مطالعه‌ای که در سال ۲۰۲۲ در Translational Psychiatry منتشر شد، به بررسی ۱۵ مطالعه با مجموع ۷۵۸ بیمار مبتلا به Major Depressive Disorder (MDD) پرداخت. هدف این مطالعه که به صورت  متاآنالیز بوده است، ارزیابی توانایی مدل‌های مبتنی بر EEG و machine learning در پیش‌بینی پاسخ به داروهای ضدافسردگی و همچنین درمان rTMS بود.

نتایج کلیدی

دقت پیش‌بینی برای داروهای ضدافسردگی: 83/9%

دقت پیش‌بینی برای rTMS: 85/7%

ویژگی‌های EEG که در مدل‌ها استفاده شده‌اند

Frontal alpha asymmetry در الکترودهای  F3–F4

Absolute theta power در ناحیه  frontal midline (Cz)

Coherence  در نواحی  fronto-temporal

Hemispheric imbalance  در   (left vs right frontal power) 

تحلیل‌ها نشان دادند بیمارانی که در نیمکره راست فرونتال alpha dominance یا high beta  داشتند، پاسخ بهتری به rTMS نشان دادند، در حالی که frontal theta  بالا با پاسخ ضعیف‌تر به داروهای   SSRI  همراه بود.

پیامدهای بالینی

مدل‌های EEG-based با استفاده از machine learning پتانسیل بالایی برای stratification درمانی در MDD دارند. دقت بالای این مدل‌ها به روان‌پزشکان امکان می‌دهد تا از آغاز درمان، از داروهای غیرمؤثر پرهیز کرده و neuromodulation  را به‌صورت هدفمندتر اعمال کنند.

در این متاآنالیز، specificity  مدل‌ها به‌طور قابل‌توجهی از sensitivity  بیشتر بود. این یعنی مدل‌ها در شناسایی non-responders  به درمان عملکرد بهتری نسبت به شناسایی responders  داشته‌اند.

جمع‌بندی

این متاآنالیز نشان می‌دهد که استفاده از EEG به‌عنوان یک predictive biomarker برای درمان MDD کاملاً قابل اتکا است. این ابزار می‌تواند نقش مهمی در جهت‌دهی به انتخاب درمان، به‌ویژه در موارد مقاوم یا پیچیده ایفا کند. آینده روان‌پزشکی دقیق، بدون شک به داده‌های عینی، الگوریتم‌های یادگیری ماشین، و ابزارهایی چون EEG وابسته خواهد بود.

رفرنس

Watts, D., Pulice, R. F., Reilly, J., Brunoni, A. R., Kapczinski, F., & Passos, I. C. (2022). Predicting treatment response using EEG in major depressive disorder: A machine-learning meta-analysis. Translational psychiatry, 12(1), 332. https://doi.org/10.1038/s41398-022-02064-z