbunden. Die N2-Welle wurde als Indikator für die Hemmung der Aktion verstanden, aber aktualisierte Forschung zeigt, dass die N2-Welle mit seltenen GO-Reizen und der Erkennung von Konflikt20verbunden ist. Die Aktionshemmung ist mit der P3 NOGO-Welle an frontal-zentralen Standorten verbunden.

Die Dichotomie N2/P3 ist möglicherweise nicht korrekt. Es wurde durch die Ansicht in Frage gestellt, dass ERP-Wellen, insbesondere solche, die kognitive Kontrolle darstellen, Summen mehrerer Quellen sind, die sich an Orten und der Zeit14,21überschneiden können.

Um die Quellen von ERP-Wellen zu entwirren, wurden mehrere Methoden der blinden Quellentrennung verwendet15,22,23,24. In Studien am Institut für das menschliche Gehirn, St. Petersburg, N2d NOGO Welle wurde zersetzt. Versteckte Komponenten wurden erkannt. Diese Komponenten hatten unterschiedliche Topographien und funktionale Bedeutungen. Nur einer von ihnen war mit der Erkennung von Konflikt14,15,25,26verbunden. In den meisten Erwachsenenstudien von ADHS, P3 NOGO ist kleiner im Vergleich zu abgestimmten gesunden Kontrollen27,28,29,30,31,32.

Die Gehirnoperationen, die während der Aufgaben der kognitiven Kontrolle stattfinden, scheinen nicht richtig durch die N2/P3-Dichotomie erklärt zu werden, wenn ERPs in GO/NOGO-Paradigmen analysiert werden14,15. Es wurden mehrere Ansätze verwendet, die darauf abzielen, verborgene Komponenten von ERP-Wellen zu entwirren (siehe21). Einige Studien haben unabhängige Komponentenanalyse (ICA) für ERPs in Patientengruppen wie Patientenmitschizophrenung29und Erwachsene mit ADHS33,34, versucht, Patienten von Kontrollen ohne Diagnosen zu unterscheiden.

In (Yeredor, 2010,25 S.75) wird eine neue Methode vorgeschlagen und für ERPs angepasst. Es ist eine Methode der blinden Quellentrennung, basierend auf einem Verfahren der gemeinsamen Diagonalisierung von Kreuzvarianz-Matrixen. Um die funktionellen Bedeutungen solcher latenten Komponenten zu untersuchen, die diese Methode im GO/NOGO-Paradigma anwenden, wurde kürzlich eine Studie des Institute of the Human Brain implementiert26. In dieser Studie wurden die Aktionsinhibitionsoperationen und die Konflikterkennungsoperationen unabhängig durch Modifikationen der CUed GO/NOGO-Aufgabe manipuliert. Es wurde eine versteckte Komponente gefunden, die die Erkennung von Konflikten widerspiegeln soll. Eine N2-ähnliche Reaktion und frontale Topographie charakterisierten diese Komponente35. In Studien, die eine Hemmung vorbereiteter Aktionen erforderten, wurde eine zentrale Topographie und eine P3-ähnliche Reaktion beobachtet.

In dieser Veröffentlichung haben die berichteten Studien die traditionelle ERP-Methode verwendet. Die Anwendung von ICA oder das Verfahren der gemeinsamen Diagonalisierung von Kreuzvarianzmatrixen25 (Seite 75) wurde bisher nicht durchgeführt. Im Allgemeinen stimmen die Ergebnisse, die auf den verschiedenen Methoden basieren, überein, aber die Methoden zur Entdeckung latenter Komponenten scheinen eher mit unterschiedlichen neuropsychologischen Funktionen verbunden zu sein. Ziel dieses Beitrags ist es, eine detaillierte Beschreibung der WinEEG-Methode zu bieten. Der Fokus liegt auf ERPs, aber auch EEG-Spektren und Verhaltensdaten aus der GO/NOGO-Aufgabe sind in den beschriebenen Studien zur Veranschaulichung der WinEEG-Methode enthalten.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die im Protokoll beschriebenen Geräte sind von den Krankenhausbehörden ethisch anerkannt und werden für klinische Zwecke verwendet. Das Regionalkomitee für Medizinische Forschungsethik billigte die beschriebenen Projekte.

1. Hardware und Software für ERPs-Aufzeichnung

  1. Verwenden Sie Verstärker (z.B. Mitsar 201) zur EEG-Verstärkung nach Herstellerprotokoll. WinEEG-Software und zwei miteinander verbundene Computer werden benötigt: der Hauptcomputer für EEG und Tastendruckaufnahme und der Vom Hauptrechner gesteuerte Slave-Computer zur Stimulus-Präsentation.
  2. Verwenden Sie Kappen mit 19 Elektroden, die gemäß dem internationalen 10-20-System auf den Kopf gelegt werden.
    HINWEIS: Die benötigte Ausrüstung, Kappen, Elektroden, Gel usw. können von mehreren Herstellern bezogen werden.
  3. Stellen Sie Patienten/Patienten in einen bequemen Stuhl in einem schallisolierten Raum ohne Hintergrundbeleuchtung.
  4. Verwenden Sie die Referenzmontage (Ref), die standardmäßig ist. Für spätere Vergleiche mit der HBi-Datenbank; Montage in den gemeinsamen Durchschnitt (Av) ändern.

2. Kompetenz und Bildung

  1. Sicherstellen, dass alle an der Registrierung von EEG, der Interpretation der Daten, der klinischen Nutzung und der Forschung Beteiligten über den erforderlichen beruflichen Hintergrund und eine spezifische Schulung im Einsatz von WinEEG verfügen müssen.

3. Information der Patienten/Teilnehmer

  1. Informieren Sie die Patienten/Patienten, dass das Verfahren nicht gefährlich ist und nicht weh tut.
    HINWEIS: Die Spritze, die benötigt wird, um die 19 Löcher mit Gel zu füllen, ist nicht scharf.
  2. Informieren Sie die Kinder, dass die Forscher ihre Meinung nicht lesen können. Sagen Sie ihnen, dass in jedem Gehirn eine elektrische Aktivität stattfindet. Um es zu lesen, brauchen die Forscher diese Ausrüstung. Es gibt nichts mit dem Gehirn, aber die Forscher wollen sehen, wie es funktioniert, wenn es sich entspannt, und wenn es sich um eine Aufgabe kümmern muss.
  3. Lassen Sie die Ausrüstung für 10 min an Ort und Stelle.
    HINWEIS: Während dieses Zeitraums können die jüngsten Kinder eine Karikatur ansehen, wenn sie wollen. Manchmal ist ein Elternteil still im hinteren Teil des Raumes anwesend, bis sich das Kind sicher fühlt.
  4. Informieren Sie das Motiv, dass der Test etwa eine Stunde dauert. Wenn das Gerät richtig platziert ist, sagen Sie dem Motiv, mit geschlossenen Augen für 3 min zu entspannen, gefolgt von 3 min entspannt mit offenen Augen.

4. Erstellen der EEG-Datendateien

HINWEIS: WinEEG verfügt über eigene Einbaudatenbanken separat zum Speichern von EEG-Rohdateien (Erweiterung - .eeg), EEG-Spektren (Erweiterung - .spec) und ERP-Dateien (Erweiterung - .erp). Die Datenbanken werden automatisch erstellt und zunächst in WinEEG/Daten, WinEEG/spec und WinEEG/erp Ordnern gespeichert.

  1. Um eine Sitzung mit einem Patienten zu starten, erstellen Sie eine entsprechende EEG-Datendatei, indem Sie auf das Menü Datei | Neu. Die Karte des Patienten wird auf dem Bildschirm angezeigt.
    HINWEIS: Es wird das folgende Format verwendet: Geben Sie den Namen oder den Code der zu testenden Person ein. Setzen Sie das Geburtsdatum ein (DD. Mm. YYYY) und M oder F für Sex. Verwenden Sie die anderen offenen Felder auf der Patientenkarte nach Bedarf.

5. Vorbereitung der Ausrüstung

  1. Verwenden Sie das kleine farbcodierte Band, um den Umfang des Kopfes zu messen, um die richtige Größe der Kappe zu finden. Verwenden Sie ein kleines Pflaster, um Öl von Ohrläppchen und Stirn abzuwischen. Messen Sie den Nasion-Inion-Abstand (z.B. 35 cm). Die Mitte der frontalen Polelektroden sollte auf eine horizontale Linie 10% dieses Abstandes über der Nasion fallen (z.B. 3,5 cm).
    HINWEIS: Das Haar des Patienten muss sauber (ohne Haarprodukte usw.) und trocken sein.
  2. Legen Sie etwas Haut-Prep-Gel (z.B. Neuprep) auf die Ohrläppchen. Füllen Sie die Ohrelektrodenbecher mit leitfähigem Elektrogel (z.B. Ten20) und setzen Sie die Ohrelektroden auf. Stellen Sie sicher, dass die anderen Enden dieser Kabel mit dem Verstärker verbunden sind.
  3. Sagen Sie dem Subjekt, dass die Ohrläppchenelektroden die "Lärm-Elektrizität" im Raum erfassen, und dass diese vom Strom des Kopfes abgezogen wird, um zu sehen, was vom Kopf ohne Lärm kommt.
  4. Platzieren Sie die Kappe symmetrisch auf dem Kopf, wobei die frontalen Polelektroden wie oben beschrieben platziert sind. Ziehen Sie die Kappe so weit wie möglich nach unten, um zu sichern, dass sie sich in der Nähe des Kopfes befindet.
  5. Legen Sie den Bund um die Brust und befestigen Sie die Druckknöpfe, die mit der Kappe an diesem Band verbunden sind. Dadurch werden Bewegungen der Kappe und der Elektroden während der Prüfung verhindert.
  6. Schließen Sie das Kappenkabel und die Ohrkabel an den Verstärker an. Mischen Sie nicht das linke und rechte Ohr.
  7. Klicken Sie auf die WinEEG-Menüsteuerung des Impedanzsymbols. Ein vereinfachter Kopf mit allen Elektroden erscheint. Zweitens füllen Sie die Spritze mit Gel und verwenden Sie sie, um alle Elektrodenlöcher zu füllen. Impedanz ist OK, wenn die schwarzen Kreise gelb sind.
    HINWEIS: Füllen Sie alle Löcher, bevor Sie mit jeder Elektrode arbeiten, um die richtige Impedanz zu sichern. Verwenden Sie einen dünnen Holzstab, um dem Gel zu helfen, die Haut des Kopfes zu erreichen, was eine Voraussetzung für die Erfassung der elektrischen Gehirnaktivität ist.
  8. Beginnen Sie die Registrierung, wenn alle 20 Löcher eine gelbe Farbe auf dem Bildschirm haben und der Farbunterschied zwischen den einzelnen Bohrungen klein ist.
  9. Beginnen Sie mit der Überwachung des EEG-Datensatzes. Klicken Sie auf den grünen Pfeil (EEG-Überwachung).
    HINWEIS: Wenn die rohen EEG-Signale aller 19 Elektroden zu sehen sind, bitten Sie sie, ihre Augen zu blinken und auf die großen Veränderungen an frontalen Stellen hinzuweisen. Diese Artefakte können automatisch entfernt werden. Die Qualität der Registrierung hängt von entspannten Kiefern, Augen und Stirn ab, und dass alle Arten von Kopf- und Körperbewegungen so weit wie möglich vermieden werden müssen.

6. Registrierungen von "Augen geschlossen" und "Augen geöffnet"

  1. Sagen Sie dem Motiv, sich im bequemen Stuhl mit geschlossenen Augen für 3 min zu entspannen. Vor dem Start "Augen geöffnet" sagen sie ruhig für 3 min mit ihren Augen geöffnet auf dem Bildschirm vor ihnen ruhen.
  2. Drücken Sie den roten Kreis (EEG erwerben) auf der Menüzeile neben der Taste "Steuerung der Impedanz".
  3. Wählen Sie "Augen geschlossen" oder "Augen geöffnet", indem Sie das nächste Icon-Dropdown-Menü drücken. Damit wird die Registrierung gestartet. Die verstrichene Zeit in Sekunden ist über den EEG-Kurven zu sehen.
  4. Drücken Sie den Pausenknopf (nicht "speichern", da dies weitere Registrierungen in derselben Datei unmöglich macht) nach 180 s. Bitten Sie sie, ihre Augen zu öffnen (oder sie zu schließen, wenn die Augen geöffnet war der erste Teil). Fahren Sie mit der Registrierung fort. Nach 3 min anhalten und speichern.
    HINWEIS: Wenn sie nicht gespeichert werden, gehen beim Erstellen einer neuen Datei Daten verloren.

7. Vorbereitungen für EEG-Aufnahmen im GO/NOGO-Einsatz

  1. Legen Sie einen speziellen USB-Dongle in den richtigen Anschluss ein, bevor Sie eine EEG-Aufnahme starten. Ein kleines Licht auf dem Dongle zeigt an, dass das System funktioniert.
  2. Geben Sie dem Motiv einen speziellen Knopfschalter in seiner rechten Hand. Es ist notwendig, um einen Test abzuschließen, der etwa 20 min dauert.
  3. Öffnen Sie das Aufgabenmenü und wählen Sie VCPT auf dem Slave-Computer vor dem Patienten/Teilnehmer.
    HINWEIS: Auf dem Bildschirm des Slave-Computers wird ein Anleitungsfenster mit allen vier Bildkombinationen angezeigt: (Tier-Tier (a-a), Tierpflanze (a-p), Pflanzenpflanze (p-p) und Pflanzenmensch (p-h). (Abbildung 1). Die Reize werden auf einem 17-Zoll-Computerbildschirm präsentiert, 1,5 Meter vor den Probanden. Der am Kopf des Motivs gemessene Ton muss 70 dB betragen.
  4. Weisen Sie das Motiv an, dass die Bilder paarweise kommen, auf das erste Bild folgt das zweite in 1 s. Nach 3 s wird ein neues Paar gestartet.
  5. Weisen Sie das Motiv darauf hin, dass die linke Maustaste jedes Mal gedrückt werden muss, wenn die a-a-Kombination angezeigt wird. In a-a-Kombinationen sind die beiden Tiere immer identisch.
  6. Informieren Sie das Thema so präzise wie möglich, aber auch schnell. Das Motiv sollte die Maustaste nicht auf a-p-, p-p- oder a-h-Kombinationen drücken.
  7. Weisen Sie das Subjekt an, die zufälligen Töne in p-h-Kombinationen zu ignorieren.
  8. Drücken Sie die Eingabe auf dem Slave-Computer und führen Sie die Aufgabe für ca. 2-5 min aus, um das Motiv zu trainieren, bis er/sie richtig versteht.
  9. Wählen Sie auf dem Slave-Computer die Option "Schalter in den Slave-Modus".
    HINWEIS: Die Aufgabenpräsentation wird nun vom WinEEG-Programm auf dem Hauptcomputer verwaltet.

figure-protocol-1
Abbildung 1: VCPT: Visueller kontinuierlicher Leistungstest. Abbildung 1 zeigt die vier Bedingungen des VCPT. 100 Versuche jeder Bedingung werden zufällig vorgestellt. Die Gesamttestzeit beträgt 20 min. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

8. EEG- und Tastendruckaufzeichnungen im Aufgabenzustand

  1. Starten Sie die EEG-Überwachungsoption auf dem Hauptcomputer aus dem Aufnahmemenü, um zu überprüfen, ob das System ordnungsgemäß funktioniert.
  2. Starten Sie die EEG-Erfassungsoption über das Aufnahmemenü in der Hauptmenübox des Computers. Stimuli Präsentation Programm Option wird hervorgehoben. Wählen Sie VCPT und starten Sie die Reizpräsentationen auf dem Slave-Computer.
    HINWEIS: Jedes Mal, wenn die linke Maustaste gedrückt wird, ist unter den EEG-Kurven eine rote Markierung zu sehen. Es gibt zwei Zeilen, eine für die linke und eine für die rechte Maustaste.
  3. Stellen Sie fest, dass die roten Markierungen nicht auf der untersten Zeile angezeigt werden, da dies darauf hinweist, dass sie die rechte Schaltfläche verwendet haben. Verwenden Sie die Pause-Taste und sagen Sie dem Betreff, die linke Maustaste zu verwenden.
  4. Überwachen Sie die EEG-Registrierung und notieren Sie Vorfälle von potenziellem Interesse. Wenn zu viele Artefakte, im Zusammenhang mit Muskeln oder Bewegungen, beobachtet werden; halten Sie die Registrierung und erinnern Sie das Thema zu entspannen und still sitzen. Fahren Sie mit der Registrierung fort.
    HINWEIS: Die EEG-Registrierung während der Aufgabe dauert 20 min und besteht aus 400 Paaren von Bildern; 100 von jedem Paar; a-a, a-p, p-p und p-h. Die Paare werden in zufälliger Reihenfolge dargestellt. (Siehe Abbildung 1).
  5. Machen Sie eine kurze Pause nach jeder 100 Paar. Drücken pause Sie die Pause-Taste. Wenn sie auf dem Stuhl sitzen, ermutigen sie, ihre Arme und Beine zu strecken und ihre Gesichtsmuskeln zu lockern. Bieten Sie etwas zu trinken. Fahren Sie mit der Registrierung nach ein oder zwei Minuten fort.

9. Ende der Registrierung

  1. Beenden Sie die Registrierung, wenn alle 400 Versuche abgeschlossen sind, indem Sie Recording | Stoppen.
    HINWEIS: Durch Drücken der Option Dateispeichern wird die Datei mit dem aufgezeichneten Roh-EEG- und Taste-Druckkanal in der integrierten Datenbank gespeichert.
  2. Sagen Sie dem Probanden, so lange sitzen zu bleiben, bis der Forscher die Kappe, das Taillenband und die Ohrelektroden entfernt.
    HINWEIS: Normalerweise gibt es kein Gel im Haar, wenn dies abgeschlossen ist. Entfernen Sie Gel mit einem Papiertuch. Die meisten Patienten/Teilnehmer ziehen es vor, ihre Haare zu waschen, wenn sie wieder zu Hause sind, aber es sollte eine Option geben, um ihre Haare direkt nach der Registrierung zu waschen.
  3. Vielen Dank an das Betreff für die Erfüllung der Aufgabe. Fragen Sie sie, die VCPT (1-10 Skala) zu bewerten, Wie langweilig? Wie anstrengend? Teilen Sie ihnen je nach Vereinbarung mit, wie es mit den Testergebnissen weitergeht.

10. Reinigung

  1. Reinigen Sie die Ohrelektroden (tauchen Sie in heißes Wasser), und Kappe so schnell wie möglich. Wasser, Seife und eine weiche Bürste werden benötigt. Überprüfen Sie alle Löcher, um zu sehen, dass Gelreste entfernt werden, bevor die Kappen irgendwo zum Trocknen aufgehängt werden.

11. Vorverarbeitung des EEG-Datensatzes

HINWEIS: Drei verschiedene Elektrodenmontagen sind in der HBIdb-Software vorgesehen. Sie sind: verknüpfte Ohrreferenz (als Ref gekennzeichnet), gemeinsame durchschnittliche Referenz (als Av gekennzeichnet) und lokale Durchschnittsreferenz (als Aw gekennzeichnet). Wählen Sie Montage aus Montageliste im SETUP-Menü aus. EEG wird in Ref. Change to Av aufgezeichnet, bevor die Artefaktkorrektur gestartet wird.

  1. Entfernen Sie Augenbewegungsartefakte, indem Sie ein Verfahren der räumlichen Filtration anwenden.
    HINWEIS: Die räumlichen Filter werden durch Anwendung der unabhängigen Komponentenanalyse (ICA) auf ein ausgewähltes EEG-Fragment erhalten. Das Fragment muss mindestens 90 s Rohdaten enthalten.
  2. Wählen Sie das EEG-Fragment aus, indem Sie auf die linke Maustaste auf der Zeitleiste am Anfang des Fragments klicken und auf die rechte Schaltfläche auf der Zeitleiste am Ende des Fragments klicken. Das gesamte Fragment nach der Auswahl wird durch gelbe Farbe hervorgehoben.
    HINWEIS: Die Artefaktkorrektur wird implementiert, indem Sie die Artefaktkorrekturoption im Menü Analyse auswählen. Das Fenster mit dem Namen Räumliche FilterparameterSchätzung wird auf dem Bildschirm angezeigt.
  3. Wählen Sie die ICA-Methode aus, um die einzelnen Spektren und ERPs mit der HBI-Referenzdatenbank vergleichen zu können.
    HINWEIS: Das Vorkalkulationsfenster für räumliche Filterparameter wird angezeigt. Von links nach rechts: 1) ein Fragment rohen (unkorrigierten) Mehrkanal-EEG, 2) ein Fragment korrigierter EEG, 3) Wellenform korrigierter Artefakte, 4) Zeitkurse extrahierter ICA-Komponenten (von oben nach unten) und 5) Topographien der unabhängigen Komponenten.
  4. Wählen Sie die Topographien aus, die mit Augenblinzeln und horizontalen Augenbewegungen verbunden sind. Akzeptieren, indem Sie auf OKklicken.
  5. Implementieren Sie die Prozedur mit dem Namen Artefakte markieren, indem Sie im Menü Analyse auf die Option Artefakte markieren klicken.
    HINWEIS: Dadurch werden langsame und hochfrequente Fragmente zurückgewiesen: EEG-Fragmente, die durch Nicht-Augen-Bewegungsartefakte kontaminiert sind (Episoden von Muskelverspannungen, Kopfbewegungen usw.), werden von der weiteren Analyse ausgeschlossen. In einigen komplexen Fällen kann die manuelle Artefaktabweisung das beschriebene Verfahren ergänzen.

12. Berechnung von EEG-Spektren

  1. Wählen Sie EEG-Spektren und Fragment-Augen geschlossen oder Augen geöffnet aus dem Menü Analyse. Wenn die Standardeinstellungen wie in Abbildung 2 dargestellt sind, drücken Sie OK.
    HINWEIS: Spektren sind in Abbildung 3 für alle 19 Standorte dargestellt. Die x-Achse ist Frequenz in Hertz (Hz) und die y-Achse ist Leistung in Mikrovolt (V).
  2. Wählen Sie Analyse | Vergleich der Ergebnisse zum Vergleich der einzelnen Spektren mit der Datenbank. Wählen Sie im linken Fenster den Patienten/Dentum. Wählen Sie im rechten Fenster die Datenbankdatei (oder eine andere geöffnete Datei) aus und drücken Sie zum Vergleich AUF OK. Es wird ein Bild mit dem Unterschied zwischen dem Betreff und der Datenbank angezeigt.
    HINWEIS: Spektren zeigen die quadrierte mittlere Leistung der Frequenzen von 0 Hz bis 30 Hz an. (Frequenzen unter 1,5-2 Hz sollten mit Vorsicht interpretiert werden, da sie oft von Artefakten beeinflusst werden). Die Interpretation von Spektren geht über den Rahmen dieses Protokolls hinaus. Paroxysmale von potenziellem klinischem Interesse erscheinen möglicherweise nicht in Spektren, können aber im rohen EEG gesehen werden.

figure-protocol-2
Abbildung 2: Berechnung von EEG-Spektren. So berechnen Sie Spektren: Klicken Sie auf Analyse | Spectra. Wenn die Einstellungen korrekt sind, wird das in Abbildung 2 dargestellte Bild angezeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-3
Abbildung 3: EEG-Spektren mit 19 Elektroden. Abbildung 3 zeigt EEG-Spektren an 19 Standorten. Die x-Achse ist Frequenz von 0-30 Hz. Die y-Achse ist die Leistung in .V2. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

13. Berechnung ereignisbezogener Potenziale (ERPs)

HINWEIS: Ereignisbezogene Potenziale (ERPs) werden durch eine Mittelungsprozedur berechnet. Nur korrekte Versuche sind enthalten. ERPs werden nach Abschluss der oben beschriebenen Vorverarbeitung berechnet. Der Goldstandard für die Berechnung von ERPs besteht darin, die Anzahl der durchschnittlichen Studien über 50 zu halten.

  1. Wählen Sie eine EEG VCPT-Datei in gemeinsamer Durchschnittsmontage (Av). Klicken Sie im Menü Analyse auf ERP berechnen.
    HINWEIS: Wenn der HBdb-Dongle nicht mit dem Computer verbunden ist oder aus irgendeinem Grund nicht aktiviert ist, erlaubt der HBdb dem Benutzer, die EEG-Dateien zu lesen und vorzuverarbeiten, erlaubt aber NICHT, Spektren und ERPs mit der Datenbank zu berechnen.
  2. Klicken Sie auf OK. Es wird ein Fenster mit Parametern von ERP-Berechnungen angezeigt (Abbildung 4).
    HINWEIS: Wie in Abbildung 4dargestellt, sind die Parameter wie folgt: Testgruppen: 1: a-a GO; 2: a-p NOGO; 3: p-p (Ignore-Versuche); 4: p-h (Neuheitsversuche); sowie 5: + bedeutet, dass alle Versuche mit der Präsentation von a begonnen haben; und 6: - d.h. alle Versuche begannen mit der Präsentation von p. Darüber hinaus werden die ERP-Differenzwellen angezeigt.
  3. Klicken Sie auf OK. Die ERPs für die analysierte Datei werden im ERP-Fenster(Abbildung 4) berechnet und grafisch dargestellt.
    HINWEIS: Das ERP-Fenster besteht aus 19 Diagrammen von ERPs für jede Vorgangsbedingung: a-a GO, a-p NOGO, p-p, p-h. Nur a-a GO und a-p NOGO sind in Abbildung 4dargestellt. In jedem Graphen: X-Achse ist Zeit in ms., Y-Achse ist Spannung in V. Abbildung 4 zeigt die Ergebnisse der Anpassung des Darstellungsformulars. Es werden nur Testkategorien a-a GO, a-p NOGO ausgewählt (GO ist in grüner Farbe dargestellt, NOGO ist in roter Farbe dargestellt). Die Skala wird bei 12 V ausgewählt. Das Zeitintervall wird aus 1400 ms ausgewählt; die Zeit der Präsentation von Stimulus 2 wird mit einer Dauer von 700 ms ausgewählt.
  4. Um die Welle für Event Related Potentials (ERPs) zuzuordnen, klicken Sie auf die rechte Maustaste zur ausgewählten Zeit (entlang der X-Achse)in einem beliebigen Diagramm, lassen Sie sie dann los und wählen Sie die Option Karte hinzufügen für das geöffnete Menü aus. Die entsprechenden Karten werden unten auf der Seite angezeigt.

figure-protocol-4
Abbildung 4: Parameter der ERP-Berechnungen. Abbildung 4 zeigt die ERP-Komponenten a-a GO (grün) und a-p NOGO (rot) an 19 Standorten. Das Zeitintervall beträgt 1400 ms bis 2100 ms. A-a GO ist am deutlichsten auf der Seite Pz und a-p NOGO bei Cz zu sehen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

14. Registrierung und Vergleich von Verhaltensdaten in VCPT

  1. Klicken Sie auf die rechte Maustaste im Fenster mit ERPs und wählen Sie Gruppeninformationen aus, um die Anzahl der Auslassungen (verpasste Schaltflächenklicks), Provisionen (impulsive Extraklicks, mittlere Reaktionszeit (RT) für a-a-GO und RT-Variabilität anzuzeigen.
  2. Wählen Sie Analysen | Vergleich der Ergebnisse. Markieren Sie die Datei des Betreffs im linken Fenster und die Vergleichsdatei im rechten Fenster. Klicken Sie auf OK.
    HINWEIS: Wir verwenden altersbasierte Papiertabellen, die die Perzentile für diese Variablen in der Normgruppe anzeigen.

15. Vergleich von ereignisbezogenen Potenzialen (ERPs) mit der Referenzdatenbank

HINWEIS: Das Zeitintervall, das für den Vergleich von Interesse ist, wird durch Eingabe der entsprechenden Zahlen im Menü definiert: Zeitintervall von (ms), Dauer (ms). ERPs können selektiv für bestimmte Kategorien von Versuchen (z. B. a-a GO, a-p NOGO, p-p, p-h) dargestellt werden, indem das entsprechende Diagramm aus dem Menü Aktive Gruppen oben im ERP-Fenster ausgewählt wird.

  1. Wählen Sie Vergleich der Ergebnisse aus dem Menü Analyse aus. Klicken Sie im linken Fenster auf den Patienten/Thema und im rechten Fenster auf den HBIdb.
    ANMERKUNG: Um das Motiv mit z. B. einer vorherigen Registrierung zu vergleichen, öffnen Sie die alte Datei und wählen Sie diese anstelle von HBIdb). Das ERP-Vergleichsfenster wird angezeigt. Dieses Fenster zeigt die Differenz ERP-Welle in V. Subject-Mean Reference wird für jeden Kanal berechnet.
  2. Drücken Sie die rechte Maustaste zu einem Zeitpunkt von Interesse und an einem Kanal von Interesse, um das Signifikanzniveau der Abweichung von der Referenz zu erhalten. Die entsprechenden Werte werden am unteren Rand des Fensters angezeigt, die die Differenz in V, den ausgewählten Zeitpunkt und den p-Wert anzeigen.
    HINWEIS: Das Präsentieren von Differenzwellen mit Konfidenzniveaus ist eine verfügbare Option. Die blaue Linie unter den Diagrammen zeigt die Konfidenzgradabweichung von der für jeden Kanal und jeden Zeitpunkt für die Gruppe 3 berechneten Referenz.
  3. Wählen Sie Gruppen für ERP-Differenz aus, indem Sie auf den Pfeil bei 1 (erPs der Einzelnen) klicken. Wählen Sie a-a GO [1]. Für referenzielle ERPs klicken Sie auf 2. Wählen Sie a-a GO [2]. Klicken Sie auf 3 und a-a GO [D], um den Unterschied (1-2) zu sehen. Aktive Gruppe 4: Wählen Sie in diesem Menü Keine aus.
  4. Definieren Sie das Zeitintervall von Interesse, indem Sie die entsprechenden Zahlen im Menü eingeben (oder auswählen): Zeitintervall von (ms), Dauer (ms) (z. B. 1400, 700, um ERPs als Reaktion auf den zweiten Stimulus zu analysieren).
  5. Setzen Sie den Cursor zu einem Zeitpunkt und Kanal von Interesse und klicken Sie auf die rechte Maustaste und wählen Sie Karte hinzufügen aus dem Pop-Out-Menü. Eine Karte mit der Abweichung von der Referenz wird angezeigt.
    HINWEIS: Vergleicht man unabhängige Komponenten von EVENT Related Potentials (ERPs) mit der Referenzdatenbank und bietet die Software die Möglichkeit, einzelne ERPs in unabhängige Komponenten zu zerlegen. Die Komponenten sind mit ausgeprägten psychologischen Operationen verbunden.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Vorhersage der Medikationsreaktion bei pädiatrischem ADHS
ADHS ist eine häufige neuropsychiatrische Erkrankung der Kindheit36. Es ist gekennzeichnet durch Symptome der Unaufmerksamkeit begleitet von Symptomen der Hyperaktivität und Impulsivität. Beeinträchtigungen in Schule, Haus und Freizeit sind häufig. Bei Kindern im Schulalter liegt die geschätzte Prävalenz bei 5 bis 7 %. Komorbiditäten sind häufig. Medizinische Behandlung, mit Stimulanzien auf Basis von Methylphenidat (MPH) oder Dextroamphetamin (DEX), sind weit verbreitet. Positive Effekte von Stimulanzien (Reduktionen der Unruhe, Hyperaktivität und Impulsivität und verbesserte Aufmerksamkeit) werden bei 70% der Patienten berichtet. Der Wechsel von Medikamenten auf Basis von MPH zu DEX kann positive Effekte auf 80%37,38erhöhen. Frontal-Striatal-Schaltungen scheinen durch Stimulanzien39aktiviert zu werden.

Es gibt keine allgemein akzeptierte Definition einer Medikamentenreaktion, die klinisch sinnvoll ist. Das Anwenden von Bewertungsskalen, der Vergleich von Basiswerten mit Denkwerten ist die am häufigsten verwendete Methode. In einigen Studien wird eine Verringerung der Punktzahlen um 25 % oder 50 % als Definition der Antwort verwendet. In anderen Studien werden Werte von nicht mehr als 1 SD über dem Bevölkerungsdurchschnittverwendet 40,41. Klinisch wird eine Gesamtentscheidung auf der Grundlage aller relevanten verfügbaren Daten verwendet. Zur Bewertung von Nebenwirkungen, wie Appetitlosigkeit, Schlaflosigkeit, erhöhte Reizbarkeit, oder Angst, ist wichtig37,42.

Die Verwendung von Bewertungsskalen kann aus mehreren Gründen kritisiert werden. Kleine Korrelationen (0,30-0,50) zwischen Lehrer- und Elternergebnissen werden in mehreren Studien berichtet48. Die Suche nach klinisch nützlichen Prädiktoren der Reaktion wird durch eine große Anzahl von Nicht-Respondern motiviert, Informanten, die nicht einverstanden sind, und die Tatsache, dass jeder einige bescheidene Effekte der verbesserten Aufmerksamkeit haben kann, wenn kleine Dosen von Stimulanzien verwendet werden. Veröffentlichte Forschungen zu Dentoren des Ansprechens umfassen ADHS-Subtyp, Demografie, Komorbide Störungen, Genvariablen, Ergebnisse auf Bewertungsskalen, neuropsychologische Testergebnisse und EEG/ERP-Variablen43,44,45,46. Unsere Publikation47 aus dem Jahr 2016 fasst Studien zusammen, die ERPs zur Vorhersage der Medikamentenreaktion angewendet haben.

In früheren Studien analysieren wir d-Daten aus der cued visual GO/NOGO-Aufgabe (d.h. Aufmerksamkeitstestdaten, EEG-Spektren und ERPs). In einer Studie fanden wir 3 Variablen, die signifikant zur Vorhersage von Nebenwirkungen beitragen. Diese Variablen wurden zu einem Index kombiniert, der als klinisch aussagekräftig galt42. In einer Studie über klinische Wirkungen, die die gleichen Methoden anwenden, wurde der Vorhersageindex auch als klinisch nützlich angesehen48. Die Wirkung einer Einzeldosis von Stimulanzien auf Medimulans (REs) und Nicht-Responder (Nicht-REs) wurde in einer dritten Studie untersucht47. Der Testwurde wurde zweimal abgeschlossen, der erste Test ohne Medikamente und der zweite Test eine Stunde nach Erhalt einer Testdosis. Basierend auf Bewertungsskalen und Interviews nach einer vierwöchigen Medikationsstudie wurden die Patienten als REs oder Nicht-REs eingestuft. Unser Fokus lag auf Veränderungen in kognitiven ERPs und Aufmerksamkeitstestergebnissen. Wir stellten fest, dass die Auswirkungen auf die P3 NOGO-Komponente in den beiden Gruppen mit einer großen Effektgröße(d = 1,76) signifikant unterschiedlich waren. Eine signifikante Zunahme der Komponentenamplitude wurde in REs beobachtet, aber nicht in Nicht-REs. Vorhersagen der Reaktion auf der Grundlage von zwei Tests wurde im Vergleich zu Vorhersagen, die nur auf Test 1 basierten, verbessert.

In unserer neuesten Studie haben wir zwei globale Indizes entwickelt, einen zur Vorhersage klinischer Gewinne und einen zur Vorhersage von Nebenwirkungen. Wie oben beschrieben, haben wir Variablen kombiniert, die signifikant zwischen verglichenen Gruppen mit einer bescheidenen oder großen Effektgröße diskriminiert enden. Jede Variable wurde entsprechend der Effektgröße gewichtet. Wir untersuchten Variablen aus allen drei WinEEG-Bereichen: EEG-Spektren, ERPs und Verhalten. Folgende Variablen wurden kombiniert: Test 1: P3NOGO Amplitude und Theta/Alpha-Verhältnis; Unterschiede zwischen Test 2 und Test 1: Auslassungsfehler, Reaktionszeitvariabilität, bedingte negative Variation (CNV) und P3NOGO Amplitude. Die Effektgröße der globalen Skala betrug d = 1,86. Die Genauigkeit betrug 0,92. Die Vorhersage von Nebenwirkungen basierte auf 4 Variablen: Test 1: RT, Test 2: Neuheitskomponente, Alpha-Spitzenfrequenz und Reaktionszeitänderungen (Test 2 - Test 1). Die globale Skala d betrug 1,08 und die Genauigkeit betrug 0,7849.

Einige vorläufige Ergebnisse
In einer laufenden Studie vergleichen wir eine Gruppe von 61 ADHS-Patienten im Alter von 9-12 Jahren und eine Gruppe von 67 altersgerechten gesunden Kontrollen (HC). Die endgültigen statistischen Analysen sind bisher noch nicht abgeschlossen. Im Folgenden stellen wir die vorläufigen Ergebnisse der WinEEG-Bewertung vor.

Verhaltensweise zeigte die ADHS-Gruppe ein Unaufmerksamkeitsmuster mit statistisch (bei p<0.001) mehr Auslassungsfehlern im Vergleich zur Gruppe der gesunden Kontrollen (HC) (13,7% vs. 4,8%). begleitet von einem Aufmerksamkeitsverfall-Muster, ausgedrückt in statistisch höherer (p<0.001) Variabilität der Reaktionszeit (151 ms vs. 125 ms).

Die wichtigsten Ergebnisse des Vergleichs von ERP-Wellenformen zwischen den beiden Gruppen sind in Abbildung 5 und Abbildung 6dargestellt. Abbildung 5 zeigt die ERP korreliert der Dysfunktion der proaktiven kognitiven Kontrolle in ADHS-Gruppe. Zwei Indizes der proaktiven kognitiven Kontrolle (P3-Cue-Welle und CNV-Welle) werden in der ADHS-Gruppe im Vergleich zur HC-Gruppe reduziert. Abbildung 6 zeigt die ERP korreliert der Dysfunktion der reaktiven kognitiven Kontrolle in der ADHS-Gruppe. Zwei Indizes der reaktiven kognitiven Kontrolle (N2 NOGO und P3 NOGO) werden in der ADHS-Gruppe im Vergleich zur HC-Gruppe reduziert.

figure-results-1
Abbildung 5: Große durchschnittliche ERP-Wellenmuster (a) und die entsprechenden Karten (b) in proaktiver kognitiver Kontrolle in ADHS- und gesunden Kontrollgruppen (HC). (a) ERPs gemessen bei P3 in ADHS-Gruppe (grüne Linie) und HC-Gruppe (rote Linie) und ihre Differenz (ADHS-HC) Welle (blaue Linie). Blaue vertikale Balken unterhalb der Kurven geben den Grad der statistischen Signifikanz der Differenz an (kleine Balken - p<0.05, mittlere Balken - p<0.01, große Balken - p<0.001). Pfeile zeigen die klassischen Wellen - P3 Cue und CNV (contingent negative variation). (b) Karten an den Höchstwerten der Amplituden von P3 und CNV-Wellen für die beiden Gruppen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-2
Abbildung 6: Große durchschnittliche ERP-Wellenmuster (a) und die entsprechenden Karten (b) in reaktiver kognitiver Kontrolle in ADHS- und gesunden Kontrollgruppen (HC). (a) ERPs gemessen an fz und Cz ADHS-Gruppe (grüne Linie) und HC-Gruppe (rote Linie) und ihre Differenz (ADHS-HC) Welle (blaue Linie). Blaue vertikale Balken unterhalb der Kurven geben den Grad der statistischen Signifikanz der Differenz an (kleine Balken - p<0.05, mittlere Balken - p<0.01, große Balken - p<0.001). Pfeile zeigen die klassischen Wellen - N2 NOGO und P3 NOGO. (b) Karten an den Höchstwerten der Amplituden von N2 NOGO- und P3-NOGO-Wellen für die beiden Gruppen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Wie man sehen kann, zeigt die ADHS-Gruppe Hypo-Funktion von mehreren Operationen der kognitiven Kontrolle. Diese Vorgänge finden in verschiedenen Zeitfenstern und an verschiedenen räumlichen Standorten statt. Ein bestimmter Patient kann nur eine Hypo-Funktion haben, die die Quelle der individuellen Störung und die Art und Weise ihrer Korrektur angibt.

Klinische Bedeutung
Um einen klinisch nützlichen Biomarker für eine heterogene Diagnose wie ADHS zu berechnen, müssen mehrere Variablen kombiniert werden, die sich signifikant zwischen ADHS und Kontrollen unterscheiden. Die Effektgröße (d) eines Indexes sollte über d = .8 liegen. Ein wichtiger nächster Schritt wird die Anwendung dieses Index sein, wenn ADHS mit klinischen Kontrollen verglichen wird.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diagnosen in der Psychiatrie basieren auf beobachtetem Verhalten. In den meisten Fällen muss eine bestimmte Anzahl von Symptomen in verschiedenen Einstellungen für 6 Monate oder mehr beobachtet werden. Ein wichtiger Teil des diagnostischen Prozesses ist der Ausschluss der somatischen Ätiologie. Darüber hinaus müssen andere psychiatrische Diagnosen berücksichtigt werden. Nicht selten können die Symptome von Interesse Teil einer anderen diagnostischen Kategorie sein. Wenn sich mehrere Symptome mit anderen Erkrankungen überschneiden, muss der Arzt entscheiden, ob es sich bei dieser zweiten Erkrankung um eine komorbide oder Differentialdiagnose handelt.

Die verfügbaren klinischen Instrumente sind diagnostische Interviews, Bewertungsskalen, medizinische und Entwicklungsgeschichte, psychologische Tests und direkte Beobachtungen. Die meisten dieser Methoden sind sehr subjektiv; stark beeinflusst vom Informanten und dem Profi. Bewertungsskalen von Eltern und Lehrern weisen in der Regel recht bescheidene Korrelationen auf (r = 0,3 - 0,5).

In den repräsentativen Ergebnissen argumentieren wir, dass die zugrunde liegenden Mechanismen bei ADHS wahrscheinlich von Patient zu Patient unterschiedlich sind. Mangelndes (Sprach-)Verständnis, Probleme mit der Selbstmotivation, Die Sensibilität gegenüber externen Ablenkern usw. können zu Symptomen der Unaufmerksamkeit führen. Die in diesem Dokument beschriebenen EEG-basierten Methoden können zur Lösung einiger dieser Herausforderungen beitragen. Das Problem der subjektiven Interpretationen fehlt. Die beschriebenen ERP-Methoden scheinen zugrunde liegende psychologische Operationen wie Arbeitsgedächtnis, Aktionshemmung, Überwachung, Reaktionsvorbereitung usw. mit spezifischen Gehirnstrukturen aufzudecken. Defizite in diesen Mechanismen sind nicht auf bestimmte diagnostische Kategorien beschränkt. Wir glauben, dass sich die Behandlung (Medikamente, Neurofeedback, kognitives Training, tDCS, ...) in Zukunft auf solche kognitiven und/oder emotionalen Operationen und deren zugrunde liegende Gehirnmechanismen konzentrieren wird und nicht auf die aktuellen diagnostischen Kategorien.

Ein Zweck einer Diagnose ist es, die besten Behandlungen zu bestimmen. Um die Auswirkungen der Behandlung zu bewerten, sind selbstgemeldete und beobachtete Verbesserungen natürlich entscheidend. Solche Berichte können bis zu einem gewissen Grad Placebo-Effekte darstellen, jedoch, und sollte durch (teilweise) Normalisierung der zugrunde liegenden Gehirn Funktionsstörungen reflektiert werden, zum Beispiel Veränderungen in ERP-Komponenten. Diese Kombination subjektiver und objektiver Messgrößen der Behandlungseffekte ist sowohl in der Klinik als auch in der Forschung wichtig.

Aus Gründen, wie oben erwähnt, ist es nicht verwunderlich, dass Menschen mit den gleichen Diagnosen oft nicht auf die gleichen medizinischen Behandlungen reagieren. In der personalisierten Medizin werden Diagnosen durch empirisch fundierte Messgrößen der Reaktionsvorhersage ergänzt, um die beste Behandlung für den einzelnen Patienten zu bestimmen. In diesem Beitrag haben wir unsere Forschung über die Vorhersage von stimulans Medikamenten Reaktion bei pädiatrischen ADHS beschrieben. Zuverlässige Prädiktoren für eine positive Reaktion auf Antidepressiva zu finden, ist vielleicht sogar noch wichtiger, da die Zeit, die für die Bewertung von Reaktionen benötigt wird, lang ist, ebenso wie die Titrationszeit. Die in diesem Papier beschriebenen Verfahren könnten zur laufenden EEG- und ERP-basierten Forschung zur Vorhersage von Medikamentenwirkungen bei Depressionen beitragen53.

Die beschriebenen EEG-basierten Methoden sind nicht-invasiv und erschwinglich und eignen sich sowohl für die Forschung als auch für die klinische Arbeit.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ogrim G. hat nichts zu verraten. Kropotov J.D. war Leiter des Labors am Institut für das menschliche Gehirn in St. Petersburg, wann und wo das WinEEG-Programm entwickelt wurde. Er hat keine wirtschaftlichen Interessen am System.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Verstärker +www.mitsar-medical.com
Körpergurt, verschiedene GrößenElectro-Cap International, IncE3 SM; E3 M; E3 L
Ohrelektroden 9 mm BuchsenElectro-Cap International, IncE5-9S
Elektrokappen 19 Kanäle verschiedene GrößenElectro-Cap International, IncE1 SM; E1 M; E1 M/SM
Electrocaps 19 Kanäle verschiedene GrößenElectro-Cap International, IncE1 L/M; E1 L
Elektrogel für ElektrokappenElectro-Cap International, IncE9; E10
HBi-Datenbankwww.hbimed.com
Band zur Messung der KopfgrößeElectro-Cap International, IncE 12
Nadelspritzen-KitElectro-Cap International, IncE7
Nuprep EEG- und EKG-HautvorbereitungsgelElectro-Cap International, IncR7
Ten20 EEG leitfähige PasteElectro-Cap International, IncR5-4T
WinEEG-Programmwww.mitsar-medical.com

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Insel, T., et al. Research domain criteria (RDoC), toward a new classification framework for research on mental disorders. American Journal of Psychiatry. 167 (7), 748-751 (2010).
  2. Snyder, S. M., Rugino, T. A., Hornig, M., Stein, M. A. Integration of an EEG biomarker with a clinician's ADHD evaluation. Brain and Behavior. 5 (4), e00330(2015).
  3. Arns, M., Conners, C. K., Kraemer, H. C. A decade of EEG Theta/Beta Ratio Research in ADHD: a meta-analysis. Journal of Attention Disorders. 17 (5), 374-383 (2013).
  4. Egeland, J. Differentiating attention deficit in adult ADHD and schizophrenia. Archives of Clinical Neuropsychology. 22 (6), 763-771 (2007).
  5. Egeland, J., et al. Attention profile in schizophrenia compared with depression: differential effects of processing speed, selective attention and vigilance. Acta Psychiatrica Scandinavia. 108 (4), 276-284 (2003).
  6. Braver, T. S. The variable nature of cognitive control: a dual mechanisms framework. Trends in Cognitive Science. 16 (2), 106-113 (2012).
  7. Botvinick, M. M. Conflict monitoring and decision making: reconciling two perspectives on anterior cingulate function. Cognitive and Affective Behavior Neuroscience. 7 (4), 356-366 (2007).
  8. Ullsperger, M., Fischer, A. G., Nigbur, R., Endrass, T. Neural mechanisms and temporal dynamics of performance monitoring. Trends in Cognitive Science. 18 (5), 259-267 (2014).
  9. Bari, A., Robbins, T. W. Inhibition and impulsivity: behavioral and neural basis of response control. Progress in Neurobiology. 108 (Sep), 44-79 (2013).
  10. Huster, R. J., Enriquez-Geppert, S., Lavallee, C. F., Falkenstein, M., Herrmann, C. S. Electroencephalography of response inhibition tasks: functional networks and cognitive contributions. International Journal of Psychophysiology. 87 (3), 217-233 (2013).
  11. Simson, R., Vaughan, H. G. Jr, Ritter, W. The scalp topography of potentials in auditory and visual Go/NoGo tasks. Electroencephalography and Clinical Neurophysiology. 43 (6), 864-875 (1977).
  12. Falkenstein, M., Hoormann, J., Hohnsbein, J. ERP components in Go/Nogo tasks and their relation to inhibition. Acta Psychologica (Amst). 101 (2-3), 267-291 (1999).
  13. Verleger, R., Gorgen, S., Jaskowski, P. An ERP indicator of processing relevant gestalts in masked priming. Psychophysiology. 42 (6), 677-690 (2005).
  14. Kropotov, J. D., Ponomarev, V. A., Hollup, S., Mueller, A. Dissociating action inhibition, conflict monitoring and sensory mismatch into independent components of event related potentials in GO/NOGO task. Neuroimage. 57 (2), 565-575 (2011).
  15. Kropotov, J. D., Ponomarev, V. A. Decomposing N2 NOGO wave of event-related potentials into independent components. Neuroreport. 20 (18), 1592-1596 (2009).
  16. Bekker, E. M., Kenemans, J. L., Verbaten, M. N. Electrophysiological correlates of attention, inhibition, sensitivity and bias in a continuous performance task. Clinical Neurophysiology. 20115 (9), 2001-2013 (2004).
  17. Fallgatter, A. J., Aranda, D. R., Bartsch, A. J., Herrmann, M. J. Long-term reliability of electrophysiologic response control parameters. Journal of Clinical Neurophysiology. 19 (1), 61-66 (2002).
  18. Fallgatter, A. J., Strik, W. K. The NoGo-anteriorization as a neurophysiological standard-index for cognitive response control. International Journal of Psychophysiology. 32 (3), 233-238 (1999).
  19. Bruin, K. J., Wijers, A. A., van Staveren, A. S. Response priming in a go/nogo task: do we have to explain the go/nogo N2 effect in terms of response activation instead of inhibition. Clinical Neurophysiology. 112 (9), 1660-1671 (2001).
  20. Randall, W. M., Smith, J. L. Conflict and inhibition in the cued-Go/NoGo task. Clinical Neurophysiology. 122 (12), 2400-2407 (2011).
  21. Kappenman, E. S., Luck, S. J. ERP Components: The Ups and Downs of Brainwave Recordings. The Oxford Handbook of Event-related Potential Components. Luck, S. J., Kappenman, E. S. , 1st, University Press. Oxford: Oxford. 3-29 (2012).
  22. Ponomarev, V. A., Kropotov, I. Improving source localization of ERPs in the GO/NOGO task by modeling of their cross-covariance structure. Fiziol Cheloveka. 39 (1), 36-50 (2013).
  23. Makeig, S., Jung, T. P. Tonic, phasic, and transient EEG correlates of auditory awareness in drowsiness. Brain Research and Cognitive Brain Research. 4 (1), 15-25 (1996).
  24. Onton, J., Makeig, S. Information-based modeling of event-related brain dynamics. Progressions in Brain Research. 159, 99-120 (2006).
  25. Kropotov, J. D. Functional Neuromarkers for Psychiatry: Applications for Diagnosis and Treatment. , 1st, Elsevier/Academic Press. London. (2016).
  26. Kropotov, J. D., Ponomarev, V. A., Pronina, M., Jancke, L. Functional indexes of reactive cognitive control: ERPs in cued go/no-go tasks. Psychophysiology. 54 (12), 1899-1915 (2017).
  27. Bekker, E. M., Kenemans, J. L., Verbaten, M. N. Source analysis of the N2 in a cued Go/NoGo task. Brain Research and Cognitive Brain Research. 22 (2), 221-231 (2005).
  28. Fisher, T., Aharon-Peretz, J., Pratt, H. Dis-regulation of response inhibition in adult Attention Deficit Hyperactivity Disorder (ADHD), an ERP study. Clinical Neurophysiology. 122 (12), 2390-2399 (2011).
  29. Olbrich, H. M., Maes, H., Valerius, G., Langosch, J. M., Feige, B. Event-related potential correlates selectively reflect cognitive dysfunction in schizophrenics. Journal of Neural Transmission. (Vienna). 112 (2), 283-295 (2005).
  30. Grane, V. A., et al. Correction: ERP Correlates of Proactive and Reactive Cognitive Control in Treatment-Naive Adult ADHD. PLoS One. 11 (9), e0163404(2016).
  31. Woltering, S., Liu, Z., Rokeach, A., Tannock, R. Neurophysiological differences in inhibitory control between adults with ADHD and their peers. Neuropsychologia. 51 (10), 1888-1895 (2013).
  32. Wiersema, R., van der Meere, J., Roeyers, H., Van Coster, R., Baeyens, D. Event rate and event-related potentials in ADHD. Journal of Child Psychology and Psychiatry. 47 (6), 560-567 (2006).
  33. Mueller, A., Candrian, G., Kropotov, J. D., Ponomarev, V. A., Baschera, G. M. Classification of ADHD patients on the basis of independent ERP components using a machine learning system. Nonlinear Biomedical Physics. 4 (Suppl 1), (2010).
  34. Mueller, A., et al. Discriminating between ADHD adults and controls using independent ERP components and a support vector machine: a validation study. Nonlinear Biomedical Physics. 5, 5(2010).
  35. Kropotov, J. D., et al. Latent ERP components of cognitive dysfunctions in ADHD and schizophrenia. Clinical Neurophysiology. 130 (4), 445-453 (2019).
  36. Spencer, T. J., Biederman, J., Mick, E. Attention-deficit/hyperactivity disorder: diagnosis, lifespan, comorbidities, and neurobiology. Journal of Pediatric Psychology. 32 (6), 631-642 (2007).
  37. Barkley, R. A. Attention - Deficit Hyperactivity Disorder. A Handbook for Diagnosis and Treatment. , Third, The Guilford Press. New York, London. (2006).
  38. Spencer, T., et al. Pharmacotherapy of attention-deficit hyperactivity disorder across the life cycle. Journal of the American Academy of Child and Adolescent Psychiatry. 35 (4), 409-432 (1996).
  39. Rubia, K., et al. Effects of stimulants on brain function in attention-deficit/hyperactivity disorder: a systematic review and meta-analysis. Biological Psychiatry. 76 (8), 616-628 (2014).
  40. Ramtvedt, B. E., Roinas, E., Aabech, H. S., Sundet, K. S. Clinical Gains from Including Both Dextroamphetamine and Methylphenidate in Stimulant Trials. Journal of Child and Adolescent Psychopharmacology. , (2013).
  41. Sangal, R. B., Sangal, J. M. Attention-deficit/hyperactivity disorder: using P300 topography to choose optimal treatment. Expert Review in Neurotherapy. 6 (10), 1429-1437 (2006).
  42. Ogrim, G., Hestad, K. A., Brunner, J. F., Kropotov, J. Predicting acute side effects of stimulant medication in pediatric attention deficit/hyperactivity disorder: data from quantitative electroencephalography, event-related potentials, and a continuous-performance test. Neuropsychiatric Disease and Treatment. 9, 1301-1309 (2013).
  43. Barkley, R. A., DuPaul, G. J., McMurray, M. B. Attention deficit disorder with and without hyperactivity: clinical response to three dose levels of methylphenidate. Pediatrics. 87 (4), 519-531 (1991).
  44. Chabot, R. J., Orgill, A. A., Crawford, G., Harris, M. J., Serfontein, G. Behavioral and electrophysiologic predictors of treatment response to stimulants in children with attention disorders. Journal of Child Neurology. 14 (6), 343-351 (1999).
  45. Hale, J. B., et al. Executive impairment determines ADHD medication response: implications for academic achievement. Journal of Learning Disabilities. 44 (2), 196-212 (2011).
  46. Tannock, R., Ickowicz, A., Schachar, R. Differential effects of methylphenidate on working memory in ADHD children with and without comorbid anxiety. Journal of the American Academy of Child and Adolescent Psychiatry. 34 (7), 886-896 (1995).
  47. Ogrim, G., Aasen, I. E., Brunner, J. F. Single-dose effects on the P3no-go ERP component predict clinical response to stimulants in pediatric ADHD. Clinical Neurophysiology. 127 (10), 3277-3287 (2016).
  48. Ogrim, G., et al. Predicting the clinical outcome of stimulant medication in pediatric attention-deficit/hyperactivity disorder: data from quantitative electroencephalography, event-related potentials, and a go/no-go test. Neuropsychiatric Disease and Treatment. 10, 231-242 (2014).
  49. Ogrim, G., Kropotov, J. D. Predicting Clinical Gains and Side Effects of Stimulant Medication in Pediatric Attention-Deficit/Hyperactivity Disorder by Combining Measures From qEEG and ERPs in a Cued GO/NOGO Task. Clinical EEG and Neuroscience. 50 (1), 34-43 (2019).
  50. Lenartowicz, A., Loo, S. K. Use of EEG to diagnose ADHD. Current Psychiatry Report. 16 (11), 498(2014).
  51. Johnstone, S. J., Barry, R. J., Clarke, A. R. Ten years on: a follow-up review of ERP research in attention-deficit/hyperactivity disorder. Clinical Neurophysiology. 124 (4), 644-657 (2013).
  52. Gamma, A., Kara, O. Event-Related Potentials for Diagnosing Children and Adults With ADHD. Journal of Attention Disorders. , (2016).
  53. van Dinteren, R., et al. Utility of event-related potentials in predicting antidepressant treatment response: An iSPOT-D report. European Neuropsychopharmacology. 25 (11), 1981-1990 (2015).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Biomarker ExtractionPediatric ADHDVisual GO NOGO TaskIndependent Component AnalysisArtifact CorrectionERP Waveform AnalysisCluster AnalysisMedication Response Prediction

Verwandte Artikel