Experimentální design
hlavním cílem studie bylo posoudit, zda VCVS DBS modulovaný lidské kognitivní schopnosti kontrolních a kortikální neuronové oscilace relevantní pro tyto možnosti. To byl v-předměty design, kde jednotlivé předměty úspěšně absolvováno totožné protokoly o měření s stimulace zapnutí a vypnutí., Tento design zvýšil statistická síla (ve srovnání s alternativními návrhy, kde DBS předměty by být v porovnání proti non-implantované kontroly) tím, že připustí, hierarchické/smíšené modelování a řízení pro významné heterogenity je rezistentní na léčbu psychiatrických pacientů. Naše předem specifikované hypotézy spočívaly v tom, že:
-
DBS by zlepšilo lidskou kognitivní kontrolu, což se odráží ve zvýšeném výkonu v DBS pod podmínkou.,
-
DBS by rozšířit sílu theta oscilace, především v laterální prefrontální kůře a hřbetní anterior cingulate cortex, s ohledem na zvláštní úlohu těchto oscilací v rozhodování a reakci inhibice.
-
stupeň změny vyvolané DBS ve výše uvedených výrocích by vysvětlil část mechanismu účinku, jak je stanoveno predikcí klinického výsledku.
tyto analýzy nebyly předregistrovány. V době sběru dat a koncepce studia nebyla předběžná registrace široce dostupnou službou.,
Témata
Čtrnáct subjektů s VCVS DBS souhlas k účasti v experimentech. Všichni obdrželi VCVS DBS implantáty pro předchozí klinické studii (NCT00640133, NCT00837486, nebo NCT00555698), s vstupní kritéria vzhledem in48,49. Všichni byli praváci. Vzorek zahrnoval šest mužů a osm žen, ve věku mezi 30–70 v době sběru dat, s minimálně 6 měsíců expozice chronická stimulace a maximálně 7 let. Subjekty byly převážně implantovány do MDD, ale 2/14 měly primární indikaci OCD s komorbidními MDD., Většina z nich měla alespoň částečnou klinickou odpověď na DBS. Informovaný souhlas s účastí na studiu získal lékař, který nebyl primárním lékařem DBS, poté, co byla vysvětlena Plná povaha a možné důsledky studie. Všechny studijní postupy jsou v souladu s platnými vládními a institucionálními etickými pokyny. Studijní postupy byly přezkoumány a schváleny Massachusetts General Hospital institucionální Review Board.
experimentální protokol
pro sondu kognitivní flexibility jsme použili upravenou verzi MSIT (hlavní text Obr. 1a)., MSIT vyžaduje, aby subjekty zjistily, která ze sady tří čísel je jiná než její sousedé. Subjekty musí mít tři prsty pravé ruky umístěné nad tlačítky odezvy odpovídajícími číslicím 1-3. Při kontrolních (neinterferenčních) pokusech je cíl ve stejné prostorové poloze jako jeho odpovídající klíč odezvy a lemující číslice nejsou platné odpovědi (tj. Při interferenčních zkouškách je cíl ve vztahu k odpovídajícímu stisknutí tlačítka mimo pozici a je lemován jinými životaschopnými cíli., MSIT bylo prokázáno, že vyrábět robustní, funkční magnetické rezonance (fMRI)25 a electrophysiologic26 změny, s výrazným (rušení kontroly) rozdíl často zjistitelné na individuální úrovni objektu. Poznamenáváme, že tato specifická operacionalizace kognitivní kontroly, výkon na konfliktním úkolu, je pouze jedním z mnoha možných experimentálních přístupů. Kognitivní kontrola je vyvolána v mnoha situacích, včetně konfliktu vyhýbání se přístupu, rozhodnutí o pobytu na přepínači16, 51 a možná také v emocionálně valencované seberegulaci., Zvláštní výhodou MSIT je, že je ověřeno k vyvolání statisticky robustní předmět-úroveň účinky, jak na behaviorální a nervové úrovni, zesilování našich silách odhalit DBS-vyvolané rozdíly. Dále jsme přidali dimenzi emočního rušení na základě hypotézy, že subjekty s těžkým onemocněním odolným vůči léčbě by byly pozorně zaujaté vůči negativním obrazům. Před každou zkouškou MSIT byl představen obrázek vybraný z mezinárodního afektivního obrazového systému nebo IAPS53., Obraz zůstal na obrazovce, částečně zakrytý stimulem MSIT, po dobu zkušební doby. Z celkového datového souboru IAPS byla vybrána pevná podmnožina 144 obrázků, která pokryla rozsah dostupné valence (pozitivní, neutrální a negativní) a hodnocení emočního vzrušení.
každý blok zkoušek obsahoval 72 kontrolních a 72 interferenčních zkoušek. Jsme přiřadili pozitivní, neutrální a negativní IAP obrázky přiřazené ke každé zkoušce typu v vyváženy módě, tak, že každý snímek byl prezentován jednou řídicí a jednou v rušení kontextu., 144 obrázky byly rozděleny mezi tyto dva 144-zkušební bloky způsobem, který minimalizuje střední kvadratickou párové rozdíly mezi obrazem hodnocení, když hodnost seřazeny podle jejich valence. Aby se zabránilo reakci sady nebo návyku, zkušební sekvence v každém bloku byla pseudo-náhodně tak, že předměty nikdy neměl víc než dva pokusy v řadě, který sdílí stejné valence, úroveň rušení, nebo požadovanou odpověď prstu. Očekává se, že tento vysoce prokládaný zkušební návrh bude klást větší nároky na kognitivní řídicí systémy snížením předvídatelnosti podnětů. Jak je znázorněno na obr., 1a, předměty pohledu IAP obrázek sám za 400 ms, byly prezentovány s MSIT stimul a vzhledem k tomu, až 1500 ms reagovat, a pak prohlížet fixační kříž po dobu 3-5 s (náhodně s rovnoměrným rozdělením). Byli instruováni, aby během zkoušky minimalizovali blikání očí a během fixace volně blikali. Před sběrem dat subjekty provedly blok 20 pokusů, kde obdržely správnou / nesprávnou zpětnou vazbu, následovanou dalším blokem 40 pokusů bez zpětné vazby., Opakovali tuto praxi, pokud je to nutné, dokud nedosáhli více než 90% správných odpovědí (počítání zmeškaných studií jako nesprávných).
mnoho našich subjektů mělo předchozí negativní životní zkušenosti se specifickými asociacemi témat prezentovaných v IAP. Pro kontrolu těchto silných subjektivních / idiosynkratických interpretací v tomto malém vzorku jsme shromáždili individuální hodnocení obrazu. Po dokončení každého bloku byly předměty znovu prezentovány s každým obrázkem IAPS a dány 25 s, aby se obraz citově ohodnotil., Použili jsme stejné sebehodnocení figuríny systém byl původně používán k rozvoji IAPS54, které přiřadí každému obrázku valenčního hodnocení od 1 do 9 (což představuje nejvíce negativní se většinou pozitivní) a vzrušení hodnocení od 1 do 9 (zastupující ne-at-all vzbudil na velmi vzrušující). Obrázky hodnocení MSIT i post-task IAPS byly prezentovány pomocí nástroje Psychophysics Toolbox (http://psychtoolbox.org) běžící pod MATLAB 2013A.,
Elektroencefalografické údaje byly získány při 1450 Hz (Nexstim eXimia EEG) ze 60 kanálů umístěných podle mezinárodního systému 10-20 a standardního víčka výrobce. Zemní elektroda byla umístěna na můstku nosu. Jeden diagonální bipolární elektro-okulogram kanál byl umístěn kolem pravého oka. Kanály byly připraveny na < 5 kΩ impedance. Umístění skalpu každého kanálu bylo digitalizováno po přípravě čepice a před nahrávkami., Jsme také digitalizovány na nasion a to jak pre-ušní body, plus 100 další skalp bodů, které neodpovídají žádné EEG snímač, zlepšit kvalitu MRI-k-digitalizace co-registrace. Ve čtyřech předmětech jsme kromě údajů o úkolu shromáždili 1 min každé z očí-otevřené a oči-uzavřené údaje o odpočinku těsně po každém bloku úkolů a před hodnocením sebehodnocení IAPS.
Všechny předměty jako první dokončil MSIT blok, odpočívá-státní sbírky, a obraz posouzení s jejich DBS na v obvyklém klinickém uspořádání (DBS)., Přímo po MSIT, ale před klidovém stavu a obrazem-hodnocení bloky, předměty také dokončena 15 min Úsilí, Výdaje na Odměny Úkol (EEfRT)27. Vyškolený klinik poté deaktivoval bilaterální implantované neurostimulátory a subjekt odpočíval po dobu nejméně 1 hodiny bez odstranění víčka EEG. Ve studiích na zvířatech bylo hodinové stažení chronické stimulace dostatečné k vytvoření robustních změn nervové aktivity, které se zdály být odrazovou / protiregulační odpovědí55., Tento rebound efekt nemá ukončit do hodiny, ale přetrvává po delší období, jak prokázaly klinické studie, kde pacienti pomalu relapsu více než týden po DBS discontinuation56. Přítomnost tohoto odrazového efektu by měla zdůraznit nebo zesílit neurologické změny způsobené chronickou stimulací. Po opětovné přípravě jakýchkoli kanálů s vysokou impedancí subjekty znovu provedly MSIT, EEfRT, klidový stav a hodnocení obrazu (DBS OFF condition) před opětovnou aktivací neurostimulátoru., Subjekty si byly vědomy svého stavu zařízení, stejně jako experimentátoři, i když žádný subjekt neměl nepříznivé psychologické důsledky ze studie manipulace.
EEG předzpracování
EEG analýzy používaly minimální odhad normy (MNE) – Python suite57. Offline byla data EEG filtrována mezi 0,5 A 50 Hz, poté epochována. To účinně odstraňuje artefakt DBS, jak je znázorněno v naší a ostatních minulých pracích37, 58, protože stimulátory všech subjektů byly nastaveny nad mezní frekvencí., Harmonické frekvence DBS stimulace by stejně tak být úplně mimo propustného pásma tohoto filtru a mimo všech frekvenčních pásmech analyzovány v této práci. Viz tabulka 1 pro stimulační frekvence jednotlivých subjektů. Odstranili jsme oční bulvy a svalové artefakty s projekcí signálního prostoru. Poté jsme z průběžných dat vyřadili zkoušky/epochy. Stimulačně uzamčené analýzy používaly data od 1, 5 s před nástupem IAPS do 3, 4 s po nástupu IAPS (1500 ms po ukončení studie). Použité analýzy zamčené odezvou -1,5 s před 1,5 s po odezvě., Odmítnutí amplitudy (práh = ± 150 µV) odstranilo pokusy se zbytkovými artefakty. Nakonec jsme převedli všechny studie na změnu vzhledem k výchozí hodnotě, definované jako 0, 5 s až 0, 1 s před nástupem IAPS. Pro analýzy časových domén jsme odečetli průměr tohoto okna ze všech studií pro daný konkrétní subjekt; pro frekvenční doménu jsme převedli data na decibely (dB) vzhledem k základní linii.
ze 14 subjektů bylo šest vyloučeno z další analýzy EEG během předzpracování. Čtyři subjekty byly vyloučeny, protože jejich data EEG byla zaznamenána bez použití digitalizačního systému., Jejich data tak nemohla být přesně lokalizována. Další dva subjekty byly vyloučeny z další analýzy EEG kvůli podstatnému elektromyografickému artefaktu, což vedlo k odmítnutí drtivé většiny zkoušek po výše popsaných postupech zajištění kvality. Data EEG zbývajících osmi subjektů byla poté podrobena lokalizaci zdroje a veškeré další analýze popsané níže.
lokalizace zdroje EEG
rekonstruovali jsme kortikální povrchy subjektů z presurgických obrazů MRI T1 pomocí Freesurfer v5.360., Digitalizace EEG cap byla ručně spoluregistrována k anatomické rekonstrukci Freesurfer pomocí balíčku nástrojů příkazového řádku MNE. Pak, v MNE-Pythonu, kortikální sítě byly převzorkovány z ~ 160,000 vrcholů na polokouli na 4098 dipólových míst (vrcholů) na polokouli. Spočítali jsme dopředu řešení pomocí tři-prostoru hranice-prvek model61 s vnitřní a vnější lebky povrchů rekonstruované z Freesurfer je povodí algorithm62., Dipól amplituda (current source density) na každé kortikální místě byla odhadnuta pomocí anatomicky omezen nadnárodní společnosti method63, pomocí potrubí podobné další zprávy z oblasti zájmu (ROI)-na základě oscilační analyses64., Krátce, MNE metoda zjistí maximální aposteriorní odhady latentní kortikální zdrojů, vzhledem k tomu, pozorované senzor zdrojů, za předpokladu, že (1) aktuální zdroj amplitudy jsou řídké a normální rozdělení se známým zdrojem kovarianční matice a (2) pozorované data snímače obsahují aditivní šum s normálním rozdělením a známé prostorové kovarianční matice. Důležité je, že na rozdíl od jiných beamformingových metod metoda MNE zachovává oscilace tak, že oscilační sílu lze odhadnout podle lokalizace zdroje., Aktuální zdrojový odhad každého vrcholu zahrnuje dipólovou orientaci, takže zdrojový časový průběh může být v daném okamžiku buď pozitivní nebo negativní. Zde byly orientace dipólů omezeny na kůru pomocí doporučených výchozích parametrů (loose = 0.2, depth = 0.8). Kovarianční matice hluku nezbytné pro lokalizaci zdroje byly odhadnuty na subjekt od základní hodnoty období 500 ms před zahájením každé studie. Empirické odhady kovariance byly regularizovány metodou“ scvrkl“, jak doporučují Engemann a Gramfort65., Jednotlivé údaje o odhadu zdroje byly poté mapovány na kortikální povrch Freesurferovy „fsaverage“. Konečně, zdroj, odhad času, kurzy pro jednotlivé vrcholy byly spojeny v sadě kortikální označení odpovídající naší ROIs: cingulate cortex (rACC, dACC, mCC), dorso-mPFC (dmPFC/superior čelní závit), dorso-laterální prefrontální kortex (DLPFC/střední čelní závit), a ventrolateral prefrontálního kortexu (VLPFC/dolní čelní závit). Průměrný časový kurz na návratnost investic byl vypočítán pomocí techniky „PCA flip“ v MNE-Pythonu., Krátce, singulární hodnota rozklad (SVD) se aplikuje na vrchol-moudrý časových kurzů na ROI a první pravý singulární vektor je extrahován. Časový průběh každého vrcholu je pak zmenšen a znaménko převráceno. Měřítko se provádí tak, aby odpovídalo průměrné síle časových kurzů vertex. Znamení času kurzu je upravena vynásobením s označením levý singulární vektor z SVD, která zajišťuje, že fáze není změna o 180 stupňů z jednoho zdroje časový průběh na další., Doplňková Tabulka 1 uvádí tyto štítky a anatomickou zkratku použitou pro každou v hlavním textu / obrázcích. Anatomické štítky / ROIs byly ručně sestaveny sloučením několika menších, sousedících štítků z Lausanne 243-region atlas66. Zde používané štítky byly navrženy tak, aby zajistily, že každá kortikální oblast odpovídá téměř stejnému počtu vrcholů ve standardním mozku šablony. Vybrali jsme soubor štítků tak,aby pokrýval oblasti dříve zapojené do funkčního neuro-zobrazování MSIT13, 25.,
Statistická analýza-chování
primární výsledek chování v MSIT je RT subjektů, protože jsou předem vyškoleni na velmi nízkou míru chyb. Spolu s ostatními jsme ukázali, že RTS během konfliktních a rozhodovacích úkolů jsou lépe aproximovány gama než Gaussovými distribucemi 13,67. Analyzovali jsme tedy chování ve smíšených efektech GLM s funkcí distribuce gama a vazby identity. Že GLM byl aplikován na per-zkušební úrovně, což nám umožňuje modelovat účinky DBS a trial-specifické účinky, jako jsou emoce a kognitivní interference., Návrh smíšených efektů, který zahrnuje náhodný záchyt pro subjekt, konkrétně kontroluje korelaci uvnitř subjektu (zkoušky a relace jako opakovaná opatření). Vyloučili jsme pokusy s chybějícími odpověďmi, chybovými pokusy a pokusy po chybě. Dále jsme vyloučeno studiích s outlier RTs, které jsme definovali pomocí kování gama rozdělení pro každý předmět je RT dat, sdílení DBS zapnutí a VYPNUTÍ, běží pro toto předzpracování krok. Poté jsme vyloučili zkoušky s RT pravděpodobností <0.005 na základě namontované distribuce. Tyto přístupy vyloučily 247 pokusů (6.,12% z celkového počtu, n = 3785 pokusů uchovávaných v analýze).
K ovládání celkové RT variabilita napříč předměty, uvedli jsme, GLMs s předmětem specifické náhodný intercept plus fixní efekty pro experiment proměnné (smíšené modely). Podobné předchozí zprávy, e.g.28, jsme identifikovali vhodného modelu minimalizací Akaike informační kritérium (AIC), během postupného přidávání proměnných. Důležitější je, AIC minimalizace je matematicky ekvivalentní konstrukci modelu pomocí out-of-sample cross-validation36, přístup, který jsme identifikovali jako zásadní v biomarker research38., Považovali jsme interference, DBS, valence a vzrušení za možné prediktory RT na základě našich předem specifikovaných hypotéz a návrhu úkolu. Testovali jsme také podmínky interakce mezi těmito hlavními účinky. Považovali jsme zkušební číslo v běhu za nepříjemný regresor, který kontroluje únavu a/nebo účinky učení. Data byla nejlépe vysvětlena modelem s výše uvedenými hlavními efekty, ale bez podmínek interakce (viz hlavní text a doplňující Obr. 1). Modely s jinými prediktory, např. RT na předchozí studii (autoregresivní účinek), nebyly identifikovatelné., Konflikt a DBS byly kódovány figuríny, zatímco valence, vzrušení a zkušební číslo byly považovány za spojité proměnné. Všechny nezávislé proměnné byly standardizovány na 0-1 interval pro regresi, ale jsou uvedeny v článku po konverzi zpět do svých přirozených jednotek pro snadnou interpretaci.
Statistické analýzy—EEG modulace podle hlavní proměnné a DBS
Pro time-domain (evokovaných potenciálů) analýzy, snímače a zdroje, prostor, čas, kurzy byly sníženy (-0.5, 2.0) s časové okno pro stimul-zamčené epoch a (-1.0, 1.0) okna pro odpověď-zamčené epoch., Kromě toho byly všechny epochy filtrovány s nízkým průchodem na 15 Hz a převzorkovány faktorem 3. Intervaly spolehlivosti na vyneseny event-related potentials (ERPs) byly vypočítány 1000 bootstrap resamplings s náhradou (zachování počtu pokusů v rámci každého předmětu). Všechny zobrazené ERP jsou velkým průměrem ve všech předmětech.
pro analýzu spektrální domény jsme vypočítali nefázově uzamčený výkon ve třech pásmech zájmu: theta (4-8 Hz), alpha (8-15 Hz) a beta (15-30 Hz)., Zdůraznili jsme nefázově uzamčené nebo indukované oscilace, protože se zdají být přímo spojeny s proaktivní kognitivní kontrolou17. Ve zkušebních analýzách úloh Simona-effect bylo více než 80% změny theta síly související s konfliktem/kontrolou nefázově uzamčeno23. Non-phase-locked theta síla byla v korelaci s trial-trial RTs, více než fázový theta odráží v časové oblasti ERP., Dále se v non-trial-strukturovaný kognitivní kontrolní úkol zdálo, že oscilace theta jsou nepřetržitě přítomny nad střední frontální kůrou a zvyšují sílu,když bylo zapotřebí větší kontroly. V kontrast, fázový theta oscilace může být více související chyby související s výkonem monitoring69, jev studoval zde vzhledem k velmi malému počtu chyb studiích.
pro výpočet změn výkonu bez fázového uzamčení jsme nejprve odečetli průměrný ERP z každého trial23., Odečtený ERP (a studiích, z nichž byla odečtena) byly vypočteny pro každou kombinaci předmětu, stavu (DBS ON/OFF × Rušení/Konflikt zkoušky), a ROI/snímače. Všechny grafy napájení EEG ukazují data po tomto odstranění ERP.
senzor a zdrojově lokalizovaná data byla poté rozložena do jejich časové frekvenční reprezentace pomocí konvoluce Morlet wavelet. Vlnky měly základní frekvence od 2 do 50 Hz v 25 logaritmicky rozmístěných krocích, kde se každá vlnka vyznačovala třemi cykly. Rozklad byl proveden na jednosměrných datech, nikoliv na průměr nebo ERP., Všechny odhady kmitočtového výkonu byly normalizovány na průměrný výkon výchozí hodnoty před stimulem (-0.5 s až -0.1 s) pro každé frekvenční pásmo. Pro normalizaci jsme použili dB transformaci. Základní výkon byl vypočítán samostatně pro každý předmět a DBS stav (Vypnuto, Zapnuto). Stejné výchozí období před stimulem používané pro analýzy uzamčené stimuly bylo také použito pro analýzy uzamčené odezvou. Poté jsme zprůměrovali hodnoty v každém předem určeném frekvenčním pásmu, abychom získali časový průběh výkonu pro každé pásmo. Všechny výsledné hodnoty výkonu uvedené v článku byly normalizovány na dB, jak je uvedeno výše., Všechny moc topografické a časové kursy představují velký průměr napříč subjekty.
v senzoru i zdrojovém prostoru byla data EEG časové domény i kmitočtové domény analyzována pomocí běžných regresí nejmenších čtverců 70, 71. Jedno-Zkušební napětí nebo výkon v každém časovém bodě byl zadán do lineárního modelu pomocí stejných nezávislých proměnných jako behaviorální GLM: interference, DBS, valence, vzrušení a zkušební číslo. Standardizovali jsme všechny nezávislé proměnné do intervalu pro tento model také., Uvažovali jsme také o možnosti, že interference a DBS mohou interagovat na neurální úrovni, i když jsme neviděli žádnou behaviorální interakci, a tak jsme do této regrese zahrnuli termín interakce DBS × interference. Chcete-li replikovat účinek předmětově specifických záchytů v modelu chování, odečteme všechny zkoušky každého jednotlivého subjektu střední napětí nebo časový průběh výkonu ze zkoušek tohoto subjektu. Statistiky kontrastu (t-testy) byly vypočítány pro každou výslednou hmotnost beta (regresní koeficient) u každého vzorku., Pro kontrolu více statistických srovnání (timepoints)v rámci každé ROI / elektrody jsme provedli permutační inferenci a korekci časového clusteru. Použili jsme 1000 permutací pro každou analýzu, vyřazené klastrů <50 ms v časovém rozsahu, a zachovány pouze clustery, které byly významné na α = 0,05. Pro time-domain analýzu ve zdrojovém prostoru, dále jsme opravili těchto clusteru p-hodnoty pomocí Benjamini–Hochberg false discovery rate (FDR), step-down postup v rámci všech testovaných ROIs., Pro analýzu frekvenční domény jsme udělali totéž, ale současně jsme použili jeden krok dolů napříč ROIs a frekvenčními pásmy. Všechny významné klastry uvedené v článku přežily tyto opravy. Výjimkou je, že pro čidlo-space analýzu, jsme neměli správné pro více snímačů, protože jsme testovali pouze jeden senzor pro časové oblasti a jeden senzor pro frekvenční oblasti analýza. Hodnoty P-senzorového prostoru-prostorové frekvence-doména byly opět opraveny pro více pásem.,
Statistická analýza-EEG / behaviorální změny jako biomarkery
předpokládali jsme, že změny chování Theta pásma EEG i MSIT vyvolané DBS mohou korelovat s klinickou odpovědí subjektů na léčbu VCVS DBS. Dále jsme předpokládali, že tato korelace může být s pozitivní klinickou odpovědí (zlepšení deprese) nebo s klinickými komplikacemi (hypomanie, jako in28)., Jsme kvantifikovat tyto na individuální úrovni objektu: MSIT RT jako střední (DBS ON–DBS OFF) rozdíl, a theta EEG jako integrované výška (DBS ON–DBS OFF) rozdíl vlna v VLPFC (přední dolní čelní závit). Vlpfc label byl vybrán jako prediktorová proměnná po zobrazení výsledků předchozích analýz. Rozdílová vlna byla specificky vypočtena v časovém období, kdy jsme během analýzy zdrojového prostoru našli významný shluk., Deprese byla měřena s Montgomery–Åsberg Deprese Rating Scale (MADRS), jak shromážděné během subjektů původních klinických studiích, které jsme neměli pokus korelace s OCD příznaků, protože jen dva předměty ve vzorku měla OCD. Použili jsme MADRS změnit z pre-implantát výchozí, aby v den sběru dat, nebo na nejbližší klinické návštěva sběru dat (vždy do 1 měsíce), pokud daný subjekt byl schopen dokončit MADRS, že den., Hypomania používala stejný datový soubor as28, ve kterém byla přítomnost / nepřítomnost hypomanických epizod kódována pro každý subjekt vyškolenými klinickými hodnoceními. Závislou proměnnou bylo, zda tento subjekt někdy měl hypomanii během léčby DBS. Z důvodu nedostupnosti klinických údajů nebyl jeden subjekt zahrnut do analýz hypomanie.
schopnost predikce mimo vzorek je důležitá pro posouzení předpokládaných psychiatrických biomarkerů 37,38, ale obtížně měřitelná u vzácných populací, jako jsou pacienti DBS., Jako náhradník jsme vytvořili intervaly spolehlivosti pro klinické / biomarkerové korelace nakreslením 1000 Bootstrap převzorek (s náhradou) z původní populace subjektu. Použili jsme stejné Bootstrap čerpá konstruovat interval spolehlivosti oblasti pod křivkou (AUC) pro přijímač-operátor charakteristických (ROC) křivek pro klasifikaci hypomania přítomen/chybí a deprese responder/nereaguje. Ten použil stejný práh 50% zlepšení MADRS jako v klinických studiích, např. in49.,
Statistická analýza-údaje o klidovém stavu
změny Theta pozorované během výkonu MSIT nemusí být specifické pro daný úkol, ale mohou vyplynout z obecného posunu frekvenčního spektra EEG během DBS. Pět subjektů přispělo alespoň 2 min údajů o otevřeném klidovém stavu s DBS zapínáním a vypínáním. Z těchto dat jsme vystřihli 60 epoch bez artefaktů 1-s z nahrávek zapnutí a vypnutí v každém předmětu, poté jsme pomocí metody multitaper vypočítali výkonovou spektrální hustotu (PSD) z 0 na 30 Hz., Vypočítali jsme střední výkon v oblasti theta (4-8 Hz) každé epochy PSD, poté jsme testovali rozdíl mezi těmito distribucemi pomocí Mann-Whitney U-testu. Tyto analýzy jsme provedli na Theta power ze senzoru Fz, který byl skalpovým bodem nejvyššího výkonu theta během výkonu MSIT.
validace výsledků chování MSIT v kontrolách epilepsie
potenciálním problémem je, že jakékoli výsledky RT, které pozorujeme, mohou být vysvětlitelné účinky praxe. I když bloky zapnutí a vypnutí byly odděleny o hodinu nebo více, předměty by si stále mohly zachovat nějakou procedurální paměť úkolu., Abychom to vyřešili, analyzovali jsme data ze skupiny subjektů, které prováděly více časově rozložených MSIT běhů bez emocionálních distraktorů. Tyto předměty byly součástí rozsáhlejší studie zaměřené na síťovou fyziologii duševních chorob13. Byli přijati k lůžkovému elektrofyziologickému sledování epilepsie refrakterní léky. Zatímco ústavní, byli osloveni denně provádět více kognitivních úkolů, včetně MSIT. V tomto případě jsme použili původní verzi úkolu, který nezahrnuje pozadí IAPs distractors., Vzhledem k povaze klinických práce na lůžkovou jednotku, včetně přestávky na jídlo a klinické kola, tyto předměty často provádí jeden nebo více 64-zkušební MSIT bloky s výraznou přestávku v mezi. To účinně replikuje návrh naší primární studie, s výjimkou manipulace DBS. Analyzovali jsme bloky úloh provedené před a po těchto přestávkách v osmi předmětech. Pro tyto subjekty, jsme fit jejich MSIT trial RTs s gama distribuce GLM, který napodoboval hlavní kohortové analýzy, tj.,, independent / predictor terms for block (který napodobuje termín DBS), conflict, trial number a subject-specific intercept. Stejně jako u hlavní kohorty poskytly všechny tyto subjekty před jakýmkoli studijním postupem úplný informovaný souhlas. Všechny experimentální postupy s těmito předměty souladu s vládní a institucionální etické požadavky a byly schváleny Massachusetts General Hospital Institucionální Review Board.