افسردگی یکی از اختلالات و بیماریهای شایع مرتبط با سیستم عصبی و مغز می‌باشد. این اختلال با احساس مداوم غم و اندوه، از دست دادن علاقه و طیف وسیعی از علائم عاطفی و جسمی مشخص می‌شود. این اختلال به طرز جدی روی طرز تفکر و نحوه‌ی عملکرد انسان موثر است. به صورت میانگین از هر پانزده نفر، یک نفر درگیر افسردگی می‌باشد. همچنین از هر شش نفر یک نفر در طول زندگی‌اش افسردگی را تجربه خواهد کرد. بنابراین این اختلال بسیار جدی و پیشگیری و درمان آن بسیار حائز اهمیت می‌باشد.
تشخیص دقیق برای افرادی که از افسردگی رنج می‌برند بسیار مهم است، زیرا مداخلات درمانی مناسب را ممکن می‌سازد و نتایج بیمار را بهبود می‌بخشد. افسردگی می‌تواند به اشکال مختلفی ظاهر شود. همچنین تشخیص اشتباه یا تاخیر در تشخیص می‌تواند منجر به درمان‌های ناکارآمد یا تشدید علائم شود. پزشکان معمولاً برای ارزیابی علائم افسردگی از معیارهای تشخیصی استاندارد شده، مانند Diagnostic and Statistical Manual of Mental Disorders (DSM-5)، استفاده می‌کنند. ارزیابی‌های کامل، از جمله مصاحبه‌های بالینی و پرسشنامه‌های گوناگون، به افتراق افسردگی از سایر شرایط سلامت روان و اختلالات روانی کمک می‌کند.
علاوه بر این، ابزارهای تشخیصی به شناسایی شدت افسردگی و هر گونه اختلال همزمان دیگر کمک می‌کند و امکان برنامه‌های درمانی شخصی (personalized medicine) را فراهم می‌کند. مطالعات STAR*D بینش‌های ارزشمندی را در مورد اهمیت استفاده از ابزارهای تشخیصی و شخصی‌سازی درمان در مدیریت اختلال افسردگی ارائه می‌دهد. مطالعه STAR*D یک کارآزمایی بالینی در مقیاس بزرگ بود که با هدف ارزیابی گزینه‌های درمانی برای بیماران سرپایی مبتلا به اختلال افسردگی انجام شد. یکی از یافته های کلیدی مطالعه STAR*D فقدان یک رویکرد یکسان برای درمان افسردگی بود. این مطالعه یک رویکرد درمانی گام به گام را شناسایی کرد، که در آن به افرادی که به درمان اولیه پاسخ ندادند، گزینه‌های جایگزین بر اساس نیازها و ویژگی‌های خاص آنها ارائه شد. این گزینه ها شامل تغییر به داروهای مختلف، تقویت با داروهای اضافی یا دریافت درمان شناختی بود. با ترکیب ابزارهای تشخیصی و رویکردهای درمانی شخصی، مطالعه STAR*D اهمیت در نظر گرفتن عوامل فردی مانند تاریخچه درمان، شدت علائم و ترجیحات درمانی را برجسته کرد. این رویکرد تشخیص می‌دهد که افسردگی یک وضعیت پیچیده با علل و تظاهرات مختلف است و افراد مختلف ممکن است به درمان‌ها واکنش متفاوتی نشان دهند. مطالعه STAR*D ارزش پزشکی شخصی را در روانپزشکی نشان داد و با ارائه طیف وسیعی از گزینه های درمانی و در نظر گرفتن ویژگی های فردی، پزشکان می توانند اثربخشی درمان را بهینه کرده و نتایج بیمار را بهبود بخشند.
درمان افسردگی اغلب شامل ترکیبی از درمان‌های متناسب با نیازهای فرد است. دو دسته اصلی درمان، Psychotherapy یا روان درمان و Pharmacotherapy یا دارودرمانی می‌باشند:
روان درمانی جز ضروری درمان افسردگی است. روش‌هایی مانند Cognitive Behavioral Therapy (CBT) بسیار پرکاربرد می‌باشد و بر شناسایی و اصلاح الگوها و رفتارهای فکری منفی تمرکز دارد. همچنین روش‌های دیگر روان درمانی مانند Interpersonal Therapy (IPT) که به مسائل مربوط به رابطه می‌پردازد، کاربرد دارد.
در دارودرمانی داروهای ضد افسردگی معمولا برای کاهش علائم افسردگی تجویز می‌شوند. مهارکننده‌های انتخابی بازجذب سروتونین (SSRIs) و مهارکننده‌های بازجذب سروتونین-نوراپی نفرین (SNRIs) به دلیل اثربخشی آنها در افزایش سطح سروتونین و نوراپی نفرین، اغلب استفاده می‌شوند. سایر دسته‌های دارویی ضد افسردگی‌ها، مانند داروهای ضد افسردگی سه‌حلقه‌ای و مهارکننده‌های مونوآمین اکسیداز، ممکن است در موارد خاص در نظر گرفته شوند.
هم چنین در دارودرمانی افسردگی پزشکی شخصی محور بسیار اهمیت دارد. این مهم باید بر اساس ویژگی های فردی که از طریق روش های تشخیصی مختلف به دست می آید، انجام شود. به عنوان مثال برای انتخاب یکی از دسته های دارویی ذکر شده در بالا، عواملی مانند ژنتیک، بیومارکرها و نورومارکرهای افسردگی، پاسخ فردی و ... در نظر گرفته شود.
در علوم پزشکی و زیستی، مارکر به یک ماده، مشخصه یا ویژگی بیولوژیکی قابل اندازه گیری اشاره دارد که به عنوان شاخص یا نشانه‌ی یک فرآیند، وضعیت یا بیماری بیولوژیکی خاص می‌باشد. مارکرها می‌توانند مولکول‌ها، پروتئین‌ها، ژن‌ها، سلول‌ها یا حتی ویژگی‌های تصویربرداری باشند که می‌توانند از طریق آزمایش‌ها یا تکنیک‌های تشخیصی مختلف شناسایی و تعیین شوند.
یک نورومارکر که به عنوان مارکر نوروفیزیولوژیک یا مارکر تصویربرداری عصبی نیز شناخته می‌شود، به یک ویژگی یا الگوی قابل اندازه گیری از فعالیت، ساختار یا عملکرد مغز اشاره دارد که به عنوان شاخص یا نشانه یک وضعیت عصبی، فرآیند شناختی یا پاسخ درمانی استفاده می‌شود. نورومارکر‌ها را می‌توان از طریق تکنیک‌های مختلف تصویربرداری عصبی، مانند fMRI، PET، EEG و همچنین از طریق اندازه گیری های نوروفیزیولوژیکی مانند event-related potentials (ERPs) شناسایی کرد.
نورومارکرهای تشخیصی اندازه گیری‌های نوروفیزیولوژیک یا تصویربرداری عصبی خاصی هستند که می‌توانند برای کمک به تشخیص اختلالات عصبی یا روانپزشکی استفاده شوند. این نشانگرها از طریق مطالعات تحقیقاتی و تحقیقات بالینی شناسایی می‌شوند و شواهد عینی از ناهنجاری ها یا اختلالات مغزی مرتبط با یک بیماری خاص را ارائه می‌دهند.
بیماری افسردگی، افراد را در هر سنی تحت تأثیر قرار می‌دهد و می‌تواند به طرز قابل توجهی بر کیفیت زندگی آنها تأثیر بگذارد. در حالی که علل دقیق افسردگی پیچیده و چندوجهی است، تشخیص زودهنگام و درمان مناسب برای مدیریت موثر آن ضروری است. در سال‌های اخیر، محققان پتانسیل نورومارکرهایی مانند الکتروانسفالوگرافی کمی یا QEEG، را به عنوان ابزار تشخیصی و هدایت تصمیم‌های درمانی مورد بررسی قرار داده‌اند.
QEEG یک تکنیک تصویربرداری عصبی غیر تهاجمی است که فعالیت الکتریکی مغز را از طریق الکترودهایی که روی پوست سر قرار می‌گیرند اندازه‌گیری می‌کند. مطالعات اخیر نشان داده‌اند که نورومارکرهای QEEG ممکن است بینش‌های ارزشمندی در مورد تشخیص افسردگی و پیش‌بینی پاسخ درمانی ارائه دهند.
QEEG می تواند معیارهای عینی عملکرد مغز را ارائه دهد. مطالعات الگوهای خاصی از فعالیت امواج مغزی، افزایش فعالیت در قشر frontal و تغییر ارتباط بین نواحی مغز را در افراد مبتلا به افسردگی شناسایی کرده‌اند. این بیومارکرها نویدبخش بهبود دقت تشخیص و افزایش دقت برنامه‌ریزی درمان همراه با تطبیق مشخصات عصبی فیزیولوژیکی منحصر به فرد هستند.
در حالی که نشانگرهای زیستی QEEG هنوز در حال تحقیق هستند، تأثیر بالقوه آنها بر مدیریت افسردگی امیدوارکننده است. آنها می‌توانند به پزشکان کمک کنند تا بین انواع فرعی افسردگی تفاوت قائل شوند، پاسخ درمانی را پیش بینی کنند، و انتخاب مداخلات مناسب را راهنمایی کنند. با این حال، مطالعات بیشتری برای تایید و اصلاح این نورومارکر‌ها برای استفاده معمول بالینی مورد نیاز است.
در این قسمت مطالعات literature در ارتباط با نورومارکرهای QEEG بررسی خواهد شد. در قسمت‌هایی از این قسمت مقایسه‌هایی با مطالعات گروه NPCindex انجام شده است.
1. Alpha Asymmetry: چندین مطالعه نشان داده اند که افراد مبتلا به افسردگی اغلب فعالیت آلفای نسبی ناحیه‌ی frontal راست راست بیشتری را در مقایسه با ناحیه frontal چپ نشان می‌دهند که نشان دهنده‌ی عدم تعادل یا کاهش فعالیت frontal چپ است. این عدم تقارن آلفا با علائم افسردگی همراه است. همچنین قابل ذکر است که این نورومارکر توانایی تشخیصی کمی دارد و بیشتر حساس به حالت اضطراب است. بیشتر در ارتباط با نوسانات خلقی می باشد.
2. Frontal Theta power: افزایش Frontal Theta Power در افراد مبتلا به افسردگی مشاهده شده است. نوسانات Theta با پردازش هیجانی و کنترل شناختی مرتبط است و الگوهای غیر طبیعی آنها ممکن است منعکس کننده اختلال در این فرآیندها در افسردگی باشد. (هرچند که این موضوع در برخی از سابجکتهای افسرده جامعه ایران صادق است ولی در حالت کلی، نتایج مطالعه تیم NPCindex نشان می‌دهد که بین توان تتای ناحیه فرونتال افراد نرمال و افراد افسرده جامعه ایران تفاوت معناداری وجود ندارد. (p-value = 0.13))
3. Delta and Beta Power: برخی مطالعات افزایش Delta Power و Beta Power را در افراد مبتلا به افسردگی گزارش کرده اند. (مطالعات تیم NPCindex نشان داده است که توان باند دلتا در جامعه نرمال و افسرده ایران تفاوت معناداری ندارد (p-value = 0.55) اما توان باند بتا با p-value = 0.002 تفاوت معناداری را بین دو گروه نشان داده است.)
4. Connectivity Alteration: افسردگی همراه با الگوهای ارتباطی مختل شده بین مناطق مغز مرتبط است در واقع شبکه های رندوم بیشتری در افسردگی وجود دارد. مطالعات کاهش Coherence و اتصال عملکردی، به ویژه در Alpha frequency band و Theta frequency band را نشان داده‌اند، که ممکن است منعکس کننده اختلال در ارتباط بین مناطق مغز درگیر در پردازش هیجانی و تنظیم خلق و خو باشد.
(در این شکل خطوط قرمز نشان دهنده افزایش coherence و خطوط آبی نشان دهنده کاهش coherence است که خطوط سابجکت افسرده از نوع کاهشی است.)
تصویر 11 (لوگو NPCindex)
1. گروه NPCindex در یکی از مطالعات خود به بررسی توانایی ویژگی‌های غیر خطی سیگنال EEG در جداسازی گروه‌های افسرده و نرمال ایرانی پرداخته است. در این مطالعه، توانایی تفکیک ویژگی‌های Katz Fractal dimension، Lempel Ziv complexity و سه ویژگی مربوط به bispectrum شامل آنتروپی، مجموع لگاریتمی و moment دوم آن، از نظر آماری و یادگیری ماشین مورد تحلیل قرار گرفته اند. نتایج این مقاله نشان داده است که در حالت ثبت چشم بسته، ویژگی‌های KFD ، مجموع لگاریتمی و moment دوم bispectrum از نظر آماری تفاوت معناداری را بین دو گروه ایجاد کرده اند. همچنین، در آنالیز باند‌های فرکانسی و نواحی مغزی، آنتروپی bispectrum در باند فرکانسی بتا و ناحیه فرونتال، مجموع لگاریتمی و moment دوم bispectrum در باند فرکانسی گاما و نواحی پریتال و تمپورال، در حالت چشم بسته تفاوت معناداری بین گروه افسرده و نرمال دارند. در حالت چشم باز نیز باند فرکانسی گاما در ناحیه تمپورال و با استفاده از ویژگی‌های مجموع لگاریتمی و moment دوم bispectrum تفاوت معناداری بین دو گروه ایجاد کرده است. در بین این ویژگیها، moment دوم bispectrum در ناحیه تمپورال و باند فرکانسی گاما توانسته است سابجکتهای افسرده و نرمال را با دقت 78.6 درصد با استفاده از الگوریتم یادگیری ماشین SVM تفکیک کند.
2. در مطالعه ی دیگری از گروه NPCindex(Depression Identification Using Asymmetry Matrix and Machine Learning Algorithms) نتایج نشان داد که central and temporal theta absolute power، central and temporal IAF asymmetries in Eye Closed condition و occipital beta absolute power، temporal theta relative power، temporal theta-to alpha power ratio و temporal IAF asymmetries in Eye Opened condition تفاوت معنی‌داری بین گروه های افسرده و سالم دارند. همچنین یافته های این مطالعه نشان داده که beta absolute power asymmetry in the occipital region and Eye Opened condition یک بیومارکر خوب برای شناسایی افسردگی با دقت 77.1 درصد است.
3. در مطالعه ی دیگری از این گروه تحت عنوان Electroencephalographic Microstates Analysis in Major Depressive Disorder، هدف مقاله بررسی temporal dynamics مربوط به میکوراستیت ها در broadband, delta, theta, alpha, and beta frequency bands بوده است. نتیجه ای که از این مطالعه حاصل شد؛ میکرواستیت ها در broadband, delta, and theta frequency bands تفاوت معنا داری بین دو گروه با افسردگی و سالم وجود داشته است.
افسردگی یک وضعیت پیچیده سلامت روان است که نیاز به تشخیص دقیق و درمان مناسب دارد. روان درمانی و دارودرمانی اجزای کلیدی مدیریت افسردگی هستند، اما تحقیقات در حال ظهور نشان می دهد که نورومارکرهای QEEG ممکن است نقش ارزشمندی در افزایش تشخیص و برنامه ریزی درمان ایفا کنند. با ادامه پیشرفت این زمینه، ادغام نورمارکرهای QEEG در عمل بالینی پتانسیل بهبود نتایج را برای افراد مبتلا به افسردگی دارد.
1. American Psychiatric Association, DSM-5 Task Force. (2013). Diagnostic and statistical manual of mental disorders: DSM-5™ (5th ed.). American Psychiatric Publishing, Inc.. https://doi.org/10.1176/appi.books.9780890425596
2. Cuijpers, P., et al. (2013). Psychotherapy for depression in adults: A meta-analysis of comparative outcome studies. Journal of Consulting and Clinical Psychology, 81(4), 686-699.
3. Rush, A. J., et al. (2006). Acute and longer-term outcomes in depressed outpatients requiring one or several treatment steps: A STAR*D report. American Journal of Psychiatry, 163(11), 1905-1917.
4. Arns, M., et al. (2012). EEG alpha asymmetry as a gender-specific predictor of outcome to acute treatment with different antidepressant medications in the randomized iSPOT-D study. Clinical Neurophysiology, 123(11I apologize, but as an AI language model, I don't have direct access to external references or the ability to perform real-time research. The information provided in my previous response is based on my training up until September 2021. I suggest consulting reputable sources such as scientific journals, textbooks, or trusted healthcare websites to obtain the most up-to-date and accurate information on the topics of depression, its treatment, and the use of QEEG biomarkers.
5. Strimbu, K., & Tavel, J. A. (2010). What are biomarkers? Current opinion in HIV and AIDS, 5(6), 463-466.
6. Duffy, M. J., & Sturgeon, C. (2010). Biomarkers for early detection of cancer. Clinical Chemistry, 56(5), 549-565.
7. Rifai, N., Gillette, M. A., & Carr, S. A. (2006). Protein biomarker discovery and validation: the long and uncertain path to clinical utility. Nature biotechnology, 24(8), 971-983.
8. Plebani, M. (2012). Biomarkers in clinical medicine: the present status and future perspectives. The Clinical Chemistry Laboratory, 1(1), 1-2.
9. de Aguiar Neto, F. S., & Rosa, J. L. G. (2019). Depression biomarkers using non-invasive EEG: A review. Neuroscience and biobehavioral reviews, 105, 83–93. https://doi.org/10.1016/j.neubiorev.2019.07.021
10. Rush, A. J., Fava, M., Wisniewski, S. R., Lavori, P. W., Trivedi, M. H., Sackeim, H. A., Thase, M. E., Nierenberg, A. A., Quitkin, F. M., Kashner, T. M., Kupfer, D. J., Rosenbaum, J. F., Alpert, J., Stewart, J. W., McGrath, P. J., Biggs, M. M., Shores-Wilson, K., Lebowitz, B. D., Ritz, L., Niederehe, G., … STAR*D Investigators Group (2004). Sequenced treatment alternatives to relieve depression (STAR*D): rationale and design. Controlled clinical trials, 25(1), 119–142. https://doi.org/10.1016/s0197-2456(03)00112-0
