مقدمه

کاربرد بالینی الکتروآنسفالوگرافی (EEG) در روان‌پزشکی، به‌طور سنتی غالباً به شناسایی ناهنجاری‌های بارز نورولوژیک — نظیر تخلیه‌های صرعی‌شکل (Epileptiform discharges)، الگوهای انسفالوپاتیک، و یا کندی‌های کانونی (Focal slowing) — محدود بوده است [2]. اگرچه غربالگری این موارد در رد علل ارگانیک اهمیت بسزایی دارد، اما این رویکرد سنتی تنها بخش کوچکی از چالش‌ها و پرسش‌های تشخیصی در کاربست روزمره روان‌پزشکی را پاسخ می‌دهد. در واقع، نیاز مبرم روان‌پزشکی به یک ارزیابیِ عینی و نوروفیزیولوژیک، از محدودیت‌های بنیادین در فرآیند تشخیصِ کلاسیک نشأت می‌گیرد؛ جایی که اتکای گسترده به گزارش‌های ذهنی بیمار (Subjective reports)، ماهیت عمدتاً توصیفیِ سیستم‌های تشخیصی (مانند DSM)، هم‌پوشانی بالای علائم و فقدان نشانگرهای عینی بیولوژیک (Biomarkers)، سبب می‌شوند تا درک پاتوفیزیولوژیِ زمینه‌ای دشوار شده و انتخاب مسیر درمان در بسیاری از موارد به رویکرد آزمون‌خطا تقلیل یابد. به همین دلیل، در واقعیت بالینی، روان‌پزشکان با طیف وسیعی از بیماران مواجه‌اند که علیرغم داشتن نوارهای مغزی کاملاً طبیعی در ارزیابی‌های دیداری (Visual inspection)، از علائم ناتوان‌کننده شناختی، هیجانی و رفتاری رنج می‌برند. این بیماران نیازمند ابزاری هستند که بتواند کژتنظیمی‌های ظریف شبکه‌های مغزی را به شکل نوروبیولوژیک تبیین کرده و امکان پایش دقیق‌تری را فراهم آورد [6].

برای پر کردن این خلأ تشخیصی و بسط کارایی بالینی ارزیابی‌های الکتروفیزیولوژیک، تکنیک الکتروآنسفالوگرافی کمّی (QEEG) توسعه یافته است [1]. در این روش، سیگنال‌های خام مغزی از طریق پردازش‌های ریاضی، به شاخص‌های عددی، عینی و قابل تفسیر از عملکرد کورتیکال و شبکه‌های عصبی تبدیل می‌شوند. با این حال، ضروری است که QEEG در حوزه روان‌پزشکی نوین، به یک نرم‌افزار تجاری خاص یا خروجی گرافیکیِ صرف تقلیل نیابد؛ بلکه باید آن را به‌عنوان یک «چارچوب بالینی نظام‌مند» برای بهره‌گیری از داده‌های کمّی امواج مغزی در جهت پشتیبانی از تصمیم‌گیری‌های روان‌پزشکی در نظر گرفت [7]. در این چارچوب، رسالت اصلی QEEG ایفای نقش به‌عنوان یک ارزیابی نوروفیزیولوژیک کمکی (Adjunctive) است. این فناوری ارزشمند برای تکمیل و غنی‌سازی ارزیابی‌های استاندارد روان‌پزشکی طراحی شده است و هدف آن، افزودن یک لایه اطلاعاتی OBJECTIVE (عینی) به داده‌های بالینی بیمار است؛ لذا هرگز جایگزین مصاحبه‌های تشخیصی، شرح‌حال‌گیری جامع و قضاوت نهایی روان‌پزشک نخواهد شد [2].

مقاله حاضر با تمرکز بر این پارادایم بالینی، به تبیین دقیق جایگاه QEEG در روان‌پزشکی معاصر می‌پردازد. در ادامه این نوشتار، ماهیت و نقش بالینی مناسب این ابزار مشخص شده، انواع داده‌های نوروفیزیولوژیکی که قادر به ارائه آن‌هاست معرفی می‌گردند و در نهایت، خلاصه‌ای از شواهد پژوهشی موجود، محدودیت‌های ذاتی این روش، و نکات کلیدی برای بالینگران (Clinical Pearls) مرور خواهند شد. هدف نهایی آن است که روشن شود QEEG دقیقاً چیست، چه کاربردهایی ندارد (What it is not)، و روان‌پزشکان چگونه می‌توانند آن را به‌طور مسئولانه و مبتنی بر شواهد در الگوریتم تشخیصی و درمانی خود ادغام کنند.

ماهیت، ضرورت و کاربست بُعدی QEEG در روان‌پزشکی نوین: گذار از سندرم‌های مقوله‌ای به روان‌پزشکی دقیق

در پارادایم روان‌پزشکی نوین، الکتروآنسفالوگرافی کمّی (QEEG) را نباید به سطح یک ابزار ارزیابی ساده، یک نرم‌افزار تجاری، یا صرفاً یک «تحلیل آماری اضافه» بر نوار مغز تقلیل داد. بلکه این روش، یک چارچوب مفهومی عمیق و یک «سیستم پشتیبان تصمیم‌گیری بالینی» (CDSS) است. رسالت اصلی این چارچوب پاراکلینیکی، ترجمه سیگنال‌های خام و پیچیده‌ی الکتروفیزیولوژیک به نشانگرهای عینی نوروفیزیولوژیک (Neurophysiological Biomarkers) است تا فرآیند مراقبت، تشخیص افتراقی و راهبری درمان را هدفمندتر سازد [13]. آموزش مفهوم و کاربست بالینی QEEG برای روان‌پزشکان، بر سه محور اساسی استوار است:

۱. تغییر پارادایم تشخیصی: گذار از «سندرم‌های علامتی» به «بیوتایپ‌های عملکردی»

در روان‌پزشکی کلاسیک، تشخیص‌گذاری عمدتاً بر اساس خوشه‌بندی ذهنیِ علائم (طبق معیارهای DSM یا ICD) و معاینه وضعیت روانی (MSE) استوار است. در این چارچوب، تفسیر نوار مغزی (EEG) سنتی نیز صرفاً با عینک «نورولوژی» انجام می‌شود؛ یعنی هدف آن صرفاً رد کردن پاتولوژی‌های ساختاری خشن (Structural Lesions)، تخلیه‌های صرعی یا تومورهاست و به همین دلیل در عموم اختلالات روان‌پزشکی، نتیجه آن «طبیعی» گزارش می‌شود.

تغییر پارادایم QEEG برای روان‌پزشک دقیقاً در همین نقطه رخ می‌دهد: عبور از دوگانه محدودکننده «حضور/عدم حضور آسیب ساختاری» و حرکت به سمت ارزیابی «کژتنظیمی‌های شبکه‌ای» (Network Dysregulation) [13]. در این نگاه نوین (هم‌راستا با مدل RDoC)، QEEG به جای تلاش برای تأیید مستقیم برچسب‌های مقوله‌ای، امکان تحلیل‌های نوروفیزیولوژی بُعدی را فراهم می‌کند [12]. این ابزار به جای اتکای صرف به گزارش بیمار از علائم ذهنی، یک لایه‌ی عینی از وضعیت پردازش عصبی ارائه می‌دهد تا روان‌پزشک دریابد کدام مدارهای مغزی دچار بیش‌فعالی، کم‌فعالی یا اختلال در یکپارچگی شده‌اند.

 

۲. لایه‌ی نوروفیزیولوژیک: استخراج نظام‌مند شاخص‌ها از پایه تا پیشرفته

برای جلوگیری از سردرگمی بالینی، داده‌های استخراج‌شده از QEEG در یک سلسله‌مراتب مشخص محاسبه و بررسی می‌شوند:

الف) لایه اول: ویژگی‌های پایه و توپوگرافیک (Basic Spectral Features)

این بخش، بلوک‌های سازنده تفسیر را تشکیل می‌دهد:

• توان مطلق و نسبی: ارزیابی میزان انرژی باندهای فرکانسی (دلتا، تتا، آلفا، بتا) که تعادل میان مکانیسم‌های بازداری (Inhibitory) و تحریکی (Excitatory) را بازتاب می‌دهد [4]. این شاخص که «لحن قشری» (Cortical Tone) را می‌سنجد، مشخص می‌کند آیا علائمی چون نقص توجه، ریشه در کم‌برانگیختگی (Hypo-arousal) دارد یا پیامد بیش‌برانگیختگی (Hyper-arousal) است.
• عدم تقارن (Asymmetry): بررسی تعادل امواج در نیمکره‌ها (چپ/راست) و محورهای قدامی-خلفی که انحراف در آن، یکی از شاخص‌های کلیدی در اختلالات خلقی و اضطرابی است [21, 22].

ب) لایه دوم: شاخص‌های پیچیده و نورومارکرهای عملکردی (Complex & Functional Neuromarkers)

در این لایه، ویژگی‌های پایه با یکدیگر ترکیب می‌شوند تا وضعیت‌های پیچیده‌ترِ روان‌شناختی و شناختی را مدل‌سازی کنند [15]:

• مدل‌های برانگیختگی و هشیاری پایه (Arousal & Vigilance): ارزیابی ثبات سیستم عصبی مرکزی بر اساس الگوهای طیفی، که وضعیت بیمار را در پیوستار کم‌برانگیختگی (شایع در برخی زیرگروه‌های ADHD و افسردگی) تا بیش‌برانگیختگی (شایع در اضطراب و تروما) مشخص می‌کند.
• فرکانس اوج آلفا (Alpha Peak Frequency - APF): یک نورومارکر کلیدی و تا حد زیادی ژنتیکی که به عنوان «سرعت‌سنج پردازش شناختی» عمل می‌کند [14]. افت این فرکانس با کاهش کارایی شناختی، اختلال در حافظه کاری و افت ذخیره شناختی هم‌بستگی دارد.
• اتصال و هماهنگی عملکردی (Connectivity & Coherence): سنجش میزان ارتباط، کیفیت تعامل و همگامی زمانی میان شبکه‌های مختلف کورتکس. اختلال در این اتصالات (مانند ارتباط بیش‌ازحد یا قطع ارتباط میان قشر پیش‌پیشانی و سیستم لیمبیک) زیربنای بسیاری از نقایص در یکپارچگی شناختی-هیجانی است [15].

۳. لایه‌ی کاربست بالینی: تحقق روان‌پزشکی دقیق (Precision Psychiatry)

داده‌های کمّی QEEG در خلأ مبنای تشخیص نیستند، بلکه زمانی ارزش می‌یابند که در بسترِ بالینی تفسیر شوند. این شاخص‌ها لایه‌ای عمیق‌تر و فراتشخیصی (Transdiagnostic) از اطلاعات را ارائه می‌دهند که روان‌پزشک را در تحقق اهداف زیر یاری می‌کند [13, 18]:

• غنی‌سازی صورت‌بندی بالینی (Clinical Formulation): QEEG با افزودن ابعاد بیولوژیک، به تبیین علائم مقاوم به درمان کمک می‌کند.
• راهبری هوشمندانه دارودرمانی (Pharmaco-EEG): نشانگرهای QEEG در پیش‌بینی پاسخ به درمان نقش دارند [9]. برای مثال، الگوی “Theta Cordance” می‌تواند پیش‌بینی‌کننده پاسخ به SSRIها باشد [8, 16]، یا بالا بودن نسبت تتا به بتا (TBR) احتمال پاسخ به داروهای محرک در ADHD را تقویت می‌کند [3, 17].
• رمزگشایی از تشخیص‌های افتراقی پیچیده: به‌ویژه در روان‌پزشکی سالمندان، بررسی کندی پس‌زمینه (Background Slowing) و تغییرات APF، شواهد ارزشمندی برای افتراق دمانس از نقص شناختی ناشی از افسردگی (Pseudodementia) فراهم می‌کند [7].
• هدف‌گذاری در مداخلات نورومدولاسیون (Neuromodulation): نقشه‌برداری دقیق از نواحی درگیر و شبکه‌های دارای اختلال اتصال، اطلاعاتی حیاتی برای شخصی‌سازی پروتکل‌های درمانی مانند rTMS، tDCS و نوروفیدبک فراهم می‌کند [10, 11].
• پایش عینی و راهبری درمان (Treatment Trajectory): QEEG یک خط‌پایه (Baseline) کمّی برای ارزیابی تغییرات طولی فراهم می‌کند. امری که گامی اساسی در راستای تحقق روان‌پزشکی شخصی‌سازی‌شده (Personalized Psychiatry) است [6].

فراتر از مشاهدات خام: تبیین نورومارکرها و تحلیل دوگانه حالت/صفت در QEEG

برای درک ارزش واقعی QEEG در استدلال روان‌پزشکی، ابتدا باید تفاوت بنیادین میان یک «ویژگی خام» (Feature) و یک «نشانگر عصبی» (Neuromarker) را مشخص کرد. در خوانش سنتی از نوار مغزی، روان‌پزشک با مجموعه‌ای از ویژگی‌های بصری یا توصیفی روبه‌روست. اما زمانی که یک ویژگی از طریق ابزارهای کمّی با دقت ریاضی پردازش شده، با پایگاه‌های داده هنجار (Normative Databases) مقایسه گردد و ارتباط آماری معنادار و تکرارپذیری با یک پدیده بالینی، مسیر پیش‌آگهی یا پاسخ به یک مداخله درمانی پیدا کند، به یک نورومارکر (Neuromarker) ارتقا می‌یابد [23]. به عبارت دیگر، نورومارکرها پُل ارتباطی میان عصب‌زیست‌شناسی پایه و پدیدارشناسی بالینی هستند. یکی از مهم‌ترین دستاوردهای QEEG در روان‌پزشکی دقیق (Precision Psychiatry)، توانایی آن در استخراج و طبقه‌بندی این نورومارکرها در دو بُعد زمانی و عملکردی مجزاست: نشانگرهای وابسته به حالت (State-dependent) و نشانگرهای صفت‌مانند (Trait-like). تفکیک این دو بُعد، عمق بی‌نظیری به صورت‌بندی بالینی (Clinical Formulation) می‌بخشد.

۱. نشانگرهای حالت (State Markers): پویایی نوسانات بالینی

نشانگرهای حالت، بازتاب‌دهنده پدیده‌هایی نسبتاً سریع، گذرا و نوسان‌پذیر در عملکرد لحظه‌ای مغز هستند. این شاخص‌ها مواردی نظیر سطح هشیاری (Vigilance)، مکانیسم‌های تنظیم برانگیختگی (Arousal Regulation) و الگوهای گذرای فعال‌سازی قشری را اندازه‌گیری می‌کنند [19, 20].

کاربرد در تحلیل روان‌پزشکی:

برای روان‌پزشک، بسیاری از علائم در نگاه اول (از منظر پدیدارشناختی) مبهم هستند. نشانگرهای حالت می‌توانند روشن کنند که آیا علائمی نظیر بی‌توجهی نوسان‌دار، خستگی مزمن، یا تحریک‌پذیریِ تکانشی، ریشه در چه نوع ناپایداری شبکه‌ای دارند. به عنوان مثال، بی‌قراری و تحریک‌پذیری در یک بیمار ممکن است در QEEG به شکل یک حالت بیش‌برانگیختگی (Hyper-arousal) خود را نشان دهد که نیازمند رویکردهای آرام‌بخش (Down-training) است؛ در حالی که در بیماری دیگر، همین علائم ظاهری ممکن است مکانیسمی جبرانی برای مقابله با یک حالت کم‌برانگیختگی (Hypo-arousal) و افت سطح هشیاری باشد. تشخیص این «حالت» زیربنایی، مستقیماً انتخاب نوع دارو یا پروتکل‌های نورومدولاسیون را هدایت می‌کند.

۲. نشانگرهای صفت (Trait Markers): معماری پایدار پردازش عصبی

در نقطه مقابل، نشانگرهای صفت نمایانگر ویژگی‌های نسبتاً پایدار، مستمر و ساختاری‌تر در نوروفیزیولوژی فرد هستند. این شاخص‌ها شامل الگوهای طیفی مشخص (Spectral Patterns)، تفاوت‌های ثابت در الگوهای فعال‌سازی نواحی مختلف مغز، و ویژگی‌های فردی مانند «فرکانس اوج آلفا» (Peak Alpha Frequency) می‌باشند.

کاربرد در تحلیل روان‌پزشکی:

نشانگرهای صفت، نقشه آسیب‌پذیری‌های بیولوژیک (Biological Vulnerabilities) و سبک‌های خاص پردازش اطلاعات در فرد را ترسیم می‌کنند. برای نمونه، کند بودن ارثی یا پایدار فرکانس اوج آلفا در یک بیمار، می‌تواند یک نشانگر صفت برای استعداد ابتلا به نقایص شناختی یا مقاومت به برخی درمان‌های ضدافسردگی باشد [14]. همچنین، عدم تقارن پایدار امواج آلفا در لوب پیش‌پیشانی، یک نشانگر صفت شناخته‌شده برای سوگیری‌های هیجانی و استعداد ابتلا به اختلالات خلقی است، حتی زمانی که بیمار در فاز حاد بیماری قرار ندارد [21, 22].

هنر روان‌پزشک در استفاده از QEEG، تقاطع دادن این دو دسته از نشانگرهاست [7]. نتیجه این افتراق، طراحی یک نقشه درمانی چندلایه است که در آن، اهداف کوتاه‌مدت (مانند تنظیم برانگیختگی حاد از طریق دارو) با اهداف بلندمدت (مانند اصلاح الگوهای پایدار پردازش اطلاعات از طریق نوروفیدبک یا rTMS) همسو می‌شوند.

راهنمای گام‌به‌گام تحلیل گزارش QEEGhome: از داده‌های خام تا صورت‌بندی بالینی دقیق

الکتروآنسفالوگرافی کمّی (QEEG) در پلتفرم QEEGhome، فراتر از یک ابزار آماری، یک «سیستم پشتیبان تصمیم‌گیری بالینی» (CDSS) است که زبان الکتروفیزیولوژی مغز را به بینش‌های بالینی قابل استفاده ترجمه می‌کند.

اصل بنیادین: ماتریس ارزیابی جامع (The Comprehensive Assessment Matrix)

بیشترین کارایی QEEGhome زمانی محقق می‌شود که خروجی‌های آن در یک بستر بالینی غنی تفسیر شوند. استخراج نتیجه‌گیری بالینی بدون در نظر گرفتن ارکان زیر، غیرعلمی و بالقوه گمراه‌کننده است:

1. شرح حال روان‌پزشکی دقیق (Detailed Psychiatric History)
2. معاینه وضعیت روانی (Mental Status Examination - MSE)
3. ابزارهای روان‌سنجی (Psychometric Instruments)
4. راهنماهای بالینی (Clinical Guidelines)

پروتکل تحلیل گزارش QEEGhome در ۴ مرحله کلیدی

مرحله ۱: کنترل کیفیت داده‌های خام (Raw Data Inspection & Artifact Rejection)

این گام، پیش‌نیاز یک تحلیل معتبر است. پیش از تفسیر گزارش نهایی، اطمینان حاصل کنید که سیگنال EEG ثبت‌شده، عاری از آرتیفکت‌های رایج (عضلانی، چشمی، حرکتی) بوده و از کیفیت مناسبی برخوردار است.

• نکته بالینی: حجم بالای آرتیفکت عضلانی در بیمار مضطرب، خود یک یافته بالینی است که می‌تواند مؤید تنش و برانگیختگی سمپاتیک باشد.

مرحله ۲: تحلیل گزارش احتمالات تشخیصی QEEGhome

این مرحله، قلب تحلیل در سیستم QEEGhome است. در اینجا، ما به جای تحلیل نقشه‌های توپوگرافیک و مقادیر z-score، مستقیماً خروجی تحلیل هوش مصنوعی سیستم را تفسیر می‌کنیم. این سیستم، ۸۵ ویژگی کاندید از باندهای خام، طیف، توان، همدوسی و LORETA را بدون نمایش مجزای آن‌ها تحلیل کرده تا از پیچیدگی بکاهد (منبع: Depression.pdf, page 5; Children.pdf, page 5).

اقدامات اصلی:

1. بررسی نمودار درصد بیماری‌های همراه (Comorbidity Chart):

• هدف: شناسایی میزان هم‌پوشانی «نشانگرهای عصبی (EEG markers)» بیمار شما با الگوهای شناخته‌شده‌ی اختلالات مختلف.
• نحوه تفسیر: به «ناحیه قرمز» در نمودار توجه کنید. این بخش، درصد هر اختلال یا بیماری همراه را بر اساس نشانگرهای EEG بیمار نمایش می‌دهد.
• مثال: در گزارش یک بیمار با تشخیص اولیه افسردگی، این نمودار ممکن است نشانگرهای قابل توجهی برای اضطراب، وسواس و حملات پانیک نیز نشان دهد (منبع: Depression.pdf, page 4).
• نکته مهم: به یاد داشته باشید که «هر نشانگر اختلال، منحصربه‌فرد نیست و می‌تواند با سایر اختلالات به اشتراک گذاشته شود» (منبع: Anxiety.pdf, page 4).

2. تحلیل دایره‌های تشخیص افتراقی (Differential Diagnosis Circles):

• هدف: استفاده از تحلیل هوش مصنوعی QEEGhome برای افتراق تشخیص اصلی از محتمل‌ترین تشخیص‌های غلط (misdiagnosis conditions).
• نحوه تفسیر: این دایره‌ها، مقایسه احتمال وجود اختلال اصلی با سایر تشخیص‌ها را نشان می‌دهند. میله‌های آبی پررنگ (Bold blue bars) نشان‌دهنده احتمال تشخیص افتراقی و میله‌های خاکستری (Gray bars) نشان‌دهنده احتمال اختلال اصلی هستند.

مرحله ۳: یکپارچه‌سازی یافته‌ها با ماتریس بالینی

در این مرحله، خروجی‌های عینی QEEGhome را با دانش بالینی خود ادغام می‌کنیم.

• همخوانی (Congruence): آیا درصد بالای نشانگرهای اضطراب و وسواس در گزارش، با شکایت اصلی بیمار همخوانی دارد؟
• قدرت تبیین‌گری (Explanatory Power): آیا وجود هم‌زمان نشانگرهای ADHD و اختلال یادگیری در گزارش کودک (منبع: Children.pdf, page 4)، مشکلات تحصیلی او را بهتر توضیح می‌دهد؟
• کمک به تشخیص افتراقی: تحلیل مقایسه میله‌های آبی و خاکستری فرضیه ما را تقویت یا تضعیف می‌کند؟

مرحله ۴: تدوین برنامه درمانی و مانیتورینگ

• راهنمایی در انتخاب درمان: شناسایی پروفایل‌های تشخیصی پیچیده می‌تواند به انتخاب درمان‌های دارویی یا غیردارویی که هر دو جنبه را پوشش می‌دهند، کمک کند.
• ارزیابی پیگیرانه: طبق گزارش‌ها، پیروی از این گردش کار و پایش تغییرات خط پایه می‌تواند نرخ پاسخ به درمان را ۲۰ تا ۳۰ درصد افزایش دهد (منبع: Depression.pdf, page 5).
• ملاحظات ویژه: برای کودکان، تحلیل‌ها برای سنین زیر ۱۷ سال بهینه‌سازی شده‌اند (منبع: Children.pdf, page 4). در صورت وجود سوءمصرف مواد، باید از صفحه آسیب‌شناسی مربوطه در QEEGhome استفاده شود (منبع: Anxiety.pdf, page 4).

ارزیابی انتقادی شواهد و اصول کاربستِ مسئولانه QEEG (نکات کلیدی برای درمانگران)

برای استفاده‌ی اثربخش و علمی از QEEG در عمل بالینی روان‌پزشکی، درک همزمانِ محدودیت‌های پژوهشی و ارزش‌افزوده‌های بالینی این ابزار ضروری است.

۱. نگاه انتقادی به شواهد پژوهشی و محدودیت‌های کنونی

اگرچه مطالعات متعددی شاخص‌های QEEG را با تشخیص اختلالات مرتبط دانسته‌اند، بررسی‌های سیستماتیک دقیق نشانگر چالش‌های متدولوژیک در این حوزه هستند [5]:

• تکرارپذیری ناکامل (Incomplete Replication): تناقض در نتایج گروه‌های مستقل.
• اعتبارسنجی برون‌نمونه‌ای محدود (Limited Out-of-Sample Validation): افت چشمگیر دقت مدل‌های پیش‌بینی‌کننده اثربخشی داروها هنگام اعمال بر روی بیماران جدید [5].
• سوگیری انتشار (Publication Bias): بزرگ‌نماییِ اثرات واقعی در برخی متون.

۲. ارزش‌افزوده و جایگاه واقعی QEEG در کلینیک

با آگاهی از محدودیت‌های فوق، جایگاه بالینی QEEG نه در «تشخیص قطعی»، بلکه در فراهم آوردن لایه‌ای از اطلاعات عینی و نوروفیزیولوژیک به‌عنوان یک ابزار مکمل (Adjunctive Tool) است [2]. این ارزش‌افزوده شامل ارزیابی دوگانه‌ی حالت/صفت (State/Trait) [19] و تحلیل بُعدی (Dimensional) شبکه‌های مغزی می‌باشد [13].

۳. توصیه‌های کاربردی برای متخصصان بالینی (بایدها و نبایدها)

• رویکرد مبتنی بر چارچوب، نه ابزار تجاری: QEEG یک چارچوب بالینیِ مبتنی بر داده‌های الکتروفیزیولوژیک است.
• عدم استقلال تشخیصی: این ارزیابی منحصراً ماهیتِ کمکی دارد و نباید تنها مبنای تشخیص باشد.
• پرهیز از تقلیل‌گرایی درمانی: استفاده از داده‌های QEEG به‌عنوان «الگوریتم خودکار» نباید جایگزین گایدلاین‌های استاندارد روان‌پزشکی شود.
• پرهیز از تفسیر بیش‌ازحد (Over-interpretation): درمانگران باید از ارائه این یافته‌ها به بیمار به‌عنوان «دلیل قطعی و بی‌چون‌وچرای بیولوژیک» خودداری کنند.

 

References

[1] Johnstone, J., & Gunkelman, J. (2003). Introduction to Quantitative EEG and Neurofeedback (2nd ed.). Academic Press.

[2] Coburn, K. L., Lauterbach, E. C., Boutros, N. N., Black, K. J., Arciniegas, D. B., & Coffey, C. E. (2006). The value of quantitative electroencephalography in clinical psychiatry: a report by the Committee on Research of the American Neuropsychiatric Association. The Journal of Neuropsychiatry and Clinical Neurosciences, 18(4), 460-500.

[3] Arns, M., Conners, C. K., & Kraemer, H. C. (2013). A decade of EEG theta/beta ratio research in ADHD: a meta-analysis. Journal of Attention Disorders, 17(5), 374-383.

[4] Newson, J. J., & Thiagarajan, T. C. (2018). EEG frequency bands in psychiatric disorders: a review of resting state research. Frontiers in Human Neuroscience, 12, 521.

[5] 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.

[6] Arns, M., et al. (2016). Electroencephalographic biomarkers for personalized psychiatric endeavors: a century of discovery and progress. American Journal of Psychiatry, 173(4), 335-343.

[7] Boutros, N. N., et al. (2011). Standard electroencephalography in clinical psychiatry: A practical handbook. John Wiley & Sons.

[8] Leuchter, A. F., et al. (2015). Biomarkers to predict therapeutic response in major depressive disorder. Biomarkers in Medicine, 9(10), 1005-1021.

[9] Jobert, M., et al. (2012). Guidelines for the recording and evaluation of pharmaco-EEG data in man: the International Pharmaco-EEG Society (IPEG). Neuropsychobiology, 66(4), 201-220.

[10] Krepel, N., et al. (2018). EEG as a predictor of rTMS outcome in depression: A systematic review. Clinical EEG and Neuroscience, 49(5), 318-329.

[11] Thibaut, A., et al. (2017). Non-invasive brain stimulation and EEG in psychiatric disorders. Schizophrenia Research, 182, 126-135.

[12] Insel, T. R., et al. (2010). Research Domain Criteria (RDoC): Toward a New Classification Framework for Research on Mental Disorders. American Journal of Psychiatry, 167(7), 748-751.

[13] Williams, L. M. (2016). Precision psychiatry: a neural circuit taxonomy for depression and anxiety. The Lancet Psychiatry, 3(5), 472-480.

[14] Klimesch, W. (1999). EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain Research Reviews, 29(2-3), 169-195.

[15] Thatcher, R. W., & Lubar, J. F. (2014). Z Score Neurofeedback: Clinical Applications. Academic Press.

[16] Leuchter, A. F., et al. (2009). Resting-state quantitative electroencephalography reveals increased neurophysiologic connectivity in depression. PLoS One, 4(1), e4250.

[17] Arns, M., et al. (2012). EEG-based personalized medicine in ADHD: individual alpha peak frequency as an endophenotype associated with performance. European Neuropsychopharmacology, 22(8), 521-530.

[18] Arns, M., et al. (2016). Stratified Psychiatry: Tomorrow’s Precision Psychiatry? European Neuropsychopharmacology, 26(1), 1-3.

[19] Hegerl, U., & Hensch, T. (2014). The EEG-vigilance algorithm: indications for brain arousal regulation. Pharmacopsychiatry, 47(02), 75-81.

[20] Meyer, N., et al. (2017). EEG-vigilance and the arousal regulation model of affective disorders. Pharmacopsychiatry, 50(02), 52-59.

[21] Coan, J. A., & Allen, J. J. B. (2004). Frontal EEG asymmetry as a moderator and mediator of emotion. Biological Psychology, 67(1-2), 7-49.

[22] Thibodeau, R., et al. (2006). Depression, anxiety, and resting frontal EEG asymmetry: a meta-analytic review. Journal of Abnormal Psychology, 115(4), 715.

[23] John, E. R., et al. (1988). Neurometrics: computer-assisted objective electrophysiology applied to psychiatric disorders. Science, 239(4836), 162-169.