تحریک مکرر مغناطیسی یا repetitive Transcranial Magnetic Stimulation (rTMS) یک روش درمانی غیرتهاجمی است که در درمان طیف گسترده‌ای از اختلالات روانی مانند افسردگی، اضطراب، اختللات وسواس، اسکیزوفرنیا و ... استفاده می‌شود. در این روش بر اساس القای الکترومغناطیسی توسط یک سیم پیچ عایق، تحریک ناحیه‌ای در مغز اتفاق می‌افتد. در واقع پالس‌های مغناطیسی به نورون‌های عصبی به صورت متوالی می‌رسد و باعث ایجاد تغییراتی پایدار در فعالیت مغزی می‌شود.

این روش درمانی که البته مشخصا غیر‌دارویی است در بسیاری موارد به عنوان کمک درمان در کنار درمان دارویی مورد استفاده قرار می‌گیرد. اما مزیتی که نسبت به دارودرمانی دارد اینست که می‌توان با توجه به شرایط هر فرد آن را تنظیم کرد و تغییراتی را اعمال کرد که برای هر بیماری می‌تواند ویژه و خاص باشد. از طرف دیگر پاسخ بیماران به rTMS هم متنوع است و نتایج درمانی برای همه بیماران یکسان نیست. بنابراین، یافتن روشی برای پیش‌بینی پاسخ به rTMS قبل از آغاز درمان می‌تواند در بهینه‌سازی نتایج درمانی و افزایش کارایی این روش مفید باشد. در واقع پیش‌بینی پاسخ به درمان با این روش کمک می‌کند تا پیامد‌های مالی و روانی درمان ناکارآمد که در درمان دارویی به وفور مشاهده می‌شود، از بین برود.

پیش بینی پاسخ به rTMS به توانایی پیش‌بینی نحوه‌ی پاسخ یک فرد به درمان rTMS اشاره دارد. عوامل متعددی می‌توانند بر پیش‌بینی پاسخ rTMS تأثیر بگذارند. این عوامل شامل ناحیه خاصی از مغز که برای تحریک هدف قرار می‌گیرد، فراوانی و شدت تحریک، مدت درمان و ویژگی‌های فردی بیمار مانند سن، جنسیت و علائم اولیه است. به همین منظور رویکردهای مختلفی برای پیش‌بینی پاسخ rTMS مورد بررسی قرار گرفته‌اند. این رویکرد‌ها شامل استفاده از تکنیک‌های تصویربرداری عصبی برای ارزیابی فعالیت و اتصال مغز، تجزیه و تحلیل داده‌های الکتروانسفالوگرام کمی (QEEG) برای شناسایی نورومارکرها، و در نظر گرفتن متغیرهای بالینی و دموگرافیک است. همچنین الگوریتم‌های machine learning نیز برای توسعه مدل های پیش بینی به کار گرفته می‌شوند. 
یک رویکرد رایج برای پیش‌بینی پاسخ به rTMS بر مبنای QEEG، استفاده از الگوهای فرکانسی مغزی است. بر اساس مطالعات، تغییرات در فعالیت فرکانس‌های خاص مغزی (مانند دلتا، تتا، آلفا و بتا) می‌توانند با وجود تفاوت‌های بین افراد، نورومارکرهایی برای پیش‌بینی پاسخ به rTMS باشند. به عنوان مثال، برخی مطالعات نشان داده‌اند که بیمارانی که در فرکانس آلفا فعالیت کمتری دارند، بهترین پاسخ به rTMS را دارند. به طور کلی در literature مقالات و مطالعات بسیار متنوعی در ارتباط با پیش بینی پاسخ به درمان انجام شده است. این مطالعات بیشتر با تمرکز بر یک اختلال و یکی از روش‌های پیش بینی پاسخ به درمان می‌باشد و به این صورت خواهند بود که در آن ابتدا رکورد‌های EEG بیماران شامل مطالعه ضبط می‌شود و بعد روش rTMS روی آنها اجرا می‌شود و بعد دوباره رکوردهای EEG و انواع ویژگی‌های آن استخراج می‌شود. مثلا در یکی از مطالعاتی که روی بیماران اختلال افسردگی اساسی انجام شده بود EEG beta power و bispectrum diagonal elements in delta and beta bands متمایز‌ترین ویژگی‌ها بودند. قدرت طبق‌بندی این ویژگی‌ها دارای دقت، اختصاصیت و حساسیت 91.3 درصدی بوده است. در یک مطالعه‌ی دیگر که در افراد مبتلا به اختلال افسردگی اساسی مقاوم به دارو انجام شده بود، centrality index در node Fp2 و delta frequency band به عنوان نورومارکر‌هایی در QEEG برای پیش بینی پاسخ به درمان rTMS بوده است. [1][2][3]

گروه NPCindex برای اولین بار در ایران، ایندکس پیش‌بینی میزان احتمال پاسخ‌دهی به درمان rTMS با استفاده از دیتابیس کلینیکال جامعه ایران را ارائه کرده است. استفاده از این ایندکس به متخصصین حوزه اختلالات روانی کمک می‌کند تا از نورومارکرهای QEEG در کنار سایر نورومارکرها به منظور تعیین پروگنوز بیمار در استفاده از درمان rTMS استفاده کنند. در واقع این ایندکس یکی از قسمت‌های جدیدی است که در گزارش‌های QEEG این گروه از این به بعد ارائه خواهد شد. این گروه برای ارائه‌ی گزارش از ویژگی‌های خطی، غیر خطی و زمان-مکانی در هر دو حالت ثبت چشم باز و چشم بسته استفاده کرده است و نتایج از نظر آماری مورد تحلیل قرار گرفته‌اند. در مدلسازی نهایی به منظور افزایش دقت تخمین، از تلفیق روش‌های یادگیری ماشین و روشهای آماری استفاده شده است. در نهایت الگوریتم یادگیری با بالاترین دقت در مرحله تست انتخاب شده و مدل پیش‌بینی را بوجود آورده است. این مدل دقتی (accuracy) 93 درصدی دارد. سپس مدل توسعه یافته وارد نرم‌افزار EEGLens شده است تا در ریپورت‌های ارائه شده توسط QEEG home قسمت پیش‌بینی پاسخ‌گویی به درمان rTMS را تولید کند. در شکل‌های زیر نمونه‌هایی از نحوه‌ی ارائه‌ی این پیش‌بینی را مشاهده بفرمایید (خط سبز رنگ احتمال پاسخ‌گویی به درمان و خط قرمز احتمال عدم پاسخ‌گویی به درمان را نشان می‌دهد):

قطعا در آینده با ادامه پژوهش‌ها در این زمینه و استفاده از روش‌های تحلیلی پیشرفته، الگوهای QEEG بیشتری به عنوان پیش‌بینی کننده پاسخ به rTMS پیدا خواهد شد. این پیش‌بینی‌ها می‌توانند به پزشکان کمک کنند تا قبل از آغاز درمان rTMS، بیمارانی را که احتمالاً بهترین پاسخ را خواهند داشت، تشخیص دهند و درمان را بر اساس این اطلاعات شخصی سازی کنند. در واقعا می‌توان گفت درمان با rTMS و پیش بینی پاسخ به درمان با این روش یکی از روش‌های درمان شخصی سازی شده یا personalized medicine می‌‌باشد که برای هر فردا درمان متناسب با شرایط او صورت خواهد گرفت.

منابع:

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

Nobakhsh, B., Shalbaf, A., Rostami, R., Kazemi, R. (In Press). Graph-Based Analysis to Predict Repetitive Transcranial Magnetic Stimulation Treatment Response in Major Depressive Disorder Patients Using EEG Signals. Basic and Clinical Neuroscience. Just Accepted publication Jul. 10, 2023. Doi: http://dx.doi.org/10.32598/bcn.2023.2034.5

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