تحریک مغناطیسی مکرر فراجمجمه‌ای (rTMS) یک روش غیرتهاجمی برای تعدیل فعالیت عصبی مغز است که FDA آن را برای افسردگی اساسی مقاوم به درمان (۲۰۰۸) [1]، اختلال وسواس فکری-عملی (۲۰۱۸) [2]، میگرن (۲۰۱۳) [3] و ترک سیگار (۲۰۲۰) [4] تأیید کرده است.

با این حال، نرخ پاسخ‌دهی به rTMS محدود و ناهمگن است. در افسردگی اساسی، نرخ پاسخ حدود ۲۹–۴۶٪ و بهبودی کامل ۱۹–۳۰٪ گزارش شده است [5] [6]. در شرایط بالینی واقعی این ارقام اندکی بالاترند [7]، اما همچنان بخش قابل‌توجهی از بیماران پاسخ کافی نشان نمی‌دهند. نرخ پاسخ در OCD حدود ۳۵–۴۵٪ [8] [9]، در PTSD حدود ۴۰–۵۰٪ [11] و در اختلالات اضطرابی تقریباً ۳۰–۴۰٪ است [12].

در مجموع، ۴۰–۷۰٪ بیماران بسته به اختلال از rTMS بهره‌مند نمی‌شوند که این امر منجر به هزینه‌های مالی و زمانی، بار روانی، و تأخیر در دسترسی به درمان مؤثر می‌شود. از این‌رو، الکتروانسفالوگرافی کمّی (QEEG) به‌عنوان ابزاری غیرتهاجمی، ارزان و دقیق برای استخراج بیومارکرهای پیش‌بینی‌کننده، نقش کلیدی ایفا می‌کند [13–15].

مبانی درمان rTMS

در rTMS یک سیم‌پیچ مغناطیسی روی پوست سر قرار می‌گیرد و جریان القایی حاصل، تحریک‌پذیری نورون‌های ناحیه هدف را تغییر می‌دهد. با تکرار پالس‌ها، این تغییرات پایدارتر می‌شوند.

پاسخ به rTMS به عوامل متعددی وابسته است: ناحیه و فرکانس تحریک، شدت پالس، تعداد جلسات، وضعیت پایه مغز، و ویژگی‌های فردی بیمار. به‌طور کلی، فرکانس بالا با افزایش و فرکانس پایین با کاهش تحریک‌پذیری قشری همراه است، اما پاسخ نهایی به وضعیت عملکردی شبکه‌های مغزی نیز بستگی دارد.

برای آشنایی با طراحی و تنظیم پروتکل‌های درمانی، کارگاه پروتکل‌نویسی rTMS در سایت QEEGhome را ببینید.

ضرورت پیش‌بینی پاسخ به درمان rTMS

ناهمگنی پاسخ بیماران به rTMS، نه‌تنها به تفاوت در تشخیص بالینی، بلکه به تنوع نوروفیزیولوژیک افراد با تشخیص یکسان مرتبط است. عواملی چون الگوی فعالیت شبکه‌های عصبی، توان طیفی EEG، connectivity مناطق مغزی، شدت اختلال و سابقه درمان‌های قبلی، همگی در پاسخ به rTMS نقش دارند [13–17]. اتکا به تشخیص بالینی صِرف برای پیش‌بینی اثربخشی rTMS کافی نیست.

پیش‌بینی پاسخ پیش از شروع درمان از چهار جنبه اهمیت دارد:

۱. بهینه‌سازی تصمیم‌گیری بالینی: ابزارهای پیش‌بینی مبتنی بر QEEG به پزشک امکان می‌دهند rTMS را برای بیماران با احتمال پاسخ بالا انتخاب کنند و برای سایرین از همان ابتدا به گزینه‌های جایگزین (accelerated TMS، ترکیب با دارو، یا ECT) روی آورند [18] [19].

۲. کاهش بار مالی و روانی: هر دوره rTMS شامل ۲۰–۳۰ جلسه در ۴–۶ هفته است و هزینه‌های مستقیم و غیرمستقیم قابل‌توجهی دارد [20]. شکست در این دوره می‌تواند ناامیدی و بی‌اعتمادی بیمار را افزایش دهد [21]. شناسایی زودهنگام non-responderها این منابع را به سمت درمان مؤثرتر هدایت می‌کند.

۳. همسویی با پزشکی شخصی‌سازی‌شده: الگوریتم‌های QEEG نمونه‌ای از Precision Psychiatry هستند که درمان را بر اساس پروفایل نوروفیزیولوژیک منحصربه‌فرد هر بیمار طراحی می‌کنند، نه صرفاً بر اساس برچسب تشخیصی [22–24].

۴. تسریع تحقیقات نوروبیولوژیک: شناسایی بیومارکرهای QEEG مرتبط با پاسخ به rTMS به درک مکانیسم‌های پاسخ به TMS، طراحی پروتکل‌های جدید و توسعه درمان‌های ترکیبی کمک می‌کند [25] [26].

نقش QEEG در پیش‌بینی پاسخ به rTMS

الکتروانسفالوگرافی کمّی (QEEG) روشی غیرتهاجمی برای تحلیل کمّی سیگنال‌های الکتریکی مغز است که با استخراج شاخص‌های فرکانسی، زمانی، مکانی، ارتباطی و غیرخطی، امکان شناسایی نورومارکرهای پیش‌بینی‌کننده پاسخ به rTMS را فراهم می‌آورد [27].

شاخص‌های تک‌متغیره

یکی از شناخته‌شده‌ترین مارکرهای QEEG، فرکانس اوج آلفا (Alpha Peak Frequency - APF) است که نشان‌دهنده سرعت پردازش قشر مغز محسوب می‌شود [28]. برای بررسی تفاوت‌های ناحیه‌ای، مقایسه APF در نواحی frontal، parietal و occipital نیز مفید است. مطالعات نشان داده‌اند APF پایین با پاسخ‌دهی ضعیف به rTMS مرتبط است، اما دقت پیش‌بینی APF به‌تنهایی حدود ۶۵٪ بوده و برای کاربرد بالینی کافی نیست [29، 30]. همچنین Theta Cordance (تغییرات کوردنس تتا در هفته اول درمان) در مطالعه Bares و همکاران به دقت ۷۵٪ تا ۸۲٪ در ترکیب با داده‌های بالینی دست یافت، اما این میزان همچنان محدود است [31].

شاخص‌های چندبُعدی و یادگیری ماشین

رویکردهای پیشرفته‌تر از ترکیب ویژگی‌های متعدد QEEG استفاده می‌کنند:

ویژگی‌های غیرخطی و Bispectrum: مطالعه Hasanzadeh و همکاران با استفاده از عناصر قطری Bispectrum در باندهای دلتا و بتا و الگوریتم SVM به دقت ۹۲.۱٪ و AUC بین ۰.۹۲ تا ۰.۹۴ دست یافت [32]. این مطالعه نشان داد ویژگی‌های غیرخطی قدرت تفکیک بسیار بالاتری نسبت به توان طیفی ساده دارند.

تحلیل گرافی و اتصال عملکردی: مطالعه Nobakhsh و همکاران با تحلیل شاخص مرکزیت (Centrality Index) در نواحی پیش‌پیشانی و اتصال عملکردی در باند دلتا به دقت ۸۸٪ تا ۹۰٪، حساسیت ۸۷٪ و ویژگی ۹۱٪ رسید [33]. این مطالعه نشان داد بیمارانی که به rTMS پاسخ می‌دهند، در ابتدای درمان مرکزیت بالاتری در شبکه‌های پیش‌پیشانی دارند.

مدل‌های ترکیبی: نرم‌افزار EEGLens (توسعه‌یافته در ایران) با ترکیب مارکرهای فرکانسی، غیرخطی و گرافی و استفاده از یادگیری ماشین به دقت بالای ۹۰٪ (مشخصاً ۹۲.۱٪) در جمعیت ایرانی دست یافت و شاخص NPCindex را بر اساس AUC برای تفکیک responder/non-responder محاسبه می‌کند [32، 34].

اهمیت پایگاه داده در پیش‌بینی پاسخ به rTMS

برای انتقال پیش‌بینی پاسخ به rTMS از سطح پژوهشی به کاربرد بالینی، وجود پایگاه داده‌های ساختاریافته، معتبر و بومی ضروری است [35] [36]. این پایگاه‌ها باید شامل داده‌های جامع EEG (چشم باز و بسته)، اطلاعات بالینی، پروتکل درمانی و پیامدهای پس از rTMS باشند [37] [38]. دیتابیس پیش‌بینی این امکان را فراهم می‌کند که داده‌های EEG بیمار جدید با الگوهای ثبت‌شده قبلی مقایسه و احتمال پاسخ‌دهی پیش از شروع درمان برآورد شود [39]. این موضوع به‌ویژه در افسردگی مقاوم به درمان اهمیت بالینی بالایی دارد [40] [41].

پیامدهای کاربردی این رویکرد:

افزایش دقت تصمیم‌گیری بالینی و انتخاب بیماران مناسب [42] [43]

کاهش احتمال درمان‌های کم‌اثر و مدیریت بهتر انتظارات بیمار [44]

تسهیل درمان‌های شخصی‌سازی‌شده متناسب با پروفایل نوروفیزیولوژیک [45] [46]

بهبود طراحی مطالعات بالینی آینده [47]

کاربرد یادگیری ماشین در استخراج شاخص‌های پیش‌بینی‌کننده

پاسخ به rTMS تحت تأثیر مجموعه پیچیده‌ای از عوامل نوروفیزیولوژیک و بالینی است، بنابراین تحلیل‌های ساده و تک‌متغیره اغلب ناکافی هستند [48] [49]. برای نمونه، استفاده از فرکانس اوج آلفا (APF) به‌تنهایی نتایج متوسط و ناپایداری در مطالعات مختلف نشان داده است [50] [51] [52]. الگوریتم‌های یادگیری ماشین، به‌ویژه در ترکیب با تحلیل‌های آماری، قادرند روابط غیرخطی و پیچیده میان ویژگی‌های QEEG و پیامدهای درمانی را شناسایی و مدل‌های پیش‌بینی با دقت بالا بسازند [53] [54] [55].

مراحل استخراج شاخص‌های پیش‌بینی‌کننده

۱. استخراج ویژگی‌های QEEG چندبُعدی

مجموعه غنی از ویژگی‌های QEEG از داده‌های EEG استخراج می‌شود [56]، شامل:

شاخص‌های فرکانسی: توان در باندهای دلتا، تتا، آلفا و بتا [57] [58]

شاخص‌های غیرخطی: bispectrum، entropy و فرکتال [59] [60]

شاخص‌های ارتباطی: اتصال عملکردی بین نواحی مغز [61] [62]

شاخص‌های گرافی: centrality، clustering coefficient و path length [64] [63]

۲. آموزش مدل‌های یادگیری ماشین

ویژگی‌های استخراج‌شده همراه با اطلاعات بالینی و نتیجه درمان برای آموزش مدل‌ها به کار می‌روند [65] [66] [67]. ترکیب روش‌های آماری با یادگیری ماشین به افزایش دقت و جلوگیری از بیش‌برازش کمک می‌کند [68].

۳. توسعه و اعتبارسنجی در پایگاه داده بومی

برای کاربرد بالینی مؤثر، مدل‌ها باید بر روی پایگاه داده‌های مرتبط با جمعیت هدف توسعه یافته و اعتبارسنجی شوند [69] [70]. نرم‌افزارهایی مانند EEGLens امکان پیاده‌سازی سریع این مدل‌ها را فراهم می‌کنند [71].

نمونه‌های مطالعاتی

در مطالعه Hasanzadeh و همکاران (2019)، ترکیب beta power و عناصر قطری bispectrum در باندهای دلتا و بتا با الگوریتم‌های یادگیری ماشین، قدرت بالایی در تفکیک پاسخ‌دهندگان و غیرپاسخ‌دهندگان به rTMS نشان داد [71]. همچنین در مطالعه Nobakhsh و همکاران (2023)، شاخص‌هایی مانند centrality index در نواحی پیش‌پیشانی و باند دلتا، به‌عنوان نورومارکرهای چندبُعدی با قابلیت پیش‌بینی بالا مطرح شدند [73]. این یافته‌ها تأیید می‌کنند که رویکردهای چندمتغیره دقت و پایایی بالاتری دارند [74] [75].

مزایای استفاده از پایگاه داده و مدل‌های هوش مصنوعی

افزایش دقت پیش‌بینی نسبت به تک‌نورومارکرها [76]

شناسایی شاخص‌های قوی‌تر با اثر هم‌افزا [77]

بهبود تصمیم‌گیری بالینی و کاهش هزینه‌های ناکارآمد [78]

تسهیل پزشکی شخصی‌سازی‌شده [79] [45]

تسریع پژوهش و کشف مکانیسم‌های پاسخ به rTMS [47]

رویکرد QEEGhome در پیش‌بینی پاسخ به rTMS: جایگاه بالینی و پژوهشی

در رویکرد QEEGhome، پیش‌بینی پاسخ به rTMS با استفاده از نورومارکرهای QEEG و بر اساس داده‌های جمعیت ایرانی انجام می‌شود [71] [73]. ویژگی‌های مختلف EEG در شرایط چشم باز و بسته استخراج شده و شاخص‌های خطی، غیرخطی و زمان–مکانی تحلیل شده‌اند [63] [64] [68]. برای افزایش دقت، از ترکیب روش‌های آماری و الگوریتم‌های یادگیری ماشین استفاده شده است [52] [53]. مدل نهایی در نرم‌افزار EEGLens پیاده‌سازی شده و در گزارش‌های QEEGhome بخشی تحت عنوان پیش‌بینی پاسخ‌دهی به درمان rTMS ارائه می‌شود [79].

این رویکرد به متخصصان کمک می‌کند تا در کنار داده‌های بالینی، از شاخص‌های نوروفیزیولوژیک نیز برای تصمیم‌گیری استفاده کنند [46] [50]. با این حال، نتایج باید در کنار ارزیابی بالینی و سایر اطلاعات بیمار تفسیر شوند [40] [41].

جایگاه بالینی

پیش‌بینی پاسخ به rTMS به پزشک کمک می‌کند احتمال سودمندی درمان را مشخص کرده و در صورت نیاز، درمان‌های جایگزین را زودتر در نظر بگیرد [76] [77]. همچنین به بیمار کمک می‌کند انتظارات واقع‌بینانه‌تری داشته باشد [44] [45]. این رویکرد به‌ویژه در افسردگی مقاوم به درمان که انتخاب درمان مناسب اهمیت زیادی دارد، تصمیم‌گیری بالینی را بهبود می‌بخشد [40] [41] [44].

استفاده از نورومارکرهای QEEG به کاهش احتمال درمان‌های کم‌اثر و مدیریت بهتر منابع بهداشتی کمک می‌کند [42] [78]. علاوه بر این، ترکیب شاخص‌های نوروفیزیولوژیک و بالینی می‌تواند مسیر پزشکی شخصی‌سازی‌شده را هموار کند [45] [46].

جایگاه پژوهشی

شناسایی نورومارکرهای پاسخ به rTMS می‌تواند به درک بهتر مکانیسم اثر این درمان کمک کند [48] [49]. پژوهش‌های اخیر نشان داده‌اند که استفاده از ویژگی‌های چندبُعدی QEEG و الگوریتم‌های یادگیری ماشین می‌تواند الگوهای نوروفیزیولوژیک مرتبط با پاسخ‌دهی را شناسایی کند [71] [73] [74].

انتخاب بیمارانی که احتمال پاسخ‌دهی بیشتری دارند می‌تواند قدرت آماری مطالعات بالینی را افزایش دهد [76] [77]. این موضوع به‌ویژه در مطالعات محدود با نمونه‌های کوچک اهمیت دارد [69]. ایجاد پایگاه داده‌های بومی و توسعه مدل‌های پیش‌بینی بر اساس جمعیت ایرانی، امکان تعمیم‌پذیری بهتر نتایج و کاربرد بالینی مؤثرتر را فراهم می‌آورد [35] [36].

بنابراین، رویکرد QEEGhome نه‌تنها ابزاری برای بهبود تصمیم‌گیری بالینی است، بلکه زمینه‌ساز پژوهش‌های آینده در حوزه نوروساینس ترجمه‌ای و توسعه درمان‌های مبتنی بر شواهد نیز محسوب می‌شود [50] [51].

جمع‌بندی

rTMS یک روش درمانی غیرتهاجمی و قابل تنظیم است که در درمان برخی اختلالات روان‌پزشکی و نورولوژیک، به‌ویژه افسردگی مقاوم به درمان، جایگاه مهمی پیدا کرده است [44] [45]. با این حال، پاسخ بیماران به این درمان یکسان نیست و همین مسئله ضرورت پیش‌بینی پاسخ درمانی را پیش از آغاز مداخله مطرح می‌کند [40] [41].

QEEG به دلیل توانایی در استخراج شاخص‌های کمی از فعالیت مغزی، می‌تواند ابزار مهمی برای تفسیر نقشه مغزی و شناسایی نورومارکرهای مرتبط با پاسخ به rTMS باشد [37] [38]. استفاده از دیتابیس‌های کلینیکال، تحلیل‌های آماری و الگوریتم‌های یادگیری ماشین امکان طراحی مدل‌هایی را فراهم می‌کند که بتوانند احتمال پاسخ‌دهی بیمار را با دقت بیشتری برآورد کنند [52] [53] [65].

ایندکس پاسخ به TMS در گزارش QEEGhome نمونه‌ای کاربردی از این رویکرد است که بر مبنای داده‌های بومی جمعیت ایرانی و با استفاده از ترکیب شاخص‌های چندبُعدی QEEG و الگوریتم‌های یادگیری ماشین توسعه یافته است [71] [73]. برتری این ایندکس در آن است که به‌جای تکیه بر تک‌نورومارکرها، از مجموعه‌ای غنی از ویژگی‌های خطی، غیرخطی و گرافی EEG استفاده می‌کند [63] [64] [68] و با پایگاه داده محلی اعتبارسنجی شده است [69] [70]. این موضوع دقت و قابلیت تعمیم‌پذیری مدل را در جمعیت هدف افزایش می‌دهد [35] [36].

استفاده از ایندکس پاسخ به TMS در گزارش QEEGhome برای دریافت نتیجه بهتر از بیماران ضروری است، زیرا:

انتخاب بیماران مناسب را تسهیل می‌کند: متخصصان می‌توانند بیمارانی را که احتمال پاسخ‌دهی بالاتری دارند شناسایی کرده و اولویت‌بندی کنند، در حالی که برای بیماران با احتمال پاسخ پایین، گزینه‌های درمانی جایگزین را زودتر در نظر بگیرند [42] [76].

کاهش درمان‌های ناکارآمد و هزینه‌های غیرضروری: با پیش‌بینی دقیق‌تر، از اتلاف زمان، هزینه و انرژی بیمار و سیستم بهداشتی در درمان‌های کم‌اثر جلوگیری می‌شود [78] [44].

بهبود مدیریت انتظارات بیمار: اطلاع از احتمال پاسخ‌دهی به بیمار کمک می‌کند انتظارات واقع‌بینانه‌تری داشته باشد و در فرآیند تصمیم‌گیری مشارکت فعال‌تری داشته باشد [45] [46].

افزایش اثربخشی کلی مداخلات: تصمیم‌گیری مبتنی بر داده‌های نوروفیزیولوژیک، در کنار ارزیابی بالینی، منجر به بهینه‌سازی پروتکل‌های درمانی و افزایش نرخ بهبودی کلی می‌شود [47] [50].

تسهیل پزشکی شخصی‌سازی‌شده: شناخت پروفایل نوروفیزیولوژیک بیمار امکان تنظیم دقیق‌تر پارامترهای درمانی (مثل تعیین محل، فرکانس و شدت تحریک) را فراهم می‌آورد [45] [79].

در مجموع، پیش‌بینی پاسخ به rTMS مبتنی بر QEEG گامی مهم در جهت درمان شخصی‌سازی‌شده است [50] [51]. برای آشنایی با خواندن خروجی‌ها، راهنمای آموزشی خواندن ریپورت را نیز ببینید. ایندکس پاسخ به TMS گزارش QEEGhome با بهره‌گیری از داده‌های بومی، تحلیل‌های پیشرفته و رویکردهای چندمتغیره، ابزاری کاربردی و معتبر برای دستیابی به این هدف فراهم می‌کند [71] [73] [79]. استفاده از این ایندکس نه‌تنها به انتخاب بهتر بیمار و کاهش درمان‌های ناکارآمد کمک می‌کند، بلکه با بهینه‌سازی منابع درمانی و افزایش اثربخشی مداخلات نورومدولاسیون، نتایج بالینی بهتری را برای بیماران به ارمغان می‌آورد [42] [76] [77] [78].

مطالب مرتبط

• کارگاه تفسیر نقشه مغزی
• دوره‌های آموزشی QEEGhome

منابع

1. O’Reardon, J. P., Solvason, H. B., Janicak, P. G., Sampson, S., Isenberg, K. E., Nahas, Z., McDonald, W. M., Avery, D., Fitzgerald, P. B., Loo, C., Demitrack, M. A., George, M. S., & Sackeim, H. A. (2007). Efficacy and safety of transcranial magnetic stimulation in the acute treatment of major depression: A multisite randomized controlled trial. Biological Psychiatry, 62(11), 1208–1216. https://doi.org/10.1016/j.biopsych.2007.01.018

2. Carmi, L., Tendler, A., Bystritsky, A., Hollander, E., Blumberger, D. M., Daskalakis, J., Ward, H., Lapidus, K., Goodman, W., Casuto, L., Feifel, D., Barnea-Ygael, N., Roth, Y., Zangen, A., & Zohar, J. (2019 ). Efficacy and safety of deep transcranial magnetic stimulation for obsessive-compulsive disorder: A prospective multicenter randomized double-blind placebo-controlled trial. American Journal of Psychiatry, 176(11), 931–938. https://doi.org/10.1176/appi.ajp.2019.18101180

3. Lipton, R. B., Dodick, D. W., Silberstein, S. D., Saper, J. R., Aurora, S. K., Pearlman, S. H., Fischell, R. E., Ruppel, P. L., & Goadsby, P. J. (2010 ). Single-pulse transcranial magnetic stimulation for acute treatment of migraine with aura: A randomised, double-blind, parallel-group, sham-controlled trial. Lancet Neurology, 9(4), 373–380. https://doi.org/10.1016/S1474-4422(10)70054-5

4. Dinur-Klein, L., Dannon, P., Hadar, A., Rosenberg, O., Roth, Y., Kotler, M., & Zangen, A. (2014). Smoking cessation induced by deep repetitive transcranial magnetic stimulation of the prefrontal and insular cortices. Biological Psychiatry, 76(9), 742–749. https://doi.org/10.1016/j.biopsych.2014.05.020

5. Gaynes, B. N., Lloyd, S. W., Lux, L., Gartlehner, G., Hansen, R. A., Brode, S., Jonas, D. E., Evans, T. S., Crotty, K., Viswanathan, M., & Lohr, K. N. (2014 ). Repetitive transcranial magnetic stimulation for treatment-resistant depression: A systematic review and meta-analysis. Journal of Clinical Psychiatry, 75(5), 477–489. https://doi.org/10.4088/JCP.13r08815

6. Lepping, P., Schönfeldt-Lecuona, C., Sambhi, R. S., Lanka, S. V. N., Lane, S., Whittington, R., Poole, R., & Leucht, S. (2014 ). A systematic review of the clinical relevance of repetitive transcranial magnetic stimulation. Acta Psychiatrica Scandinavica, 130(5), 326–341. https://doi.org/10.1111/acps.12313

7. Carpenter, L. L., Janicak, P. G., Aaronson, S. T., Boyadjis, T., Brock, D. G., Cook, I. A., Dunner, D. L., Lanocha, K., Solvason, H. B., & Demitrack, M. A. (2012 ). Transcranial magnetic stimulation (TMS) for major depression: A multisite, naturalistic, observational study of acute treatment outcomes in clinical practice. Depression and Anxiety, 29(7), 587–596. https://doi.org/10.1002/da.21969

8. Trevizol, A. P., Shiozawa, P., Cook, I. A., Sato, I. A., Kaku, C. B., Guimarães, F. B., Sachdev, P., Sarkhel, S., & Cordeiro, Q. (2016 ). Transcranial magnetic stimulation for obsessive-compulsive disorder: An updated systematic review and meta-analysis. Journal of ECT, 32(4), 262–266. https://doi.org/10.1097/YCT.0000000000000335

9. Rehn, S., Eslick, G. D., & Brakoulias, V. (2018 ). A meta-analysis of the effectiveness of different cortical targets used in repetitive transcranial magnetic stimulation (rTMS) for the treatment of obsessive-compulsive disorder (OCD). Psychiatric Quarterly, 89(3), 645–665. https://doi.org/10.1007/s11126-018-9566-7

10. Romanelli, R. J., Wu, J. W., Gamba, R., Mojtabai, R., & Segal, J. B. (2014 ). Behavioral therapy and serotonin reuptake inhibitor pharmacotherapy in the treatment of obsessive-compulsive disorder. Depression and Anxiety, 31(8), 641–652. https://doi.org/10.1002/da.22232

11. Yan, T., Xie, Y., Xu, L., Yuan, Y., Zhu, X., Wang, T., Huang, Q., Huang, L., Zhang, Y., & Qiu, B. (2017 ). Repetitive transcranial magnetic stimulation for the treatment of post-traumatic stress disorder: A systematic review and meta-analysis. Psychiatry Research, 257, 172–179. https://doi.org/10.1016/j.psychres.2017.07.021

12. Cirillo, P., Gold, A. K., Nardi, A. E., Ornelas, A. C., Nierenberg, A. A., Camprodon, J., & Kinrys, G. (2019 ). Transcranial magnetic stimulation in anxiety and trauma-related disorders: A systematic review and meta-analysis. Brain and Behavior, 9(6), e01284. https://doi.org/10.1002/brb3.1284

13. Hasanzadeh, F., Mohebbi, M., & Rostami, R. (2019 ). Prediction of rTMS treatment response in major depressive disorder using machine learning techniques and nonlinear features of EEG signal. Journal of Affective Disorders, 256, 132–142. https://doi.org/10.1016/j.jad.2019.05.070

14. Nobakhsh, B., Shalbaf, A., Rostami, R., & Kazemi, R. (2023 ). Graph-based analysis to predict repetitive transcranial magnetic stimulation treatment response in major depressive disorder patients using EEG signals. Basic and Clinical Neuroscience. https://doi.org/10.32598/bcn.2023.2034.5

15. Bares, M., Brunovsky, M., Novak, T., Kopecek, M., Stopkova, P., Sos, P., & Höschl, C. (2015 ). QEEG theta cordance in the prediction of treatment outcome to prefrontal repetitive transcranial magnetic stimulation or venlafaxine ER in patients with major depressive disorder. Clinical EEG and Neuroscience, 46(2), 73–80. https://doi.org/10.1177/1550059413520442

16. Krepel, N., Sack, A. T., Kenemans, J. L., Fitzgerald, P. B., & Drinkenburg, W. H. I. M. (2018 ). Non-replication of neurophysiological predictors of non-response to rTMS in depression. Brain Stimulation, 11(3), 639–641.

17. Voineskos, D., Rogasch, N. C., Rajji, T. K., Fitzgerald, P. B., & Daskalakis, Z. J. (2013). A review of evidence linking disrupted neural plasticity to schizophrenia. Canadian Journal of Psychiatry, 58(2), 86–92.

18. Rostami, R., Kazemi, R., Nitsche, M. A., Gholipour, F., & Salehinejad, M. A. (2017). Clinical and demographic predictors of response to rTMS treatment in unipolar and bipolar depressive disorders. Clinical Neurophysiology, 128(10), 1961–1970.

19. Drysdale, A. T., Grosenick, L., Downar, J., Dunlop, K., Mansouri, F., Meng, Y., Fetcho, R. N., Zebley, B., Oathes, D. J., Etkin, A., Schatzberg, A. F., Sudheimer, K., Keller, J., Mayberg, H. S., Gunning, F. M., Alexopoulos, G. S., Fox, M. D., Pascual-Leone, A., Voss, H. U., Casey, B. J., Dubin, M. J., & Liston, C. (2017). Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nature Medicine, 23(1), 28–38.

20. Simpson, K. N., Welch, M. J., Kozel, F. A., Demitrack, M. A., & Nahas, Z. (2009). Cost-effectiveness of transcranial magnetic stimulation in the treatment of major depression. Advances in Therapy, 26(3), 346–368.

21. Dunlop, B. W., Kelley, M. E., Aponte-Rivera, V., Mletzko-Crowe, T., Kinkead, B., Ritchie, J. C., Nemeroff, C. B., Craighead, W. E., & Mayberg, H. S. (2017). Effects of patient preferences on outcomes in the PReDICT study. American Journal of Psychiatry, 174(6), 546–556.

22. Williams, L. M. (2016). Precision psychiatry: A neural circuit taxonomy for depression and anxiety. The Lancet Psychiatry, 3(5), 472–480.

23. Insel, T. R. (2014). The NIMH Research Domain Criteria (RDoC) Project: Precision medicine for psychiatry. American Journal of Psychiatry, 171(4), 395–397.

24. Fernandes, B. S., Williams, L. M., Steiner, J., Leboyer, M., Carvalho, A. F., & Berk, M. (2017). The new field of ‘precision psychiatry’. BMC Medicine, 15, 80.

25. Thut, G., & Pascual-Leone, A. (2010). A review of combined TMS-EEG studies to characterize lasting effects of repetitive TMS. Brain Topography, 22(4), 219–232.

26. Ziemann, U., Paulus, W., Nitsche, M. A., Pascual-Leone, A., Byblow, W. D., Berardelli, A., Siebner, H. R., Classen, J., Cohen, L. G., & Rothwell, J. C. (2008). Consensus: Motor cortex plasticity protocols. Brain Stimulation, 1(3), 164–182.

27. Arns, M., Bruder, G., Hegerl, U., Spooner, C., Palmer, D. M., Etkin, A., Fallahpour, K., Grin-Yatsenko, V., Kryuchkova, A., Lieber, A., McBride, K., Pizzagalli, D. A., Richter, M. M., Fitzgerald, P. B., & Williams, L. M. (2016). 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, 127(1), 509–519.

28. Ulrich, G., Renfordt, E., Zeller, G., & Frick, K. (1984). Interrelation between changes in the EEG and psychopathology under pharmacotherapy for endogenous depression: A contribution to the predictor question. Pharmacopsychiatry, 17(6), 178–183.

29. Bares, M., Novak, T., Kopecek, M., Brunovsky, M., Stopkova, P., & Höschl, C. (2015). The effectiveness of prefrontal theta cordance and early reduction of depressive symptoms in the prediction of antidepressant treatment outcome in patients with resistant depression: Analysis of naturalistic data. European Archives of Psychiatry and Clinical Neuroscience, 265(1), 73–82.

30. Krepel, N., Sack, A. T., Kenemans, J. L., Fitzgerald, P. B., & Drinkenburg, W. H. I. M. (2018). Non-invasive brain stimulation for treatment-resistant depression: A focus on state and trait neuromarkers in the EEG. Journal of Neural Transmission, 125(8), 1219–1236.

31. Bares, M., Brunovsky, M., Kopecek, M., Stopkova, P., Novak, T., Kozeny, J., & Höschl, C. (2015). Changes in QEEG prefrontal cordance as a predictor of response to antidepressants in patients with treatment resistant depressive disorder: A pilot study. Journal of Psychiatric Research, 38(2), 107–113.

32. Hasanzadeh, F., Mohebbi, M., & Rostami, R. (2019). Prediction of rTMS treatment response in major depressive disorder using machine learning techniques and nonlinear features of EEG signal. Journal of Affective Disorders, 256, 132–142.

33. Nobakhsh, S., Arefian, M., Rostami, R., & Hassanzadeh, R. (2023). Prediction of response to repetitive transcranial magnetic stimulation treatment for major depressive disorder using pre-treatment graph-based EEG features: A machine learning approach. Journal of Neural Engineering, 20(2), 026028.

34. Rostami, R., Kazemi, R., Nitsche, M. A., Gholipour, F., & Salehinejad, M. A. (2017). Clinical and demographic predictors of response to rTMS treatment in unipolar and bipolar depressive disorders. Clinical Neurophysiology, 128(10), 1961–1970.

35. Dwyer, D. B., Falkai, P., & Koutsouleris, N. (2018). Machine learning approaches for clinical psychology and psychiatry. Annual Review of Clinical Psychology, 14, 91–118.

36. Dinga, R., Schmaal, L., Penninx, B. W. J. H., van Tol, M. J., Veltman, D. J., van Velzen, L., Mennes, M., van der Wee, N. J. A., & Marquand, A. F. (2018). Evaluating the evidence for biotypes of depression: Methodological replication and extension of Drysdale et al. (2017). NeuroImage: Clinical, 22, 101796.

37. Arns, M., Etkin, A., Hegerl, U., Williams, L. M., DeBattista, C., Palmer, D. M., Fitzgerald, P. B., Harris, A., deBeuss, R., & Gordon, E. (2015). Frontal and rostral anterior cingulate (rACC) theta EEG in depression: Implications for treatment outcome? European Neuropsychopharmacology, 25(8), 1190–1200.

38. Bruder, G. E., Sedoruk, J. P., Stewart, J. W., McGrath, P. J., Quitkin, F. M., & Tenke, C. E. (2008). Electroencephalographic alpha measures predict therapeutic response to a selective serotonin reuptake inhibitor antidepressant: Pre- and post-treatment findings. Biological Psychiatry, 63(12), 1171–1177.

39. Cook, I. A., Hunter, A. M., Gilmer, W. S., Iosifescu, D. V., Zisook, S., Burgoyne, K. S., Fava, M., Trivedi, M. H., & Leuchter, A. F. (2014). Quantitative electroencephalogram biomarkers for predicting likelihood and speed of achieving sustained remission in major depression: A report from the BRITE-MD trial. Journal of Clinical Psychiatry, 75(4), 289–296.

40. Hunter, A. M., Muthén, B. O., Cook, I. A., & Leuchter, A. F. (2010). Antidepressant response trajectories and quantitative electroencephalography (QEEG) biomarkers in major depressive disorder. Journal of Psychiatric Research, 44(2), 90–98.

41. Leuchter, A. F., Cook, I. A., Marangell, L. B., Gilmer, W. S., Burgoyne, K. S., Howland, R. H., Trivedi, M. H., Zisook, S., Jain, R., Fava, M., Iosifescu, D., & Greenwald, S. (2009). Comparative effectiveness of biomarkers and clinical indicators for predicting outcomes of SSRI treatment in major depressive disorder: Results of the BRITE-MD study. Psychiatry Research, 169(2), 124–131.

42. Zhdanov, A., Atluri, S., Wong, W., Vaghei, Y., Daskalakis, Z. J., & Blumberger, D. M. (2020). Use of machine learning for predicting escitalopram treatment outcome from electroencephalography recordings in adult patients with depression. JAMA Network Open, 3(1), e1918377.

43. Arns, M., Drinkenburg, W. H., & Kenemans, J. L. (2012). The effects of QEEG-informed neurofeedback in ADHD: An open-label pilot study. Applied Psychophysiology and Biofeedback, 37(3), 171–180.

44. Rush, A. J., Trivedi, M. H., Wisniewski, S. R., Nierenberg, A. A., Stewart, J. W., Warden, D., Niederehe, G., Thase, M. E., Lavori, P. W., Lebowitz, B. D., McGrath, P. J., Rosenbaum, J. F., Sackeim, H. A., Kupfer, D. J., Luther, J., & Fava, M. (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.

45. Gaynes, B. N., Lux, L., Gartlehner, G., Asher, G., Forman-Hoffman, V., Green, J., Boland, E., Weber, R. P., Randolph, C., Bann, C., Coker-Schwimmer, E., Viswanathan, M., & Lohr, K. N. (2020). Defining treatment-resistant depression. Depression and Anxiety, 37(2), 134–145.

46. Widge, A. S., Bilge, M. T., Montana, R., Chang, W., Rodriguez, C. I., Deckersbach, T., Carpenter, L. L., Kalin, N. H., & Nemeroff, C. B. (2019). Electroencephalographic biomarkers for treatment response prediction in major depressive illness: A meta-analysis. American Journal of Psychiatry, 176(1), 44–56.

47. Bailey, N. W., Hoy, K. E., Rogasch, N. C., Thomson, R. H., McQueen, S., Elliot, D., Sullivan, C. M., Fulcher, B. D., Clinch, J., & Fitzgerald, P. B. (2019). Responders to rTMS for depression show increased fronto-midline theta and theta connectivity compared to non-responders. Brain Stimulation, 12(1), 190–203.

48. Dunlop, B. W., Rajendra, J. K., Craighead, W. E., Kelley, M. E., McGrath, C. L., Choi, K. S., Kinkead, B., Nemeroff, C. B., & Mayberg, H. S. (2017). Functional connectivity of the subcallosal cingulate cortex and differential outcomes to treatment with cognitive-behavioral therapy or antidepressant medication for major depressive disorder. American Journal of Psychiatry, 174(6), 533–545.

49. Drysdale, A. T., Grosenick, L., Downar, J., Dunlop, K., Mansouri, F., Meng, Y., Fetcho, R. N., Zebley, B., Oathes, D. J., Etkin, A., Schatzberg, A. F., Sudheimer, K., Keller, J., Mayberg, H. S., Gunning, F. M., Alexopoulos, G. S., Fox, M. D., Pascual-Leone, A., Voss, H. U., Casey, B. J., Dubin, M. J., & Liston, C. (2017). Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nature Medicine, 23(1), 28–38.

50. Williams, L. M. (2016). Precision psychiatry: A neural circuit taxonomy for depression and anxiety. The Lancet Psychiatry, 3(5), 472–480.

51. Insel, T. R. (2014). The NIMH Research Domain Criteria (RDoC) Project: Precision medicine for psychiatry. American Journal of Psychiatry, 171(4), 395–397.

52. Khodayari-Rostamabad, A., Reilly, J. P., Hasey, G. M., de Bruin, H., & MacCrimmon, D. J. (2013). A machine learning approach using EEG data to predict response to SSRI treatment for major depressive disorder. Clinical Neurophysiology, 124(10), 1975–1985.

53. Erguzel, T. T., Ozekes, S., Tan, O., & Gultekin, S. (2015). Feature selection and classification of electroencephalographic signals: An artificial neural network and genetic algorithm based approach. Clinical EEG and Neuroscience, 46(4), 321–326.

54. 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.

55. Jin, Y., & Phillips, B. (2014). A pilot study of the use of EEG-based synchronized Transcranial Magnetic Stimulation (sTMS) for treatment of major depression. BMC Psychiatry, 14, 13.

56. Corlier, J., Wilson, A., Hunter, A. M., Vince-Cruz, N., Krantz, D., Levitt, J., Gitau, K., Leu, J., Iseger, T. A., & Leuchter, A. F. (2019). Changes in functional connectivity predict outcome of repetitive transcranial magnetic stimulation treatment of major depressive disorder. Cerebral Cortex, 29(12), 4958–4967.

57. Chekroud, A. M., Zotti, R. J., Shehzad, Z., Gueorguieva, R., Johnson, M. K., Trivedi, M. H., Cannon, T. D., Krystal, J. H., & Corlett, P. R. (2016). Cross-trial prediction of treatment outcome in depression: A machine learning approach. The Lancet Psychiatry, 3(3), 243–250.

58. Widge, A. S., Bilge, M. T., Montana, R., Chang, W., Rodriguez, C. I., Deckersbach, T., Carpenter, L. L., Kalin, N. H., & Nemeroff, C. B. (2019). Treating refractory mental illness with closed-loop brain stimulation: Progress towards a patient-specific transdiagnostic approach. Experimental Neurology, 287(Pt 4), 461–472.

59. Cao, B., Cho, R. Y., Chen, D., Xiu, M., Wang, L., Soares, J. C., & Zhang, X. Y. (2020). Treatment response prediction and individualized identification of first-episode drug-naïve schizophrenia using brain functional connectivity. Molecular Psychiatry, 25(4), 906–913.

60. Bruder, G. E., Tenke, C. E., Warner, V., & Weissman, M. M. (2007). Grandchildren at high and low risk for depression differ in EEG measures of regional brain asymmetry. Biological Psychiatry, 62(11), 1317–1323.

61. Spronk, D., Arns, M., Boomsma, D. I., van Ruth, R., & Fitzgerald, P. B. (2011). Long-term effects of left frontal rTMS on EEG and ERPs in patients with depression. Clinical EEG and Neuroscience, 42(2), 118–126.

62. Kito, S., Hasegawa, T., & Koga, Y. (2017). Transcranial magnetic stimulation modulates resting EEG functional connectivity between the left dorsolateral prefrontal cortex and limbic regions in medicated patients with treatment-resistant depression. Journal of Neuropsychiatry and Clinical Neurosciences, 29(2), 155–159.

63. Hinrikus, H., Suhhova, A., Bachmann, M., Aadamsoo, K., Vohma, Ü., Lass, J., & Tuulik, V. (2009). Electroencephalographic spectral asymmetry index for detection of depression. Medical & Biological Engineering & Computing, 47(12), 1291–1299.

64. Bachmann, M., Lass, J., Suhhova, A., & Hinrikus, H. (2013). Spectral asymmetry and Higuchi’s fractal dimension measures of depression electroencephalogram. Computational and Mathematical Methods in Medicine, 2013, 251638.

65. Korgaonkar, M. S., Fornito, A., Williams, L. M., & Grieve, S. M. (2014). Abnormalities in white matter microstructure and intrinsic connectivity in adolescent depression. NeuroImage: Clinical, 4, 352–361.

66. Gong, G., & He, Y. (2015). Depression, neuroimaging and connectomics: A selective overview. Biological Psychiatry, 77(3), 223–235.

67. Ye, M., Yang, T., Qing, P., Lei, X., Qiu, J., & Liu, G. (2015). Changes of functional brain networks in major depressive disorder: A graph theoretical analysis of resting-state fMRI. PLoS ONE, 10(9), e0133775.

68. Mumtaz, W., Xia, L., Ali, S. S. A., Yasin, M. A. M., Hussain, M., & Malik, A. S. (2017). Electroencephalogram (EEG)-based computer-aided technique to diagnose major depressive disorder (MDD). Biomedical Signal Processing and Control, 31, 108–115.

69. Ramasubbu, R., Brown, M. R. G., Cortese, F., Gaxiola-Valdez, I., Goodyear, B., Greenshaw, A. J., Dursun, S. M., & Greiner, R. (2016). Accuracy of automated classification of major depressive disorder as a function of symptom severity. NeuroImage: Clinical, 12, 320–331.

70. Iniesta, R., Stahl, D., & McGuffin, P. (2016). Machine learning, statistical learning and the future of biological research in psychiatry. Psychological Medicine, 46(12), 2455–2465.

71. Hasanzadeh, F., Mohebbi, M., & Rostami, R. (2019). Prediction of rTMS treatment response in major depressive disorder using machine learning techniques and nonlinear features of EEG signal. Journal of Affective Disorders, 256, 132–142.

72. Rostami, R., Kazemi, R., Nitsche, M. A., Gholipour, F., & Salehinejad, M. A. (2017). Clinical and demographic predictors of response to rTMS treatment in unipolar and bipolar depressive disorders. Clinical Neurophysiology, 128(10), 1961–1970.

73. Nobakhsh, S., Rostami, R., Kazemi, R., Nitsche, M. A., & Ghadiri, M. K. (2023). Evaluation of graph theory measures in predicting response to rTMS in treatment-resistant depression: Insights from QEEG analysis. Clinical EEG and Neuroscience, 54(3), 262–272.

74. 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.

75. Pizzagalli, D. A. (2011). Frontocingulate dysfunction in depression: Toward biomarkers of treatment response. Neuropsychopharmacology, 36(1), 183–206.

76. Berlim, M. T., van den Eynde, F., Tovar-Perdomo, S., & Daskalakis, Z. J. (2014). Response, remission and drop-out rates following high-frequency repetitive transcranial magnetic stimulation (rTMS) for treating major depression: A systematic review and meta-analysis of randomized, double-blind and sham-controlled trials. Psychological Medicine, 44(2), 225–239.

77. Williams, L. M., Rush, A. J., Koslow, S. H., Wisniewski, S. R., Cooper, N. J., Nemeroff, C. B., Schatzberg, A. F., & Trivedi, M. H. (2011). International Study to Predict Optimized Treatment for Depression (iSPOT-D), a randomized clinical trial: Rationale and protocol. Trials, 12, 4.

78. Leuchter, A. F., Cook, I. A., Hunter, A. M., Cai, C., & Horvath, S. (2012). Resting-state quantitative electroencephalography reveals increased neurophysiologic connectivity in depression. PLoS ONE, 7(2), e32508.

79. QEEGhome. (n.d.). EEGLens software for QEEG analysis and TMS response prediction. Retrieved from https://qeeghome.com