چرا استفاده از QEEGhome در روان‌پزشکی و روان‌شناسی، اطلاعات جامع‌تر و دقیق‌تری نسبت به NeuroGuide در اختیار بالینگر قرار می‌دهد؟

 

تعریف  QEEG با رویکرد بالینی

QEEG را می‌توان استفاده از مارکرهای EEG در روانپزشکی و روانشناسی تعریف کرد (۱). به بیان دیگر، QEEG مفهومی بالینی است که بر استفاده تخصصی از EEG در حوزه‌های روانپزشکی تأکید دارد (۹،۱۳). از منظر ترمینولوژی پزشکی نیز QEEG نسبت به کاربرد سنتی EEG، که عمدتاً معطوف به نورولوژی بود، افق جدیدی ایجاد می‌کند. در حالی‌ که به‌طور سنتی EEG با کاربست نورولوژیک آن شناخته می‌شد، اصطلاح QEEG به‌صورت مشخص به کاربرد این ابزار در روان‌پزشکی اشاره دارد.

با توجه به اینکه الکتروانسفالوگرام یک ابزار ارزیابی نوروفیزیولوژیک است و می‌توان از آن مجموعه گسترده‌ای از اطلاعات استخراج کرد، گزارش‌های QEEG می‌توانند با قالب‌ها و رویکردهای مختلف تدوین و ارائه شوند. در این میان، دو رویکرد اصلی در استخراج اطلاعات دارای کاربرد بالینی در روان‌پزشکی شامل روش‌های ویژگی‌محور و روش‌های نورومارکرمحور هستند.

لازم است توجه شود که تمامی داده‌های حاصل از EEG لزوماً دارای معادل نوروفیزیولوژیک و بالینی مشخص نیستند؛ بنابراین نمی‌توان تمام این اطلاعات را نورومارکر نامید. 

 

روش کلاسیک (ویژگی‌محور):

این رویکرد بر محاسبه Z‑score مجموعه‌ای از ویژگی‌های متعدد نسبت به جامعه نرم اتکا دارد. رایج‌ترین نمونه این روش را می‌توان NeuroGuide دانست. ویژگی‌هایی که در این شیوه مورد استفاده قرار می‌گیرند الزاماً مابه‌ازای بالینی مشخص ندارند و نمی‌توان آن‌ها را نورومارکر نامید (۹،۱۲،۱۳،۱۵). از جمله ویژگی‌های رایج در این روش می‌توان به توان مطلق و نسبی فرکانسی، coherence و موارد مشابه اشاره کرد.

 

روش مدرن (نورومارکرمحور – نسل جدید گزارش‌های QEEG):

این رویکرد در راستای چارچوب‌های RDOC و بر پایه به‌کارگیری نورومارکرهای مبتنی بر EEG به‌عنوان واسطی میان داده‌های EEG و کاربردهای بالینی توسعه یافته است. در این روش، نورومارکرهایی نظیر arousal، vigilance، نشانگرهای پاسخ به درمان، چهارچوب‌های همسو با RDOC و شاخص‌های پایشی که امکان استخراج آن‌ها از توپومپ‌های فرکانسی وجود ندارد، مبنا قرار می‌گیرند (۳،۴).

بنابراین در سیستم‌های قدیمی‌تر مانند NeuroGuide، صرف استخراج اطلاعات از EEG، فارغ از اینکه این اطلاعات ماهیت نورومارکری داشته باشند یا خیر مورد تأکید قرار می‌گرفت. در مقابل، در سیستم‌های مدرن، تأکید اصلی بر ماهیت نورومارکری اطلاعات استخراج‌شده قرار دارد و همین ویژگی مبنای اصلی فرایند استخراج و تفسیر اطلاعات محسوب می‌شود.

 

روش کلاسیک؛ محدودیت‌های استفاده از توپومپ‌های ویژگی‌محور در روان‌پزشکی

توپومپ‌ها و نقشه‌های Z‑score، نمایش بصری ویژگی‌های کمی EEG، از قبیل توان مطلق و نسبی در باندهای فرکانسی، asymmetry و coherence هستند. تصاویر توپومپ فرکانسی می‌توانند به‌عنوان ابزارهای کمکی در بررسی فیزیولوژیک عملکرد ناحیه‌ای مغز به کار روند. این تصاویر همچنین می‌توانند میزان انحراف عملکرد هر ناحیه را نسبت به پایگاه داده نرمال نشان دهند. در این راستا، می‌توان به diffused slowing وfocal slowing به‌عنوان مثال‌های شاخص اشاره کرد که با علائمی مانند کم‌خوابی، مصرف داروهای آرام‌بخش، مشکلات متابولیک یا آسیب عملکردی نقطه‌ای ارتباط دارند.

با این وجود، به دلیل وجود ناهمگونی بالا در الگوهای عملکردی مغز و همچنین عدم وجود الگوهای توپومپی یکسان در اختلالات، شواهد کافی برای استفاده از توپومپ‌های فرکانسی در تشخیص اختلالات روان‌پزشکی وجود ندارد (۱، ۹). علاوه بر این، در کنار عدم کارایی در تشخیص، آیا لزوماً ارتباط یک‌به‌یک یا مؤثری بین عملکرد فرکانسی یک ناحیه و پاسخ به درمان وجود دارد؟

تاکنون نتایجی که نشان‌دهنده ارتباط مؤثر میان انحراف از معیار و پیامدهای درمانی باشد و بتواند در پشتیبانی از تصمیم‌گیری بالینی در روان‌پزشکی از جمله در پیش‌آگهی، پایش و طبقه‌بندی درمان مورد استفاده قرار گیرد، منتشر نشده است (۱۲،۱۳،۱۵). مطالعات متعددی که در این حوزه انجام شده‌اند عمدتاً صرفاً بیانگر وجود ارتباط آماری معنادار، بدون اندازه اثر (effect size) قابل توجه، میان شاخص‌های Z‑score فرکانسی و نتایج مداخلات درمانی هستند؛ ارتباطی که حتی به‌عنوان یک ابزار کمکی نیز قادر به ایجاد افتراق مناسب میان دو گروه responder و non-responder نیست (۱۰،۱۲،۱۳،۱۵).

برای مثال، در مطالعات مرتبط با افسردگی، شواهد مروری نشان می‌دهد که نشانگرهای مبتنی بر EEG در پیش‌بینی پاسخ به درمان در سطح پژوهشی عملکردی متوسط دارند و در عین حال محدودیت‌های مهمی را نیز برجسته می‌کنند:

1. سوگیری در نتایج، ناهمگونی نشانگرها، اعتبارسنجی محدود خارج از نمونه و چالش‌های انتقال‌پذیری به محیط‌های بالینی واقعی از جمله مهم‌ترین محدودیت‌های این رویکرد محسوب می‌شوند (۶،۹،۱۳،۱۵).

2. در تفسیر عملی برای محیط‌های بالینی نیز زیرگروه‌های مبتنی بر فرکانس یا توپومپ ممکن است در برخی زمینه‌ها احتمال پاسخ به درمان را نشان دهند، اما به‌ندرت می‌توانند به‌طور قابل‌اعتماد در انتخاب میان گزینه‌های درمانی مشخص، مانند داروی A یا B، راهنمایی مؤثری ارائه دهند (۱۲،۱۳،۱۵).

 

به همین دلیل، در رویکردهای مدرن QEEG بالینی معمولاً نقشه‌های فرکانسی به‌منظور شفافیت و ارائه نمای کلی از داده‌ها حفظ می‌شوند، اما اولویت اصلی به نشانگرهای چندمتغیره و کنترل‌شده مبتنی بر شاخص‌های وضعیت لحظه‌ای و پایدار بیمار (state and trait indices) داده می‌شود؛ شاخص‌هایی که ارتباط مستقیم‌تری با پیامدهای بالینی معنادار و شرایط کاربرد مداخلات درمانی مختلف دارند.

 

 

چرا گزارش‌های نسل جدید ایجاد شدند؟ (QEEGhome / HBI / DeepPsy)

گزارش‌های نسل جدید QEEG در پاسخ به فاصله موجود میان نیازهای تصمیم‌گیری بالینی روان‌پزشکان و اطلاعات ارائه‌شده در قالب توپومپ‌های فرکانسی توسعه یافته‌اند. این گزارش‌ها با تمرکز بر شاخص‌ها و نورومارکرهای مرتبط با بالین، اطلاعاتی فراهم می‌کنند که برای تفسیر بالینی و هدایت مداخلات درمانی کاربردپذیرتر هستند (۳،۴،۶،۱۵):

1. آیا ثبت EEG از نظر کیفیت داده و کنترل وضعیت ثبت، برای استنتاج‌های قابل‌اعتماد مناسب است؟ 

2. وضعیت نوروفیزیولوژیک فعلی بیمار چیست؟ (state indices) 

3. این وضعیت چگونه با علائم بالینی و حساسیت احتمالی به مداخلات درمانی مرتبط می‌شود؟ (استخراج نورومارکرها) 

4. چگونه می‌توان تغییرات را به‌صورت عینی در مراجعات و ثبت‌های مختلف پایش کرد؟ (follow‑up indices) 

5. استفاده از چارچوب RDoC برای ارائه پروفایل‌های عملکردی غیرتشخیصی مرتبط با پاسخ به درمان 

6. ارائه شاخص‌های کمکی برای برآورد احتمال پاسخ به مداخلات دارویی و غیردارویی (جداول پیش‌بینی پاسخ به درمان)

 

مقایسه گزارش‌های QEEG بر مبنای کاربرد بالینی

 

نکات برجسته در پلتفرم و گزارش QEEGhome

QEEGhome یک گزارش نسل جدید مبتنی بر نورومارکرهای استخراج‌شده از EEG است که به‌طور خاص برای استفاده در روان‌پزشکی طراحی شده است. این پلتفرم به ‌منظور پشتیبانی از تصمیم‌گیری‌های بالینی و پایش طولی بیمار توسعه یافته است. نکته حائز اهمیت این است که QEEGhome نسخه ساده یا خلاصه‌شده‌ای از NeuroGuide نیست، بلکه بر اساس سبک نوین گزارش‌های QEEG طراحی شده است که امروزه در سطح جهانی مورد استفاده قرار می‌گیرند.

 

اجزای اصلی QEEGhome:

• شاخص vigilance و arousal (state and trait indices)

سطح هوشیاری قابل استخراج از EEG، که با عنوان شاخص vigilance شناخته می‌شود، نقش مهمی در تفسیر و کاربرد EEG در روان‌پزشکی دارد. این شاخص می‌تواند در کنار ارزیابی بالینی، به بررسی دقیق‌تر وضعیت هوشیاری بیمار کمک کند (ارجاع به مقاله مربوط به vigilance در وب‌سایت). اطلاعات حاصل از این شاخص، همراه با سایر علائم بالینی، می‌تواند در انتخاب گروه‌های دارویی و تعیین گزینه‌های اصلی درمانی مورد استفاده قرار گیرد.

 

• پروفایل ابعادی مبتنی بر RDoC (dimensional psychiatry language)

QEEGhome با ارائه پروفایل RDoC که از تلفیق نتایج EEG و داده‌های پرسشنامه‌ای به‌دست می‌آید، پروفایلی قابل‌تفسیر و مرتبط با پیامدهای بالینی در کنار تشخیص اولیه برای بیمار فراهم می‌کند. این پروفایل با ایجاد فضایی نوروسایکولوژیک و مبتنی بر سازوکارهای عملکردی، می‌تواند در کنار تشخیص اولیه به پزشک کمک کند تا ارزیابی دقیق‌تر و شخصی‌سازی‌شده‌تری از وضعیت بالینی بیمار ارائه دهد (ارجاع به مقاله RDoC).

 

• جدول پاسخ به دارو (شاخص کمکی؛ صرفاً برای مقایسه درون‌گروهی)

همسو با پیشرفته‌ترین گزارش‌های EEG مورد استفاده در روان‌پزشکی در سطح بین‌المللی، پلتفرم QEEGhome بر اساس مجموعه تحقیقات گسترده انجام‌شده در انستیتو NPCindex، جدولی از شاخص‌های مرتبط با پاسخ به درمان دارویی ارائه می‌کند که ۳۴ داروی مختلف روان‌پزشکی را شامل می‌شود (ارجاع به مقاله جدول دارویی).

 

• استفاده از پایگاه داده پاتولوژیک در کنار دیتابیس نرمال

یکی از تمایزهای مهم در QEEGhome استفاده هم‌زمان از پایگاه داده پاتولوژیک در کنار دیتابیس نرمال است. پایگاه داده پاتولوژیک امکان مقایسه داده‌های بیمار با گروه‌های پاتولوژیک مرتبط با تشخیص اولیه بالینگر را فراهم می‌کند و در نتیجه اطلاعات افتراقی معناداری در اختیار قرار می‌دهد. این رویکرد در چارچوب تشخیص اولیه می‌تواند به بهینه‌سازی فرایند تشخیص و تفسیر بالینی کمک کند (ارجاع به مقاله اهمیت استفاده از دیتابیس پاتولوژیک در کنار دیتابیس نرمال).

 

• گزارش پایش مقایسه‌ای (ردیابی عینی بیمار) 

با توجه به عدم ارتباط مؤثر میان شدت اختلال و توپومپ‌های فرکانسی، استفاده از این نقشه‌ها برای پیگیری درمان و مقایسه روند تغییرات بیمار، اطلاعات بالینی معناداری در اختیار بالینگر قرار نمی‌دهد. در سیستم QEEGhome، ارزیابی مقایسه‌ای بر پایه نورومارکرهای کمی از جمله vigilance regulation، vigilance mean، arousal level، theta cordance و APF انجام می‌شود تا در کنار علائم بالینی، عوارض جانبی و پیامدهای عملکردی، امکان ردیابی عینی و قابل‌اعتماد وضعیت بیمار فراهم شود (ارجاع به صفحه گزارش‌های مقایسه‌ای).

 

• ااستفاده از میکرو‌استیت‌ها، ویژگی‌های غیرخطی و روش‌های آماری پیشرفته 

رویکردهای کلاسیک QEEG عمدتاً بر شاخص‌هایی همچون توان مطلق و نسبی در باندهای فرکانسی مشخص تمرکز دارند. در حالی که در رویکردهای نسل جدید، تحلیل‌ها علاوه بر این شاخص‌ها، نحوه تغییر حالت‌های شبکه‌ای مغز در طول زمان (میکرو‌استیت‌ها) و همچنین میزان تنظیم‌پذیری و پیچیدگی این پویایی‌ها (ویژگی‌های غیرخطی) را بررسی می‌کنند. این پارامترها می‌توانند اطلاعات عمیق‌تر و جامع‌تری در مورد عملکرد مغز در اختیار بالینگر قرار دهند.

 

جمع‌بندی بالینی (Clinical Takeaway)

تفاوت اصلی میان گزارش‌های کلاسیک و مدرن QEEG در صرف کمی‌سازی EEG نیست، بلکه در میزان هم‌راستایی خروجی‌ها با نقاط تصمیم‌گیری بالینی در روان‌پزشکی است. توپومپ‌های متداول در سبک NeuroGuide می‌توانند به‌عنوان توصیفی از فیزیولوژی مغز و شاخص‌هایی غیرتشخیصی مفید باشند؛ با این حال، در بسیاری از موارد به پرسش‌هایی که در فرایند مداخلات رایج روان‌پزشکی مطرح می‌شود پاسخ مستقیم ارائه نمی‌کنند.

گزارش‌های نسل جدید QEEG و از جمله QEEGhome بر اساس همین نیازهای بالینی طراحی شده‌اند. در این رویکرد، مرکز ثقل گزارش از الگوهای ایستای نقشه‌ای به سمت نورومارکرهای آگاه از وضعیت (state‑aware) و شاخص‌های پشتیبان تصمیم‌گیری در پایش طولی منتقل شده است. این تغییر رویکرد به کاهش برخی محدودیت‌های گزارش‌های متداول کمک می‌کند، از جمله از طریق ارائه شاخص‌هایی مانند:

• سطح، میانگین و تنظیم هوشیاری بر اساس شاخص vigilance 

• شاخص‌های انگیختگی (arousal level) 

• نشانگرهای پایش مانند APF و cordance 

• جدول گزارش پاسخ به دارو 

• پروفایل RDoC در کنار تشخیص اولیه

 

این شاخص‌ها در قالبی هماهنگ با نیازهای مداخله روان‌پزشکی ارائه می‌شوند. بر این اساس، QEEGhome تلاش می‌کند با اتکا به یافته‌های به‌روز علمی، چارچوب مفهومی RDoC و در بستر مطالعات و تحقیقات مستمر انستیتو NPCindex، و با بهره‌گیری از پایگاه‌های داده نرمال و پاتولوژیک ایرانی، داده‌های EEG را به اطلاعاتی ساختاریافته، قابل‌تفسیر و قابل‌استفاده در تصمیم‌گیری بالینی تبدیل کند.

در عمل، یکی از مهم‌ترین کاربردهای QEEGhome در پایش طولی بیمار است؛ یعنی ارزیابی این‌که آیا تغییرات نورومارکرها همسو با تغییرات علائم بالینی، عوارض جانبی و پیامدهای عملکردی در مسیر مورد انتظار حرکت می‌کنند یا خیر. هدف این رویکرد افزایش حجم گزارش نیست، بلکه ارائه اطلاعاتی تکرارپذیر، قابل‌تفسیر و قابل پایش است که بتوان آن را به‌صورت منسجم با فرمول‌بندی بالینی روان‌پزشک ادغام کرد. 

 

رفرنس‌ها:

1.  American Neuropsychiatric Association Committee Report on QEEG in Clinical Psychiatry. Retrieved from https://pubmed.ncbi.nlm.nih.gov/17135374/
2. Widge, A. S., et al. Meta-analysis of EEG biomarkers predicting depression treatment response. Retrieved from https://pubmed.ncbi.nlm.nih.gov/30278789/
3. National Institute of Mental Health. Research Domain Criteria (RDoC): Overview. Retrieved from https://www.nimh.nih.gov/research/research-funded-by-nimh/rdoc/research-domain-criteria-rdoc
4. National Institute of Mental Health. Development and definitions of the RDoC domains and constructs. Retrieved from https://www.nimh.nih.gov/research/research-funded-by-nimh/rdoc/development-and-definitions-of-the-rdoc-domains-and-constructs
5. Hegerl, U., et al. EEG vigilance regulation findings in major depression. Retrieved from https://pubmed.ncbi.nlm.nih.gov/21722018/
6. npj Parkinson’s Disease. (2025). EEG normative modeling and heterogeneity rationale (patient-specific deviations). Retrieved from https://www.nature.com/articles/s41531-025-00957-6
7. Microstates review/meta-analytic examples. Retrieved from https://link.springer.com/article/10.1007/s10548-023-00999-0 and https://pubmed.ncbi.nlm.nih.gov/40220957/
8. Example review on EEG complexity/nonlinear features in psychiatric samples. Retrieved from https://pubmed.ncbi.nlm.nih.gov/33040603/
9. Newson, J. J., & Thiagarajan, T. C. (2019). EEG frequency bands in psychiatric disorders: A review of resting state studies. Frontiers in Human Neuroscience, 12, Article 521. https://doi.org/10.3389/fnhum.2018.00521
10. Arns, M., Etkin, A., Hegerl, U., Williams, L. M., DeBattista, C., Palmer, D. M., … & Gordon, E. (2015). Frontal and anterior cingulate theta EEG in depression: Implications for treatment outcome? European Neuropsychopharmacology, 25(8), 1190–1200. https://doi.org/10.1016/j.euroneuro.2015.03.007
11. Widge, A. S., et al. (2019). Electroencephalographic biomarkers for treatment response in major depressive disorder. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 4(7), 611–618.
12. Iosifescu, D. V. (2011). Electroencephalography-derived biomarkers of antidepressant response. Harvard Review of Psychiatry, 19(3), 144–154. https://doi.org/10.3109/10673229.2011.586549
13. Olbrich, S., & Arns, M. (2013). EEG biomarkers in major depressive disorder: Discriminative power and prediction of treatment response. International Review of Psychiatry, 25(5), 604–618. https://doi.org/10.3109/09540261.2013.816269
14. van Dinteren, R., Arns, M., Jongsma, M. L. A., & Kessels, R. P. C. (2015). Combined frontal and parietal P300 amplitudes indicate compensated cognitive processing across the lifespan. Frontiers in Aging Neuroscience, 7, Article 294. https://doi.org/10.3389/fnagi.2015.00294
15. Widge, A. S., Bilge, M. T., Montana, R., Chang, W., Rodriguez, C. I., Deckersbach, T., … Dougherty, D. D. (2019). Electroencephalographic biomarkers for treatment response prediction in major depressive illness: A meta-analysis. American Journal of Psychiatry, 176(1), 44–56. https://doi.org/10.1176/appi.ajp.2018.17121358 

 

اولین داده خود را ثبت کرده و گزارش نقشه مغزی QEEGhome را دریافت کنید.

روی لینک زیر کلیک کنید.

"ارسال اولین داده"