Artículo de método

Mapeo de frecuencias de la estimulación del nervio vago auricular guiado por espectroscopía funcional de infrarrojo cercano en la depresión

0 visualizaciones

⸱

DOI:

10.3791/70136

⸱

25 de septiembre de 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Psychiatry and Psychotherapy, University of Marburg, 2Center for Mind, Brain, and Behavior (CMBB), University of Marburg, 3Department of Psychology, University of Marburg, 4Faculty of Medicine, University of British Columbia

En este artículo

Resumen

Este protocolo proporciona un marco reproducible para mapear las respuestas corticales dependientes de la frecuencia a la estimulación transcutánea del nervio vago auricular mediante espectroscopía funcional en el infrarrojo cercano en individuos con trastorno depresivo mayor.

Resumen

El trastorno depresivo mayor (TDM) se asocia con alteraciones en redes cerebrales a gran escala, y la variabilidad en los parámetros de la estimulación transcutánea del nervio vago auricular (taVNS), particularmente la frecuencia de estimulación, limita la reproducibilidad y comparabilidad entre estudios. Por lo tanto, se necesitan estrategias estandarizadas para la selección sistemática de parámetros. Este protocolo presenta un flujo de trabajo reproducible, guiado por neuroimagen, para mapear las respuestas corticales individuales a múltiples frecuencias de taVNS mediante espectroscopía funcional en el infrarrojo cercano (fNIRS). El enfoque combina la adquisición continua de fNIRS con la administración intra-sesión de múltiples frecuencias de estimulación y un análisis a nivel de red de la actividad de la red en modo predeterminado. Las respuestas específicas a la frecuencia se cuantifican mediante métricas basadas en distancias, seguidas de una clasificación algorítmica para identificar parámetros de estimulación candidatos dentro de cada participante.
El flujo de trabajo permite la comparación directa intra-sujeto de condiciones de estimulación y proporciona un marco estructurado para el mapeo exploratorio de parámetros basado en respuestas a nivel de red, en lugar de diseños con frecuencias fijas. Los resultados representativos demuestran la viabilidad de obtener señales estables de fNIRS a través de diferentes condiciones y generar clasificaciones interpretables específicas para cada participante según la frecuencia. Aunque se ha demostrado en el TDM, este protocolo es adaptable a otros paradigmas de neuromodulación y trastornos que implican disfunción a nivel de red, y podría apoyar estudios futuros orientados a la selección individualizada de parámetros.

Introducción

La estimulación transcutánea del nervio vago auricular (taVNS) es una técnica de neuromodulación no invasiva que se dirige a la rama auricular del nervio vago y puede influir en núcleos neuromoduladores del tronco encefálico, así como en redes corticales distribuidas1. Trabajos previos han demostrado que los efectos fisiológicos y neuronales de la taVNS dependen fuertemente de los parámetros de estimulación2,3,4,5, especialmente de la frecuencia de estimulación. En modelos animales y humanos, diferentes frecuencias se han asociado con vías neuromoduladoras y respuestas cerebrales distintas, y actualmente los protocolos clínicos de taVNS abarcan un amplio rango de frecuencias6. Esta variabilidad resalta la necesidad de enfoques sistemáticos para la cartografía de frecuencias y una selección de parámetros basada en principios, en lugar de depender de convenciones de frecuencia fija. El objetivo de este protocolo es proporcionar un método reproducible para la cartografía intra-sujeto de las respuestas neuronales a múltiples frecuencias de taVNS mediante lecturas fisiológicas a nivel de red.

El objetivo general de este protocolo es proporcionar un método reproducible para mapear las respuestas neuronales individuales a múltiples frecuencias de taVNS.

La espectroscopía funcional en el infrarrojo cercano (fNIRS) es una técnica portátil de neuroimagen óptica que mide la hemodinámica cortical con alta resolución temporal y es compatible con la estimulación taVNS concurrente7,8. En comparación con los enfoques basados en imágenes por resonancia magnética (IRM), la fNIRS ofrece mayor portabilidad, menor carga logística y una integración más sencilla con procedimientos de estimulación, sin restricciones como la inmovilidad del escáner, el ruido acústico o configuraciones de hardware limitadas. En comparación con las estrategias de optimización basadas en síntomas, la fNIRS proporciona un indicador fisiológico directo de las respuestas de la red cortical a la estimulación, en lugar de depender únicamente de resultados clínicos subjetivos o tardíos9. En comparación con los paradigmas de estimulación de frecuencia fija10, el presente protocolo permite caracterizar explícitamente la variabilidad interindividual en la sensibilidad a la frecuencia, en lugar de promediar las respuestas entre participantes. Además, la fNIRS permite mediciones repetidas escalables dentro de una sesión, lo que hace que este enfoque sea particularmente adecuado para estudios exploratorios de mapeo de frecuencias e investigaciones piloto que requieran evaluaciones repetidas eficientes.

Este enfoque combinado debe utilizarse cuando los investigadores pretenden comparar parámetros de neuromodulación dentro del mismo participante, identificar configuraciones de estimulación individualizadas candidatas o desarrollar protocolos antes de realizar ensayos longitudinales o basados en resultados. Es ampliamente aplicable a condiciones caracterizadas por una organización alterada de redes cerebrales a gran escala11. Este protocolo es particularmente adecuado para estudios exploratorios de mapeo de parámetros, estudios piloto de personalización e investigaciones iniciales de viabilidad. Aquí, la depresión proporciona un contexto ilustrativo, ya que se ha asociado con actividad y conectividad alteradas dentro de la red neuronal por defecto (DMN, por sus siglas en inglés)12,13 y redes de control relacionadas, y se ha informado que la taVNS modula estos sistemas14. Sin embargo, estudios previos han empleado frecuencias de estimulación heterogéneas, y las frecuencias más adecuadas para dirigirse a redes afectivas y cognitivas aún no están claras. Esta variabilidad justifica el uso de comparaciones intra-sujeto de frecuencias en lugar de depender de una única frecuencia predeterminada.

Aquí, describimos un protocolo para implementar un flujo de trabajo guiado por fNIRS para mapeo de frecuencia de taVNS adecuado para uso en la cabecera del paciente y estudios longitudinales. El procedimiento incluye una línea base inicial de estado de reposo sin estimulación, seguida de sesiones de taVNS en estado de reposo a 2, 10, 25 y 40 Hz, así como una condición simulada para controlar efectos no específicos. Para cada condición, se adquieren y analizan datos de fNIRS utilizando métricas multivariadas de distancia de red respecto a una referencia normativa de individuos sanos. Estas métricas capturan aspectos complementarios de la organización de la red, incluyendo la intensidad de conectividad y los patrones de interacción regional15,16. Las medidas resultantes a nivel de red se utilizan para comparar los efectos específicos de frecuencia dentro de cada participante y para identificar parámetros de estimulación candidatos de manera informada por la red. Se incluye una condición posterior específica del candidato en estado de reposo para evaluar la reproducibilidad a corto plazo de la frecuencia candidata.

Este protocolo es más adecuado para la exploración de mapeo de parámetros, personalización de prueba de concepto y desarrollo de protocolos antes de ensayos longitudinales o clínicos más amplios. Proporciona un marco estructurado para comparar sistemáticamente las frecuencias de estimulación dentro de individuos mediante métricas fisiológicas a nivel de red. El método está diseñado para apoyar la generación de hipótesis y la identificación de frecuencias candidatas en investigaciones iniciales o piloto. No tiene como objetivo establecer una eficacia clínica definitiva, superioridad terapéutica u optimización del tratamiento, sino más bien orientar estudios posteriores longitudinales y basados en resultados mediante la selección exploratoria de parámetros informados por la red.

Protocolo

Todos los procedimientos que involucraron a participantes humanos se realizaron de acuerdo con las directrices institucionales y la Declaración de Helsinki, y fueron aprobados por el comité de ética en investigación humana responsable de la Universidad Philipps de Marburgo (número de protocolo: 23-232 BO). Se obtuvo el consentimiento informado por escrito de todos los participantes antes de su participación.

El protocolo sigue la ejecución cronológica del flujo de trabajo experimental (véase Figura 1 para más detalles). Todos los pasos se implementan utilizando parámetros predefinidos para garantizar la reproducibilidad y comparabilidad entre los participantes. Estos parámetros incluyeron ajustes fijos de estimulación taVNS (frecuencias de 2, 10, 25 y 40 Hz, ancho de pulso e intensidad de estimulación ajustada individualmente), duraciones estandarizadas de las sesiones de estado de reposo, una condición placebo consistente y una canalización uniforme de adquisición y preprocesamiento de fNIRS, incluyendo la configuración de canales, corrección del movimiento, filtrado y procedimientos de análisis basados en redes.

1. Aprobación ética y descripción del estudio

  1. Obtener aprobación ética
    1. Obtener la aprobación del Comité de Ética de la Facultad de Medicina de la Universidad Philipps Marburg (Protocolo N.º 23-232 BO) antes de comenzar el estudio.
    2. Realizar todos los procedimientos de acuerdo con la Declaración de Helsinki y las directrices institucionales para la investigación con participantes humanos.
    3. Obtener el consentimiento informado por escrito de cada participante antes del cribado, evaluaciones o adquisición de datos.
  2. Definir los objetivos del estudio
    1. Utilizar este protocolo para comparar la estimulación simulada y múltiples frecuencias activas de taVNS dentro del mismo participante.
    2. Utilizar espectroscopía funcional de infrarrojo cercano (fNIRS) concurrente para cuantificar las respuestas de la red cortical durante la estimulación.
    3. Utilizar scripts de análisis predefinidos para identificar la frecuencia de estimulación individualizada candidata basada en la similitud a nivel de red con una plantilla de control sana.
  3. Definir el alcance analítico
    1. Interpretar todos los resultados como descriptivos y exploratorios.
    2. No utilizar este protocolo para establecer eficacia clínica, superioridad terapéutica u optimización del tratamiento.
    3. Utilizar los resultados para orientar futuros estudios longitudinales o basados en resultados.

2. Reclutar y seleccionar participantes

  1. Reclutar grupos de estudio
    1. Reclutar participantes adultos en dos grupos: trastorno depresivo mayor (TDM) y controles sanos (CS).
    2. Reclutar controles sanos durante el mismo período del estudio y utilizando procedimientos idénticos a los del grupo con TDM.
    3. Proporcionar compensación de acuerdo con las directrices institucionales.
  2. Aplicar criterios de inclusión
    1. Incluir únicamente participantes de 18 años o más.
    2. Confirmar visión normal o corregida a la normalidad.
    3. Solo para el grupo con TDM: confirmar el diagnóstico de TDM mediante una entrevista clínica estructurada basada en el DSM-5.
    4. Solo para el grupo con TDM: incluir únicamente participantes con gravedad leve a moderada de depresión (HAMD-24 ≥8 y <24; BDI-II ≥8 y <29).
    5. Solo para el grupo de controles sanos: confirmar la ausencia de enfermedades psiquiátricas actuales o enfermedades somáticas graves.
  3. Aplicar criterios de exclusión
    1. Excluir participantes con trastornos neurológicos o antecedentes de traumatismo craneal significativo.
    2. Excluir participantes con comorbilidad psiquiátrica.
    3. Excluir participantes que actualmente tomen medicación psicotrópica o antidepresiva, o que hayan suspendido dicha medicación en las últimas 2 semanas.
    4. Excluir participantes con ideación suicida o síntomas depresivos graves.
    5. Excluir participantes con condiciones médicas que puedan afectar la función neural o vascular.
  4. Realizar evaluación clínica
    1. Aplicar la Escala de Evaluación de la Depresión de Hamilton (HAMD-24).
    2. Aplicar el Inventario de Depresión de Beck-II (BDI-II).
    3. Registrar las puntuaciones totales en la base de datos del estudio.

3. Preparar el entorno experimental

  1. Preparar la sala de laboratorio
    1. Siente al participante en una habitación silenciosa y con poca iluminación.
    2. Mantenga una temperatura ambiente estable y minimice el ruido externo.
    3. Coloque un monitor aproximadamente a 1 m frente al participante.
  2. Instruir al participante
    1. Muestre una cruz de fijación central en el monitor.
    2. Instruya al participante para que permanezca despierto, relajado e inmóvil.
    3. Instruya al participante para que mantenga la mirada fija en la cruz de fijación durante todas las grabaciones.

4. Preparar la eVNS ta y calibrar la estimulación

  1. Preparar el equipo
    1. Utilice un dispositivo de estimulación transcutánea del nervio vago auricular equipado con un electrodo de estimulación de titanio-iridio.
    2. Inspeccione los cables, conectores y el estado de la batería antes de cada sesión.
  2. Colocar el electrodo
    1. Limpie la cimba de la concha izquierda utilizando toallitas con alcohol.
    2. Seque completamente la piel.
    3. Coloque el electrodo de estimulación sobre la cimba de la concha izquierda.
    4. Verifique un contacto estable y una colocación segura.
  3. Calibrar la amplitud de la corriente
    1. Establezca un ancho de pulso de 300 µs.
    2. Habilite la estimulación continua sin ciclos de trabajo.
    3. Comience en 0 mA y aumente la corriente gradualmente en pasos de 0,1-0,2 mA.
    4. Solicite al participante que califique la sensación en una escala de 10 puntos tras cada incremento.
    5. Detenga el aumento de corriente en la intensidad más alta tolerable sin dolor.
    6. Apunte a una intensidad percibida de 7-8/10.
    7. Repita la calibración por separado para 2, 10, 25 y 40 Hz.
    8. Registre la amplitud final de la corriente para cada frecuencia.
  4. Configurar la estimulación simulada (sham)
    1. Configure el dispositivo para que no entregue corriente eléctrica.
    2. Mantenga la colocación del electrodo idéntica a las condiciones activas.
    3. Iguale todas las señales visuales, táctiles y auditivas a la estimulación activa.
  5. Aplicar bloques de estimulación activa
    1. Administre cuatro frecuencias activas (2, 10, 25 y 40 Hz), una vez cada una durante la sesión.
    2. Randomice el orden de los bloques entre los participantes utilizando una secuencia generada por computadora.
    3. Inserte intervalos fijos entre condiciones sin estimulación.

5. Configuración del sistema de fNIRS

  1. Preparar el hardware
    1. Utilice dos sistemas fNIRS sincronizados.
    2. Equipe cada sistema con 16 fuentes de luz y 16 detectores.
  2. Definir la montura
    1. Utilice una herramienta de planificación de disposición óptica para dirigirse a las regiones de la red en modo predeterminado.
    2. Coloque los optodos para cubrir la corteza prefrontal medial, la corteza cingulada posterior/precuneo, los giros angulares bilaterales y las regiones temporales mediales.
    3. Utilice una separación entre fuente y detector de 3 cm para los canales de larga separación.
    4. Agregue canales de corta separación a aproximadamente 8 mm.
  3. Configurar los parámetros de adquisición
    1. Utilice longitudes de onda de 760 nm y 850 nm.
    2. Establezca la frecuencia de muestreo en 5,1 Hz.
    3. Sincronice ambos sistemas antes de la grabación.

6. Realizar la sesión experimental

  1. Definir la secuencia de bloques
    1. Registrar el estado de reposo basal (RS0) durante 6 min sin estimulación.
    2. Insertar un intervalo de 2 min.
    3. Aplicar estimulación simulada durante 6 min.
    4. Insertar un intervalo de 2 min.
    5. Aplicar cuatro bloques de estimulación activa aleatorizados (2, 10, 25 y 40 Hz), cada uno durante 6 min.
    6. Insertar un intervalo de 2 min entre bloques activos consecutivos.
    7. Registrar el estado de reposo post-estimulación (RS1) durante 6 min.
  2. Mantener la duración de la sesión
    1. Asegurarse de que la duración total de la sesión sea aproximadamente de 54 min.
    2. Adquirir fNIRS continuamente durante todos los bloques.
  3. Mantener condiciones estandarizadas
    1. Asegurarse de que la iluminación de la habitación, las instrucciones y la pantalla de fijación permanezcan idénticas en todos los bloques.
    2. Monitorear continuamente el contacto de los electrodos.
    3. Detener el experimento únicamente tras completar un bloque, si es necesario.

7. Preprocesar los datos de fNIRS

  1. Segmentar grabaciones
    1. Segmentar las grabaciones continuas en RS0, Sham, 2 Hz, 10 Hz, 25 Hz, 40 Hz y RS1.
    2. Extraer las señales de intensidad bruta para cada canal y condición.
  2. Realizar control de calidad
    1. Aplicar un filtro pasa-banda de Butterworth entre 0,5 y 2,33 Hz.
    2. Dividir las señales en ventanas no superpuestas de 3 s.
    3. Calcular el Índice de Acoplamiento Escalpino (SCI) y el Pico del Espectro de Potencia (PSP).
    4. Clasificar las ventanas como aceptables cuando SCI ≥ 0,8 y PSP ≥ 0,1.
    5. Mantener los canales con ≥ 70 % de ventanas aceptables.
    6. Mantener a los participantes con ≥ 70 % de canales aceptables.
  3. Corregir artefactos
    1. Corregir artefactos de movimiento utilizando la técnica de Reparación por Distribución de la Derivada Temporal (TDDR).
    2. Aplicar filtrado por wavelet utilizando una base de 8 wavelets.
    3. Definir valores atípicos como coeficientes que superen 4 desviaciones estándar.
  4. Convertir señales
    1. Convertir la densidad óptica en oxihemoglobina utilizando la ley modificada de Beer-Lambert.

8. Calcular las características de la red y seleccionar la frecuencia candidata

  1. Calcular la conectividad
    1. Calcular las correlaciones robustas de Pearson entre todos los pares de ROI.
    2. Almacenar seis correlaciones por pares únicas como un vector de conectividad.
    3. Construir una matriz de conectividad simétrica de 4 × 4.
  2. Calcular características derivadas
    1. Calcular los valores propios y vectores propios de cada matriz.
    2. Calcular la controlabilidad promedio para cada nodo tras la normalización de la matriz.
  3. Construir la plantilla sana
    1. Calcular la matriz promedio de conectividad RS0 entre todos los participantes controles sanos retenidos.
    2. Utilizar la matriz resultante como plantilla de referencia sana.
  4. Calcular distancias
    1. Calcular la distancia del coseno entre las características del participante y la plantilla para conectividad, valores propios y controlabilidad.
    2. Calcular la similitud del vector propio mediante coincidencia de componentes.
  5. Clasificar condiciones
    1. Clasificar Sham, 2 Hz, 10 Hz, 25 Hz y 40 Hz en orden ascendente de distancia para cada métrica.
    2. Asignar el rango 1 a la distancia más pequeña.
    3. Sumar los rangos entre las métricas para cada condición.
  6. Seleccionar frecuencia individualizada candidata
    1. Identificar la condición con el puntaje acumulado más bajo de rango.
    2. Definir esta condición como la frecuencia de estimulación individualizada candidata.
  7. Cálculo de la ganancia de estimulación
    1. Calcular la ganancia de estimulación (G_f) para cada frecuencia utilizando la siguiente normalización:
      figure-protocol-1​
      Donde df  es la distancia RS0 y  df  es la distancia durante la frecuencia de estimulación f, calculada a través de las condiciones RS0, Sham, 2 Hz, 10 Hz, 25 Hz y 40 Hz.

Resultados

Calidad de los datos y viabilidad de la adquisición

La aplicación de los criterios predefinidos de calidad de datos dio como resultado la exclusión de canales y participantes con calidad de señal insuficiente. Los resultados exitosos se caracterizan por una alta retención de canales en todas las condiciones, grabaciones hemodinámicas estables y patrones de conectividad interpretables que permiten una estimación confiable de las características de la red. Los resultados deficientes o subóptimos incluyen baja calidad de señal, artefactos excesivos por movimiento, acoplamiento inadecuado entre optodos y cuero cabelludo, retención insuficiente de canales o estimaciones de red inconsistentes que limitan la interpretabilidad. Como se ilustra en Figura 3 y Figura 4, el conjunto de datos final tras la evaluación de calidad incluyó a 19 participantes con trastorno depresivo mayor (MDD; edad media: 31,21 años, DE: 8,99; 10 mujeres) y 19 controles sanos (HC; edad media: 33,5 años, DE: 13,51; 7 mujeres). Siete participantes (3 MDD y 4 HC) fueron excluidos debido a una calidad de datos insuficiente, principalmente relacionada con artefactos por movimiento o acoplamiento inadecuado entre optodos y cuero cabelludo.

Los mapas de calidad por canal demostraron además distribuciones espaciales heterogéneas de la calidad de la señal entre los participantes, con regiones localizadas de calidad reducida en algunos individuos. Estos hallazgos resaltan la importancia de aplicar umbrales predefinidos basados en el índice de acoplamiento al cuero cabelludo y en el pico del espectro de potencia antes de realizar análisis adicionales. Estos procedimientos de control de calidad garantizan que las medidas posteriores de red se calculen a partir de datos confiables y representan un componente crítico del protocolo. Las salidas representativas mostradas aquí dependen directamente de la finalización exitosa del cribado de calidad de los datos, el preprocesamiento estandarizado, la extracción de series temporales basada en regiones de interés (ROI) y la aplicación del procedimiento predefinido de selección por rangos.

Preprocesamiento y construcción de la red

El diseño experimental y el flujo de trabajo de preprocesamiento se muestran en Figura 1 y Figura 2. Tras el paso de control de calidad (Figura 2), las señales se convirtieron exitosamente en concentración de hemoglobina y se corrigieron los artefactos de movimiento y el ruido fisiológico sistémico. La correcta finalización de estos pasos de preprocesamiento se indica mediante canales de alta calidad retenidos, series temporales regionales estables y estimaciones de conectividad interpretables, mientras que los resultados deficientes incluyen pérdida excesiva de señal, artefactos no resueltos o medidas de red poco fiables. La extracción de series temporales regionales a partir de los nodos de la red en modo predeterminado permitió la construcción de matrices de conectividad funcional para cada condición. Estos resultados representativos dependen directamente de la ejecución exitosa del control de calidad de los datos17, el preprocesamiento estandarizado18, la definición de ROI y la aplicación del procedimiento de clasificación previamente definido. Las matrices resultantes de conectividad funcional de la red en modo predeterminado constituyen la base para comparaciones posteriores basadas en distancias.

Resultados representativos a nivel de red

Figura 5A muestra un ejemplo del perfil de conectividad funcional específica por condición de la red DMN para un participante representativo con trastorno depresivo mayor (MDD), junto con la plantilla de referencia de la red DMN derivada de controles sanos. Estas matrices permiten la visualización directa de los patrones de conectividad entre regiones a través de condiciones y ayudan a distinguir resultados exitosos del protocolo de estimaciones de red menos interpretables o de baja calidad. El examen visual revela variaciones dependientes de la condición en la organización de la red respecto a la plantilla, ilustrando cómo la frecuencia de estimulación puede modular la estructura de la red DMN dentro de una sola sesión.

Las medidas de distancia (Figura 5B) cuantifican estas diferencias a través de múltiples métricas (conectividad, valores propios, vectores propios y controlabilidad promedio). Para cada métrica, las condiciones pueden ordenarse según su proximidad a la plantilla de referencia, donde valores de distancia más bajos indican una similitud más estrecha. Nótese que el ordenamiento de las diferentes métricas de distancia varía según las condiciones, lo que refleja la información complementaria que cada métrica captura sobre las representaciones de la red.

Selección de frecuencia basada en consenso

Para integrar la información a través de cuatro métricas, los rangos se agregaron dentro de cada participante (Figura 5C). La clara separación de los puntajes acumulados de rango entre condiciones indica una diferenciación exitosa de las respuestas de la red específicas de la frecuencia, mientras que puntajes de rango muy similares entre condiciones sugieren una sensibilidad limitada del protocolo o una débil separación entre los efectos de la estimulación. La condición con el puntaje acumulado de rango más bajo se interpretó como la frecuencia de estimulación candidata representativa para ese participante. Tabla 1 resume estas selecciones entre participantes, junto con los valores correspondientes de ganancia de estimulación y el grado de acuerdo entre métricas cuantificado mediante la W de Kendall.

En el grupo con TEA, 12 de los 19 participantes mostraron el rango acumulado más bajo para una frecuencia de estimulación activa en lugar de la condición simulada. La frecuencia de estimulación seleccionada varió entre los participantes, como se resume en Tabla 1. La concordancia entre métricas, cuantificada mediante el coeficiente W de Kendall, también difería entre individuos, reflejando la variabilidad en la consistencia de los rangos. Valores más altos de W de Kendall indican una mayor concordancia entre las métricas y una mayor confianza en que múltiples medidas de red respaldan el mismo ordenamiento de condiciones, mientras que valores más bajos indican una menor concordancia y una mayor heterogeneidad entre las métricas. Por lo tanto, la selección final debe interpretarse como una integración basada en datos de características complementarias de la red, más que como una decisión basada únicamente en una sola métrica.

Estos resultados representativos y basados en viabilidad ilustran los tipos de salidas a nivel de red generadas por el protocolo y demuestran que el flujo de trabajo puede implementarse para comparaciones intra-sujeto entre condiciones de estimulación. Los hallazgos tienen como finalidad ilustrar la adquisición de señales, el preprocesamiento, la extracción de características y la asignación de parámetros basada en rangos, más que servir como evidencia de beneficio terapéutico, eficacia clínica o validación de desempeño, como se muestra en Figuras 1–5 y Tabla 1.

figure-results-1
Figura 1. Diseño experimental y configuración de la sonda de fNIRS. (A) Diseño experimental intra-sujeto. Cada participante completó todas las condiciones en una sola sesión, incluyendo el estado basal de reposo (RS0), estimulación simulada (sham), cuatro frecuencias de estimulación activa (2, 10, 25 y 40 Hz) y el estado de reposo posterior a la estimulación (RS1). El orden de la estimulación activa se aleatorizó entre participantes. Cada bloque duró 6 min y se separó por intervalos de ~2 min sin estimulación. Los datos de espectroscopía funcional en el infrarrojo cercano (fNIRS) se registraron continuamente (~54 min en total) y se segmentaron por condición para su análisis. (B) Distribución de la sonda fNIRS que muestra 32 fuentes (rojas) y 30 detectores (azules), formando 89 canales de larga separación y 8 canales de corta separación (marcados con círculo). Los canales de corta separación se utilizaron para eliminar el ruido fisiológico superficial. (C) Perfil de sensibilidad cortical de la distribución de la sonda con respecto a la red en modo predeterminado (DMN), basado en el atlas de Etiquetado Anatómico Automatizado (AAL), que ilustra la sensibilidad de medición dependiente de la profundidad. Haga clic aquí para ver una versión más grande de esta figura. 

figure-results-2
Figura 2. Tubería de preprocesamiento y extracción de características para el análisis de red basado en fNIRS.
Los datos brutos de intensidad lumínica se dividieron en bloques específicos por condición (RS0, simulación, frecuencias de estimulación y RS1). La calidad de los datos se evaluó mediante el índice de acoplamiento al cuero cabelludo (SCI > 0,8) y el pico del espectro de potencia (PSP > 0,1), conservándose únicamente los canales de alta calidad. Las señales se convirtieron a densidad óptica, seguido de corrección de movimiento mediante reparación de distribución de derivadas temporales (TDDR) y filtrado con wavelets. Se calcularon los cambios en la concentración de hemoglobina y se aplicó regresión de separación corta para reducir el ruido fisiológico sistémico. Para el análisis de red, se extrajeron series temporales de regiones de interés (ROI) dentro de la red en modo predeterminado (DMN), incluyendo la corteza prefrontal medial (mPFC), el precúneo (Prec), el lóbulo parietal inferior (IPL) y el lóbulo temporal medial (MTL). Se calculó la conectividad funcional entre las ROI. Las características derivadas incluyeron valores de conectividad, valores propios, vectores propios y controllabilidad promedio. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-3
Figura 3. Evaluación de la calidad de los datos en participantes con trastorno depresivo mayor (TDM).
(A) Número de canales que cumplen con los criterios de calidad durante la condición basal (RS0) para cada participante con TDM. Las barras indican todos los canales (gris), canales de separación larga (azul) y canales de separación corta (naranja) que cumplen con los criterios de calidad (≥70 % del tiempo de registro con SCI > 0,8 y PSP > 0,1). Las líneas discontinuas indican el número máximo de canales de separación larga disponibles (89), canales de separación corta (8) y el umbral para una calidad aceptable de los datos a nivel de participante (≥70 % del total de canales retenidos). Los participantes por debajo del umbral se destacan (D13, D18, D19). (B) Calidad de los datos por canal en todos los participantes. El mapa de calor muestra el porcentaje de tiempo de registro que cumple con los criterios de calidad para cada canal y participante durante RS0. Un sombreado más oscuro indica una menor calidad de los datos. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-4
Figura 4. Evaluación de la calidad de los datos en participantes controles sanos. (A) Número de canales que cumplen con los criterios de calidad durante la condición basal (RS0) para cada participante control sano. Las barras indican todos los canales (gris), canales de separación larga (azul) y canales de separación corta (naranja) que cumplen con los criterios de calidad (≥70 % del tiempo de registro con SCI > 0,8 y PSP > 0,1). Las líneas discontinuas indican el número máximo de canales disponibles y el umbral para una calidad aceptable de datos a nivel de participante (≥ 70 % del total de canales retenidos). Los participantes por debajo del umbral se destacan (HC13, HC14, HC15, HC18). (B) Calidad de los datos por canal a través de los participantes. El mapa de calor muestra el porcentaje de tiempo de registro que cumple con los criterios de calidad para cada canal y participante durante RS0. Un sombreado más oscuro indica una menor calidad de los datos. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-5
Figura 5. Selección representativa basada en la distancia para la frecuencia de estimulación en un solo participante.
(A) Matrices de conectividad funcional que muestran interacciones por pares entre cuatro regiones de la red del modo por defecto en un participante representativo con trastorno depresivo mayor (D11) a través de diferentes condiciones (RS0, simulación y frecuencias de estimulación). Las regiones incluyen la corteza prefrontal medial (mPFC), el lóbulo parietal inferior (IPL), el precúneo (Prec) y el lóbulo temporal medial (MTL). La matriz central representa la plantilla de control sano derivada de datos grupales de RS0. (B) Medidas de distancia entre cada condición y la plantilla de control sano a través de cuatro métricas: distancia de conectividad (D_conn), distancia de valores propios (D_eig), distancia de vectores propios (D_evec) y distancia de controlabilidad promedio (D_AC). Las barras representan los valores de distancia; valores más bajos indican mayor similitud con la plantilla. Se muestran los rangos para cada condición (rango 1 = distancia más pequeña). (C) Clasificación consensuada entre métricas obtenida mediante la suma de los rangos para cada condición. La condición con el rango total más bajo fue seleccionada como la frecuencia de estimulación candidata para este participante. Haga clic aquí para ver una versión más grande de esta figura.

ID del participanteConectividadValor propioVector propioControlabilidad promedioConsensoKendall-W
D0140HZ (G=1.00)40HZ (G=1.00)40HZ (G=1.00)40HZ (G=0.29)40HZ0.85
D02Sham (G=0.18)Sham (G=0.00)Sham (G=0.11)Sham (G=-0.09)Sham0.89
D0310HZ (G=0.20)Sham (G=0.05)2HZ (G=0.56)Sham (G=0.63)40HZ0.34
D07Sham (G=0.29)25HZ (G=0.06)2HZ (G=0.33)25HZ (G=0.45)25HZ0.36
D10Sham (G=1.00)Sham (G=1.00)Sham (G=1.00)Sham (G=1.00)Sham0.59
D1110HZ (G=0.71)10HZ (G=0.66)2HZ (G=0.73)40HZ (G=1.00)10HZ0.34
D1540HZ (G=0.58)40HZ (G=0.53)40HZ (G=0.21)40HZ (G=-0.27)40HZ0.96
D1625HZ (G=1.00)10HZ (G=1.00)25HZ (G=0.90)25HZ (G=0.40)25HZ0.64
D172HZ (G=0.51)2HZ (G=0.75)25HZ (G=0.73)10HZ (G=0.82)10HZ0.21
D2025HZ (G=-0.08)25HZ (G=0.04)25HZ (G=-0.27)Sham (G=0.31)25HZ0.84
D21Sham (G=0.37)2HZ (G=0.08)Sham (G=0.27)40HZ (G=-0.28)Sham0.41
D222HZ (G=-0.06)10HZ (G=0.19)2HZ (G=0.75)2HZ (G=1.00)2HZ0.47
D23Sham (G=0.53)25HZ (G=-0.14)Sham (G=0.71)40HZ (G=0.23)Sham0.31
D2425HZ (G=0.59)25HZ (G=0.18)25HZ (G=0.18)Sham (G=0.34)25HZ0.5
D2525HZ (G=1.00)Sham (G=-0.01)10HZ (G=1.00)Sham (G=0.19)25HZ0.16
D2610HZ (G=0.52)Sham (G=0.01)10HZ (G=1.00)10HZ (G=0.71)10HZ0.93
D2710HZ (G=-0.11)10HZ (G=0.20)2HZ (G=-0.20)40HZ (G=1.00)2HZ0.05
D2810HZ (G=0.51)10HZ (G=0.04)10HZ (G=1.00)10HZ (G=-0.02)10HZ0.81
D2910HZ (G=0.81) 10HZ (G=0.54) Sham (G=1.00)10HZ (G=1.00) 10HZ0.85
Gain0.50, 0.520.32, 0.180.58, 0.730.46, 0.400.55, 0.50
 (Media, Mediana)

Tabla 1: Selección de frecuencia específica por participante a través de métricas de distancia.

Para cada participante, se informa la condición de estimulación asociada con la distancia mínima respecto a la plantilla del control sano para cuatro métricas basadas en redes: distancia de conectividad (D_conn), distancia de autovalor (D_eig), distancia de autovector (D_evec) y distancia de controlabilidad promedio (D_AC). Los valores entre paréntesis (G) indican la ganancia de estimulación. La columna Consenso muestra la frecuencia de estimulación propuesta basada en la agregación de rangos a través de las cuatro métricas. La W de Kendall cuantifica el acuerdo entre las métricas dentro de cada participante. La última fila resume los valores promedio y mediana de la ganancia de estimulación a través de los participantes para cada métrica, junto con los valores correspondientes de W de Kendall.

Discusión

Razonamiento metodológico y pasos críticos

Este protocolo proporciona un flujo de trabajo estandarizado para la cartografía intra-sesión de los efectos dependientes de la frecuencia de la estimulación transcutánea del nervio vago auricular (taVNS) mediante espectroscopía funcional de infrarrojo cercano en estado de reposo (fNIRS). El objetivo es realizar una comparación estructurada de parámetros de estimulación candidatos bajo condiciones controladas, en lugar de una optimización individualizada validada.

Varios pasos son fundamentales para una implementación confiable. La falta de implementar adecuadamente estos pasos puede resultar en una calidad reducida de la señal, estimaciones de conectividad poco confiables, clasificaciones inestables o pérdida de conjuntos de datos analizables. La intensidad de estimulación debe calibrarse por separado para cada frecuencia hasta un nivel percibido fijo (7–8/10), ya que los umbrales perceptivos varían entre frecuencias y de lo contrario podrían confundir las comparaciones19. Una calibración inadecuada puede provocar diferencias en la intensidad percibida de la estimulación en lugar de efectos neuronales verdaderamente específicos de la frecuencia, reduciendo así la comparabilidad entre condiciones. La calidad de los datos de fNIRS debe garantizarse mediante un acoplamiento estable entre los optodos y el cuero cabelludo, corrección del movimiento, regresión de separaciones cortas y criterios predefinidos para la retención de canales. Se requiere una definición consistente de la región de interés (ROI) entre participantes y condiciones para asegurar la comparabilidad de las características de la red. Finalmente, la selección de frecuencias debe basarse en un enfoque predefinido basado en clasificación que integre múltiples métricas complementarias, en lugar de depender de una única medida. Estos pasos metodológicos determinan directamente la calidad, estabilidad e interpretabilidad de las medidas de red resultantes y, por lo tanto, influyen en los resultados representativos mostrados en la sección de Resultados.

Diseño secuencial dentro de la sesión y efectos de arrastre

El protocolo aplica múltiples frecuencias de estimulación secuencialmente dentro de una sola sesión sin un lavado fisiológico prolongado. Aunque se utilizan intervalos intercondición fijos, no pueden descartarse los efectos de arrastre o de interacción. Esto podría influir en la independencia de las respuestas específicas a cada condición y debe tenerse en cuenta al interpretar las diferencias entre las frecuencias de estimulación. Por consiguiente, las diferencias de frecuencia deben interpretarse como efectos relativos dentro de la sesión. La «frecuencia óptima» identificada refleja la condición con mejor desempeño en esa sesión y debe interpretarse como un resultado relativo, basado en los datos, dentro de la sesión, más que como un parámetro de estimulación definitivo o generalizable sin replicación20.

Comparación con enfoques alternativos

Los protocolos de frecuencia fija permiten la estandarización, pero no tienen en cuenta la variabilidad entre individuos, mientras que el ajuste basado en síntomas carece de información fisiológica directa21. Los enfoques guiados por imágenes de resonancia magnética funcional (fMRI) ofrecen una cobertura espacial más amplia, pero son menos factibles para uso repetido o en la cabecera del paciente. En comparación con estos enfoques, el presente protocolo ofrece ventajas en portabilidad, viabilidad para mediciones repetidas y evaluación directa a nivel de red, aunque se encuentra limitado por una menor profundidad espacial y sensibilidad a los artefactos por movimiento22. Por lo tanto, debe considerarse un marco pragmático para el mapeo exploratorio de parámetros, más que una estrategia de optimización clínicamente validada.

Limitaciones

El protocolo se basa en un diseño de una sola sesión y no evalúa la persistencia de los efectos de la red ni los resultados clínicos. La estimulación secuencial puede introducir efectos residuales entre condiciones23. Estos factores pueden afectar la estabilidad y la generalización de las respuestas específicas de frecuencia identificadas. Además, la variabilidad anatómica, la colocación de los electrodos y la impedancia de la piel pueden afectar la eficiencia de la estimulación, mientras que criterios estrictos de control de calidad de la fNIRS pueden reducir el número de conjuntos de datos analizables. Asimismo, las mediciones de fNIRS se limitan a regiones corticales y no capturan la actividad subcortical, la cual podría contribuir a efectos a nivel de red.

Alcance y aplicabilidad

Este protocolo es particularmente adecuado para investigadores que realizan estudios piloto, pruebas de viabilidad o desarrollo de protocolos en etapas iniciales en la investigación de neuromodulación. Permite la selección basada en redes de parámetros de estimulación candidatos, pero no establece la eficacia terapéutica ni la psiquiatría de precisión. El marco puede adaptarse a otras redes, trastornos o parámetros de estimulación modificando la colocación de los optodos y las definiciones de las regiones de interés, siempre que se mantenga un preprocesamiento consistente, un control de calidad riguroso y procedimientos de comparación transparentes24.

Divulgaciones

Todos los participantes proporcionaron su consentimiento informado por escrito antes de participar en los experimentos. Los protocolos del estudio fueron revisados y aprobados por el comité de ética correspondiente de la Universidad de Marburgo.

Los scripts de software personalizados, los datos anonimizados y otros materiales utilizados en este estudio pueden estar disponibles para las partes interesadas previa solicitud.

Declaración de contribución de los autores

Svenja J. Francke contribuyó al reclutamiento de participantes, adquisición de datos, administración del proyecto, metodología y redacción del borrador original y del manuscrito revisado. Sarah Alizadeh contribuyó a la conceptualización, metodología, análisis de datos, visualización y redacción del borrador original y del manuscrito revisado. José C. García Alanis contribuyó a la conceptualización, metodología, administración del proyecto, análisis de datos y revisión y edición del manuscrito. Dorian Kock contribuyó al reclutamiento de participantes, adquisición de datos, metodología y redacción del borrador original y del manuscrito revisado. Jannick Herrmann contribuyó al reclutamiento de participantes, adquisición de datos, metodología y redacción del borrador original y del manuscrito revisado. Maximilian Kastl contribuyó al reclutamiento de participantes, adquisición de datos, metodología y redacción del borrador original y del manuscrito revisado. Hamidreza Jamalabadi contribuyó a la conceptualización, metodología, análisis de datos, supervisión y revisión y edición del manuscrito. Felix P. Bernhard contribuyó a la conceptualización, metodología, supervisión y redacción del borrador original y del manuscrito revisado.

Agradecimientos

Este trabajo fue financiado en parte por subvenciones consortiales de la Fundación Alemana para la Investigación (DFG) SFB/TRR 393 (número de subvención del proyecto 521379614), por una subvención de investigación de la von Behring Röntgen Stiftung (No.\ 70\_00038), por una subvención de investigación del Hospital Universitario de Gießen y Marburg (UKGM, No. 1/2024 MR) y por la Edda und Helmut Laich Stiftung. Este trabajo recibió además apoyo del centro DYNAMIC, financiado por el programa LOEWE del Ministerio de Ciencia y Artes de Hesse (Número de subvención: LOEWE 1/16/519/03/09.001(0009)/98) y la Deutsche Forschungsgemeinschaft (Fundación Alemana para la Investigación, DFG) bajo Alemania

Estrategia de Excelencia (EXC 3066/1 “The Adaptive Mind”, número de proyecto 533717223).

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Sistema fNIRS (multicanal portátil de onda continua)NIRxNIRSport2Sistema fNIRS multicanal portátil de doble longitud de onda para grabaciones hemodinámicas corticales
Software de adquisición fNIRSNIRxAuroraSoftware nativo utilizado para la adquisición de señales, monitoreo y marcado de eventos
Capucha fNIRS con optodosNIRxCompatible con NIRSport2Utilizada para la colocación de fuentes y detectores
Optodos (fuentes y detectores)NIRxCompatible con NIRSport2Canales de separación larga (~30 mm) y canales de separación corta (~8 mm)
MATLABMathWorksÚltima versión utilizada en el estudioUtilizado para el preprocesamiento, análisis de conectividad y scripts personalizados
Signal Processing ToolboxMathWorksComplemento de MATLABUtilizado para filtrado y procesamiento de series temporales
Statistics and Machine Learning ToolboxMathWorksComplemento de MATLABUtilizado para clasificación, estadísticas descriptivas y métricas de concordancia
Scripts personalizados de análisisDesarrollo internoN/AUtilizados para preprocesamiento, extracción de características y selección de frecuencias basada en clasificación
Dispositivo de estimulación taVNStVNS GmbHModelo de dispositivo utilizado en el estudioUtilizado para la estimulación transcutánea del nervio vago auricular
Electrodos de estimulación auriculartVNS GmbHCompatible con el estimuladorUtilizados para la colocación en la cymba conchae izquierda
Cables y conectores para electrodostVNS GmbHCompatible con el estimuladorUtilizados para conectar los electrodos al dispositivo de estimulación
Crema de contacto / gel conductortVNS GmbHN/AUtilizado para mejorar el contacto entre el electrodo y la piel durante la estimulación
Toallitas con alcoholtVNS GmbHN/AUtilizadas para la preparación de la piel antes de colocar los electrodos
PsychoPyOpen Science Tools Ltd.Versión 2024.4.2Utilizado para el control experimental, temporización, aleatorización de bloques, presentación de estímulos y sincronización
Estación de trabajo informáticaLenovoThinkPad T14, G31666Utilizada para el control de adquisición y análisis fuera de línea; Intel Core Ultra 5, 16 GB de RAM, SSD de 500 GB, Windows 11 Pro
Monitor / pantallaLenovoThinkVision T32UD-40Pantalla IPS de 31,5 pulgadas utilizada para la presentación de la cruz de fijación; resolución 3840 × 2160 a 60 Hz
Habitación de pruebas silenciosaInstalación institucionalN/AUtilizada para minimizar distracciones ambientales durante las grabaciones

Referencias

  1. Rings, T., von Wrede, R., Bröhl, T., Schach, S., Helmstaedter, C., et al. Impact of transcutaneous auricular vagus nerve stimulation on large-scale functional brain networks: from local to global. Front Physiol. 12, 700261(2021).
  2. Kong, J., Fang, J., Park, J., Li, S., Rong, P. Treating depression with transcutaneous auricular vagus nerve stimulation: state of the art and future perspectives. Front Psychiatry. 9, 20(2018).
  3. Badran, B. W., et al. Short trains of transcutaneous auricular vagus nerve stimulation (taVNS) have parameter-specific effects on heart rate. Brain Stimul. 11 (4), 699-708 (2018).
  4. Farmer, A. D., et al. International consensus based review and recommendations for minimum reporting standards in research on transcutaneous vagus nerve stimulation (version 2020). Front Hum Neurosci. 14, 568051(2020).
  5. Yakunina, N., Kim, S. S., Nam, E. -C. Optimization of transcutaneous vagus nerve stimulation using functional MRI. Neuromodulation. 20 (3), 290-300 (2017).
  6. Parente, J., et al. Neural, anti-inflammatory, and clinical effects of transauricular vagus nerve stimulation in major depressive disorder: a systematic review. Int J Neuropsychopharmacol. 27 (3), pyad058(2024).
  7. Chao, J., et al. fNIRS evidence for distinguishing patients with major depression and healthy controls. IEEE Trans Neural Syst Rehabil Eng. 29, 2211-2221 (2021).
  8. Ho, C. S. H., et al. Diagnostic and predictive applications of functional near-infrared spectroscopy for major depressive disorder: a systematic review. Front Psychiatry. 11, 378(2020).
  9. Ludwig, M., Pereira, C., Keute, M., Düzel, E., Betts, M. J., et al. Evaluating phasic transcutaneous vagus nerve stimulation (taVNS) with pupil dilation: the importance of stimulation intensity and sensory perception. bioRxiv. , (2024).
  10. Fox, M. D., Buckner, R. L., White, M. P., Greicius, M. D., Pascual-Leone, A. Efficacy of transcranial magnetic stimulation targets for depression is related to intrinsic functional connectivity with the subgenual cingulate. Biol Psychiatry. 72 (7), 595-603 (2012).
  11. Drysdale, A. T., et al. Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nat Med. 23 (1), 28-38 (2017).
  12. Kaiser, R. H., Andrews-Hanna, J. R., Wager, T. D., Pizzagalli, D. A. Large-scale network dysfunction in major depressive disorder: a meta-analysis of resting-state functional connectivity. JAMA Psychiatry. 72 (6), 603-611 (2015).
  13. Whitfield-Gabrieli, S., Ford, J. M. Default mode network activity and connectivity in psychopathology. Annu Rev Clin Psychol. 8, 49-76 (2012).
  14. Fang, J., et al. Transcutaneous vagus nerve stimulation modulates default mode network in major depressive disorder. Biol Psychiatry. 79 (4), 266-273 (2016).
  15. Bassett, D. S., Sporns, O. Network neuroscience. Nat Neurosci. 20 (3), 353-364 (2017).
  16. Gu, S., et al. Controllability of structural brain networks. Nat Commun. 6, 8414(2015).
  17. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: a comparison of motion correction techniques applied to real cognitive data. Neuroimage. 85 (Pt 1), 181-191 (2014).
  18. Yücel, M. A., et al. Best practices for fNIRS publications. Neurophotonics. 8 (1), 012101(2021).
  19. Berman, G. J., Bialek, W., Shaevitz, J. W. Predictability and hierarchy in Drosophila behavior. Proc Natl Acad Sci U S A. 113 (42), 11943-11948 (2016).
  20. Atanackov, P., Peterlin, J., Derlink, M., Kovačič, U., Kejžar, N., et al. The acute effects of varying frequency and pulse width of transcutaneous auricular vagus nerve stimulation on heart rate variability in healthy adults: a randomized crossover controlled trial. Biomedicines. 13 (3), 700(2025).
  21. Anderson, Z., Turner, J. A., Ashar, Y. K., Calhoun, V. D., Mittal, V. A. Application of hyperalignment to resting state data in individuals with psychosis reveals systematic changes in functional networks and identifies distinct clinical subgroups. Aperture Neuro. 4, (2024).
  22. Austelle, C. W., et al. A comprehensive review of vagus nerve stimulation for depression. Neuromodulation. 25 (3), 309-315 (2022).
  23. Badran, B. W., et al. Neurophysiologic effects of transcutaneous auricular vagus nerve stimulation (taVNS) via electrical stimulation of the tragus: a concurrent taVNS/fMRI study and review. Focus. 20 (1), 80-89 (2022).
  24. Baig, S. S., et al. Optimizing non-invasive vagus nerve stimulation for treatment in stroke. Neural Regen Res. 20 (12), 3388-3399 (2025).

Reimpresiones y permisos

Etiquetas

Mapeo por fNIRSNeuroimagen de la depresiónRed neuronal por defectoMapeo de la frecuencia de estimulaciónAnálisis a nivel de redEstimulación transcutánea del nervio vagoSelección individualizada de parámetros

Este artículo ha sido publicado

Video próximamente

Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.