مقدمه: QEEG چیست؟

الکتروانسفالوگرافی کمّی (Quantitative Electroencephalography - QEEG) که گاهی با عنوان نقشه‌برداری مغز نیز شناخته می‌شود، روشی علمی برای تحلیل فعالیت الکتریکی مغز است. در این فرایند، پس از ثبت سیگنال‌های الکتروانسفالوگرافی (EEG) از سطح جمجمه، داده‌های خام به کمک QEEG به نقشه‌های توپوگرافیک و شاخص‌های مبتنی بر فرکانس تبدیل می‌شوند، شاخص‌هایی که بازتابی از عملکرد نواحی مختلف مغزی هستند. این تحلیل به پزشکان امکان می‌دهد تا نحوه تعامل، هم‌زمانی (Synchronization) و پاسخ‌دهی نواحی مختلف مغز نسبت به محرک‌های درونی و بیرونی را بررسی و ارزیابی کنند [1].

در روان‌پزشکی، QEEG ابزاری ارزشمند برای ارزیابی اختلال در عملکرد مغز (Functional Brain Impairment) به‌شمار می‌رود که نوعی از اطلاعات عملکردی است که معمولاً از طریق روش‌های تصویربرداری ساختاری مانند تصویربرداری تشدید مغناطیسی (Magnetic Resonance Imaging - MRI) قابل دستیابی نیست. بر اساس منابع معتبر از جمله کتاب خلاصه روان‌پزشکی کاپلان و سادوک، QEEG می‌تواند با برجسته‌سازی تغییرات در نوسانات الکتریکی مغز، سطح فعال‌سازی قشر مغز و الگوهای اتصال بین‌نواحی (Functional Connectivity Patterns) به تشخیص بهتر در اختلالاتی نظیر افسردگی، اختلال نقص توجه/بیش‌فعالی (ADHD) ، اختلالات اضطرابی و سایر اختلالات روانپزشکی کمک کند. این نشانگرهای نوروفیزیولوژیک (Neurophysiological Markers) با فراهم کردن داده‌های objective، ارزیابی بالینی را تقویت و تکمیل می‌کنند و همچنین می‌توان از آن‌ها برای پایش روند درمان و پاسخ‌گویی بیمار به درمان در طول زمان استفاده کرد [2].

تفاوت بین EEG و QEEG

در حالی‌که EEG عمدتاً برای شناسایی ناهنجاری‌های آشکار مانند تخلیه‌های صرعی (Epileptiform Discharges)  یا کندی‌های شدید امواج مغزی (Severe Slowing) به‌کار می‌رود، QEEG چند گام فراتر رفته و با تحلیل محاسباتی داده‌های EEG ، شاخص‌های کمّی دقیقی استخراج می‌کند.

این شاخص‌ها شامل مواردی مانند:

چگالی طیفی توان (Power Spectral Density - PSD) ،

انسجام بین‌نواحی (Coherence) ،

و عدم‌تقارن امواج (Asymmetry) در باندهای مختلف فرکانسی هستند.

نتایج حاصل از QEEG را می‌توان به‌صورت آماری با پایگاه‌های داده هنجار (Normative Databases) و یا پایگاه‌های داده پاتولوژیک مقایسه کرد تا الگوهای نوروفیزیولوژیکی خاص هر فرد شناسایی شوند [2].

QEEG، با استخراج الگوهای پنهان از سیگنال‌های مغزی، آن‌ها را به معیارهایی کاربردی و قابل‌ استفاده در تصمیم‌گیری بالینی تبدیل می‌کند. اما نقش QEEG به همین‌جا محدود نمی‌شود [2].

QEEG در روانپزشکی: یک تحول‌ساز بالینی

اختلالات روان‌پزشکی از جمله اختلال نقص توجه/بیش‌فعالی (Attention-Deficit/Hyperactivity Disorder - ADHD)، افسردگی (Depression)، اختلالات اضطرابی (Anxiety Disorders)، اختلال دوقطبی (Bipolar Disorder) و اختلال وسواس فکری–عملی (Obsessive-Compulsive Disorder - OCD) غالباً با اختلالات عملکردی خفیف ولی قابل اندازه‌گیری در اتصال و ریتم الکتریکی مغز (Brain Connectivity and Rhythmicity) همراه هستند. این ناهنجاری‌های نوروفیزیولوژیک، به‌رغم تأثیر بالینی قابل توجه، معمولاً با روش‌های تصویربرداری ساختاری مانند تصویربرداری تشدید مغناطیسی (Magnetic Resonance Imaging - MRI) یا توموگرافی کامپیوتری (Computed Tomography - CT)  قابل تشخیص نیستند [3].

QEEG با فراهم‌ کردن داده‌های کمّی از عملکرد مغز، امکان افزودن اطلاعات objective و نوروفیزیولوژیک به فرایند ارزیابی روان‌پزشکی را فراهم می‌سازد. این ابزار نوین در موارد زیر نقش کلیدی ایفا می‌کند:

شناسایی زیرگروه‌های نوروفیزیولوژیکی (Neurophysiological Subtypes) در چارچوب یک تشخیص واحد

پشتیبانی از تشخیص افتراقی (Differential Diagnosis) در مواردی که علائم بالینی هم‌پوشانی دارند

پیش‌بینی پاسخ به داروها و مداخلات درمانی مختلف.

در دنیای امروز، روان‌پزشکی مدرن تنها به مشاهدات بالینی و subjective محدود نمی‌شود؛ بلکه به شاخص‌های objective و مبتنی بر عملکرد مغز نیز نیاز دارد. QEEG با پر کردن این خلأ، لایه نوروبیولوژیکی گمشده در روان‌پزشکی را فراهم می‌سازد [2].

چرا QEEG متداول به‌تنهایی کافی نیست؟

بسیاری از مراکز درمانی و تشخیصی همچنان از نسخه‌های سنتی الکتروانسفالوگرافی کمّی (Conventional QEEG) استفاده می‌کنند، نسخه‌هایی که عمدتاً بر توپوگرافیک‌های توان مطلق و نسبی امواج مغزی و مقایسه‌های آماری مبتنی بر Z-score تکیه دارند. هرچند این اطلاعات در برخی موارد مفید و راه‌گشا هستند، اما اغلب برای دستیابی به یک درک عمیق‌تر از عملکرد مغز کافی نیستند. اختلالات روان‌پزشکی ماهیتی چندعاملی، ظریف و پیچیده دارند؛ از این‌رو، تغییرات محدود به نمای اولیه EEG، به‌ندرت برای تشخیص دقیق یا طراحی درمان هدفمند کفایت می‌کنند [4].

ابزارهای سنتی QEEG اغلب فاقد انعطاف‌پذیری لازم برای ادغام مؤلفه‌های نوین از جمله: نورومارکرهای به‌روز، الگوریتم‌های تفسیر شخصی‌سازی‌شده (Personalized Interpretation Algorithms)، و تحلیل داده‌های پویا (Dynamic Data Features) هستند، عناصری که برای بازتاب دقیق‌تر عملکرد مغزی هر بیمار ضروری‌ می‌باشند[4].

پژوهش‌های علمی نشان داده‌اند که نقشه‌های توپوگرافیک مبتنی بر z-score اعم از توان مطلق یا نسبی باندهای فرکانسی، به‌تنهایی برای تمایز میان اختلالات روان‌پزشکی مختلف یا حتی تشخیص تفاوت میان جمعیت‌های سالم و پاتولوژیک کافی نیستند. این محدودیت‌ها می‌توانند موجب کاهش دقت در تشخیص (Diagnostic Specificity) شده و در نهایت به تفسیرهای ناقص یا نادرست از وضعیت نوروفیزیولوژیکی منجر شوند. برای دستیابی به دقت بالینی بیشتر، رویکردهای تحلیلی مدرن باید از سطح ویژگی‌های z-score  فراتر بروند و شامل عناصر زیر باشند:

مدل‌های آماری پیشرفته (Advanced Statistical Models)

ویژگی‌های غیرخطی سیگنال (Nonlinear Features)

الگوریتم‌های پیش‌بینی مبتنی بر یادگیری ماشین (Machine Learning-Based Predictive Models)

این ابزارها با در نظر گرفتن تنوع نوروفیزیولوژیکی فردی و الگوهای اختصاصی هر اختلال، می‌توانند تحلیل QEEG را به سطحی دقیق‌تر و بالینی‌تر ارتقاء دهند [5, 6].

QEEGhome: پلتفرمی مدرن با رویکرد بالینی

در پلتفرم QEEGhome، ما تنها به ارائه نقشه‌های مغزی رایج بسنده نمی‌کنیم. سامانه‌ی ما با همکاری متخصصان علوم اعصاب (Neuroscientists) و پزشکان طراحی شده است، افرادی که به‌خوبی با پیچیدگی‌های تشخیص و تصمیم‌گیری در روان‌پزشکی آشنا هستند.

و دقیقاً همین رویکرد است که ما را از سایر سیستم‌های QEEG متمایز می‌کند:

تحلیل پیشرفته مبتنی بر هوش مصنوعی: الگوریتم‌های ما فراتر از تحلیل‌های مرسوم z-score  عمل می‌کنند و با ادغام ویژگی‌های غیرخطی (Nonlinear Features) ، پیش‌بینی‌های مبتنی بر یادگیری ماشین (Machine Learning Predictions)، و مدل‌سازی آماری پیشرفته (Advanced Statistical Modeling) ، امکان تفسیر دقیق و شخصی‌سازی‌شده داده‌های EEG را فراهم می‌سازند.

گزارش‌های متکی بر تشخیص بالینی: با استفاده از پایگاه‌های داده نرمال (Normative) و پاتولوژیک (Pathological) ، ما گزارش‌هایی ارائه می‌دهیم که با نیازهای واقعی در روان‌پزشکی تطابق کامل دارند.

راهنمایی در پیش‌آگهی و انتخاب درمان (Treatment & Prognosis Guidance): سامانه‌ی ما می‌تواند در پیش‌بینی احتمال پاسخ به درمان، پایش روند بهبود بیمار در طول زمان و پشتیبانی از انتخاب داروی مناسب بر اساس الگوهای مغزی، نقش مؤثری ایفا کند.

از نقشه‌های مغزی سنتی تا روان‌پزشکی دقیق و پیش‌بینی‌گر

در حالی‌که بسیاری از سامانه‌های موجود، صرفاً به تولید نقشه‌های مغزی سنتی بسنده می‌کنند، پلتفرم QEEGhome بر پایه‌ی اصول روان‌پزشکی شخصی‌سازی‌شده (Personalized Psychiatry) و درمان پیش‌بینی‌محور (Predictive Medicine) طراحی شده است. این سامانه با الهام از پیشرفت‌های نوین در علوم اعصاب، یادگیری ماشین و روان‌پزشکی محاسباتی (Computational Psychiatry)  توسعه یافته و ویژگی‌های پیشرفته‌ای را در خود جای داده است، از جمله:

تحلیل الگوهای زمانی-مکانی سیگنال EEG  (Spatiotemporal EEG Patterns)

مدل‌سازی پویای مختص به هر بیمار (Patient-Specific Dynamic Modeling)

پایش زمانی اثربخشی درمان (Longitudinal Monitoring of Treatment Response).

آینده روان‌پزشکی، عینی، داده‌محور و شخصی‌سازی‌شده است. پلتفرم QEEGhome دروازه‌ای است به سوی این آینده، جایی که تصمیم‌گیری درمانی، نه بر حدس و گمان، بلکه بر پایه داده‌های نوروفیزیولوژیک دقیق و قابل‌ اتکا بنا می‌شود.

نتیجه‌گیری

چه روان‌پزشکی باشید که به‌دنبال ابزارهای دقیق‌تر برای پشتیبانی از تصمیم‌گیری بالینی است، و چه بیماری که در جست‌وجوی درمانی هدفمند و متناسب با نیازهای فردی خود باشد، QEEGhome مسیری جامع، علمی و مبتنی بر داده‌های واقعی مغز را در اختیار شما قرار می‌دهد.

ما صرفاً به ارائه یک نمای اولیه و محدود از فعالیت مغز بسنده نمی‌کنیم، بلکه به شما کمک می‌کنیم تا عملکرد مغزی، پیش‌آگهی درمان، و تطابق آن با مداخلات مناسب را به‌شکل دقیق‌تری درک کنید.

برای آشنایی دقیق‌تر با خدمات مجموعه QEEGhome، مرور فناوری به‌کاررفته، مطالعات موردی واقعی، و جزئیات همکاری‌های پژوهشی، از بخش‌های تخصصی وب‌سایت ما بازدید کنید.

با تحلیل الگوهای مغزی اختصاصی هر بیمار، QEEGhome امکان پیش‌بینی پاسخ به درمان، انتخاب داروی مناسب هر فرد، و پایش اثربخشی مداخلات روان‌پزشکی را فراهم می‌سازد. این یعنی گامی به سوی درمان هوشمند، فردمحور، و مبتنی بر علوم اعصاب.

یکی از کاربردهای بسیار ارزشمند QEEG، توانایی آن در انتخاب درمان دارویی از طریق تحلیل تأثیر داروها بر فعالیت مغز است. QEEG با ارائه بینشی کمّی از اثرات فارماکودینامیک (Pharmacodynamic Effects) داروهای روان‌پزشکی، این امکان را فراهم می‌کند که پزشک بتواند پاسخ نوروفیزیولوژیک بیمار به مداخلات دارویی خاص را به‌دقت ارزیابی کند [7]. کاربرد QEEG در بررسی تأثیر داروهای روان‌پزشکی بر فعالیت مغزی، در مطالعات متعددی تأیید شده است. برخی از یافته‌های مهم در این زمینه عبارت‌اند از:

در مطالعه‌ای منتشرشده در مجله Psychopharmacology، مشخص شد که تجویز حاد متیل‌فنیدیت (Methylphenidate) که دارویی رایج در درمان اختلال ADHD موجب افزایش توان باندهای فرکانسی بتا و گاما در نواحی Prefrontal می‌شود. این تغییرات نوروفیزیولوژیک با بهبود عملکرد شناختی همبستگی داشتند [8].

پژوهشی در Clinical Psychopharmacology گزارش داد که ونلافاکسین (Venlafaxine) ، یک داروی ضدافسردگی، موجب افزایش توان امواج آلفا و بتا در قشر Frontal در بیماران مبتلا به اختلال افسردگی اساسی (Major Depressive Disorder) شده و بهبود معناداری در علائم بالینی به‌دنبال داشته است [9].

یافته‌هایی در مجله Psychophysiology نشان داد که تجویز حاد سرترالین (Sertraline) در افراد سالم با افزایش فعالیت آلفا و کاهش فعالیت بتا در نواحی Frontal همراه است، تغییراتی که با افزایش خلق و خو همبستگی داشته‌اند [10].

همچنین، در بیماران مبتلا به اختلال افسردگی اساسی، مصرف مزمن سرترالین با افزایش توان آلفا در نواحی Prefrontal و کاهش پایدار علائم افسردگی همراه گزارش شده است [11].

این یافته‌ها نشان می‌دهند که QEEG می‌تواند به‌عنوان ابزاری غیرتهاجمی، کم‌هزینه و قابل اعتماد برای ارزیابی اثربخشی درمان‌های روان‌پزشکی و تنظیم مداخلات درمانی (Intervention Adjustment) مورد استفاده قرار گیرد.

سامانه پیشرفته QEEGhome به‌گونه‌ای طراحی و بهینه‌سازی شده است که بتواند این تغییرات فارماکودینامیک نوروفیزیولوژیکی را با دقت بالا شناسایی کند و  روان‌پزشکان را در انتخاب دارو، نظارت بر روند پاسخ‌گویی به درمان و اصلاح به‌موقع برنامه درمانی یاری دهد.

 

References

1. Nuwer, M. R. et al. (1999). IFCN guidelines for topographic and frequency analysis of EEGs and EPs. Electroencephalography and Clinical Neurophysiology, 52(1), 15–20.

2. Hughes, J. R., & John, E. R. (1999). Conventional and quantitative electroencephalography in psychiatry. Journal of Neuropsychiatry and Clinical Neurosciences, 11(2), 190–208.

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. John, E. R. et al. (2007). Neurometrics: Computer-assisted differential diagnosis of brain dysfunctions. Science, 196(4285), 1393–1410.

5. Bzdok, D., & Meyer-Lindenberg, A. (2018). Machine learning for precision psychiatry: Opportunities and challenges. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 3(3), 223–230.

6. Etkin, A., & Pizzagalli, D. A. (2019). Neuroscience of treatment prediction in psychiatry: Recent advances and clinical implications. Biological Psychiatry, 85(9), 769–778.

7. Thibault, R. T., Lifshitz, M., Birbaumer, N., & Raz, A. (2015). Neurofeedback, self-regulation, and brain imaging: Clinical science and fad in the service of mental disorders. Psychotherapy and Psychosomatics, 84(4), 193–207.

8. Kim, B. N., Lee, J. S., Shin, M. S., Cho, S. C., & Lee, D. S. (2002). Regional cerebral perfusion abnormalities in attention deficit hyperactivity disorder: comparison before and after methylphenidate treatment. Psychopharmacology, 161(3), 264–270.

9. Knott, V., Telner, J., Lapierre, Y. D., Browne, M., & Horn, E. R. (1996). Quantitative EEG in the prediction of antidepressant response to venlafaxine. Journal of Clinical Psychopharmacology, 16(1), 27–31.

10. Bares, M., Brunovsky, M., Kopecek, M., Stopkova, P., Novak, T., & Höschl, C. (2007). QEEG theta cordance in prediction of treatment response to prefrontal rTMS in patients with major depressive disorder. Psychophysiology, 44(5), 614–622.

11. Pizzagalli, D. A., Oakes, T. R., & Davidson, R. J. (2003). Coupling of theta activity and glucose metabolism in the human rostral anterior cingulate cortex: a combined EEG/PET study of normal and depressed subjects. Psychiatry Research: Neuroimaging, 123(3), 193–207.