La stimulation cérébrale profonde de la capsule interne améliore le contrôle cognitif humain et la fonction du cortex préfrontal

conception expérimentale

l’objectif global de l’étude était d’évaluer si les VCV DBS modulaient les capacités de contrôle cognitif humain et les oscillations neurales corticales pertinentes à ces capacités. Il s’agissait d’une conception intra-sujets, dans laquelle des sujets individuels complétaient des protocoles de mesure identiques avec stimulation activée et désactivée., Ce plan a augmenté la puissance statistique (par rapport à d’autres plans où les sujets DBS seraient comparés à des témoins non implantés) en admettant une modélisation hiérarchique/mixte et en contrôlant l’hétérogénéité substantielle des patients psychiatriques résistants au traitement. Nos hypothèses pré-spécifiées étaient que:

1. DBS améliorerait le contrôle cognitif humain, reflété dans une performance accrue dans le DBS sous condition.,

2. Le DBS augmenterait la puissance des oscillations thêta, principalement dans le cortex préfrontal latéral et le cortex cingulaire antérieur dorsal, étant donné le rôle spécifique de ces oscillations dans la prise de décision et l’inhibition de la réponse.

3. le degré de changement induit par le DBS dans les propositions ci-dessus expliquerait une partie de son mécanisme d’action, tel que déterminé par la prédiction du résultat clinique.

Ces analyses n’étaient pas pré-inscrits. Au moment de la collecte des données et de la conception de l’étude, la préinscription n’était pas un service largement disponible.,

sujets

quatorze sujets avec VCVS DBS ont consenti à participer aux expériences. Tous avaient reçu des implants VCVS DBS pour une étude clinique antérieure (NCT00640133, NCT00837486 ou NCT00555698), avec des critères d’entrée donnés en48, 49. Tous étaient droitiers. L’échantillon comprenait six hommes et huit femmes, âgés de 30 à 70 ans au moment de la collecte des données, avec un minimum de 6 mois d’exposition à une stimulation chronique et un maximum de 7 ans. Les sujets avaient été principalement implantés pour une MDD, mais 2/14 présentaient une indication primaire de TOC avec une MDD comorbide., La plupart ont eu une réponse clinique au moins partielle au DBS. Le consentement éclairé pour la participation à l’étude a été obtenu par un médecin qui n’était pas le clinicien principal du sujet, après que la nature complète et les conséquences possibles de l’étude ont été expliquées. Toutes les procédures d’étude sont conformes aux directives éthiques gouvernementales et institutionnelles applicables. Les procédures d’étude ont été examinées et approuvées par le Massachusetts General Hospital Institutional Review Board.

protocole expérimental

pour sonder la flexibilité cognitive, nous avons utilisé une version modifiée du MSIT (texte principal Fig. 1a)., Le MSIT exige que les sujets identifient lequel d’un ensemble de trois nombres est différent de ses voisins. Les sujets doivent garder trois doigts de leur main droite positionnés sur les touches de réponse correspondant aux chiffres 1-3. Dans les essais de contrôle (non-interférence), la cible est dans la même position spatiale que sa clé de réponse correspondante et les chiffres latéraux ne sont pas des réponses valides (c’est-à-dire qu’ils sont 0s). Dans les essais d’interférence, la cible est hors de position par rapport à sa touche correspondante et est flanquée d’autres cibles viables., Il a été démontré que MSIT produit des changements robustes d’imagerie par résonance magnétique fonctionnelle (IRMf)25 et électrophysiologique26, avec une différence significative (contrôle des interférences) souvent détectable au niveau du sujet individuel. Nous notons que cette opérationnalisation spécifique du contrôle cognitif, la performance sur une tâche de conflit, n’est qu’une des nombreuses approches expérimentales possibles. Le contrôle cognitif est évoqué dans de nombreuses situations, y compris le conflit approche-évitement50, les décisions de changement de stay16,51, et peut-être aussi dans l’autorégulation émotionnelle52., L’avantage spécifique de MSIT est qu’il est vérifié pour induire des effets statistiquement robustes au niveau du sujet, à la fois au niveau comportemental et neural, amplifiant notre pouvoir de détecter les différences induites par le DBS. Nous avons ajouté une dimension d’interférence émotionnelle, basée sur une hypothèse selon laquelle les sujets atteints d’une maladie sévère résistante au traitement seraient biaisés de manière attentionnelle vers les images négatives. Avant chaque essai MSIT, une image sélectionnée dans le système international D’image Affective, ou IAPS53, a été présentée., L’image est restée à l’écran, partiellement masquée par le stimulus MSIT, pendant la durée de l’essai. Un sous-ensemble fixe de 144 images a été sélectionné dans l’ensemble de données IAPs pour couvrir la gamme de valence disponible (positive, neutre et négative) et les évaluations de l’excitation émotionnelle.

chaque bloc d’essais contenait 72 essais de contrôle et 72 essais d’interférence. Nous avons attribué des images IAP positives, neutres et négatives à chaque type d’essai de manière contrebalancée, de sorte que chaque image soit présentée une fois dans un contexte de contrôle et une fois dans un contexte d’interférence., Les 144 images ont été réparties entre ces deux blocs de 144 essais de manière à minimiser les différences moyennes au carré par paire entre les cotes d’image lorsque le classement est ordonné par leur valence. Pour éviter les ensembles de réponses ou l’accoutumance, la séquence des essais dans chaque bloc a été pseudo-randomisée de sorte que les sujets n’ont jamais eu plus de deux essais d’affilée qui partageaient la même valence, le même niveau d’interférence ou le même doigt de réponse souhaité. On s’attendait à ce que cette conception d’essai fortement entrelacée impose de plus grandes exigences aux systèmes de contrôle cognitif en réduisant la prévisibilité des stimuli. Comme indiqué dans la Fig., 1a, les sujets ont regardé l’image IAPS seule pendant 400 ms, ont reçu le stimulus MSIT et ont reçu jusqu’à 1500 ms pour répondre, puis ont vu un croisement de fixation pendant 3-5 s (randomisé avec une distribution uniforme). On leur a demandé de minimiser les clignotements oculaires pendant l’essai et de cligner librement pendant la période de fixation. Avant la collecte des données, les sujets ont effectué un bloc de 20 essais où ils ont reçu des commentaires corrects/incorrects, suivis d’un autre bloc de 40 essais sans rétroaction., Ils ont répété cette pratique, si nécessaire, jusqu’à ce qu’ils obtiennent plus de 90% de réponses correctes (en comptant les essais manqués comme incorrects).

beaucoup de nos sujets ont eu des expériences de vie négatives antérieures avec des associations spécifiques aux thèmes présentés dans les IAP. Pour contrôler ces interprétations subjectives/idiosyncratiques fortes dans ce petit échantillon, nous avons collecté des évaluations d’images individuelles. Une fois chaque bloc terminé, les sujets ont été présentés à nouveau avec chaque image IAPS et ont reçu 25 s pour évaluer l’image émotionnellement., Nous avons utilisé le même système de mannequin d’auto-évaluation utilisé à l’origine pour développer L’IAPS54, qui attribue à chaque image une note de valence de 1 à 9 (représentant le plus négatif au plus positif) et une note d’excitation de 1 à 9 (représentant pas du tout excitant à très excitant). Les images de notation MSIT et IAPs post-tâche ont été présentées à l’aide de Psychophysics Toolbox (http://psychtoolbox.org) fonctionnant sous MATLAB 2013a.,

Les données électroencéphalographiques ont été acquises à 1450 Hz (Nexstim eXimia EEG) à partir de 60 canaux placés selon le système international 10-20 et le bouchon standard du fabricant. L’électrode de masse a été placée sur le pont du nez. Un canal électro-oculogramme bipolaire en diagonale a été placé autour de l’œil droit. Les canaux ont été préparés à<impédance de 5 kΩ. L’emplacement du cuir chevelu de chaque canal a été numérisé après la préparation du capuchon et avant les enregistrements., Nous avons également numérisé le nasion et les deux points pré-auriculaires, ainsi que 100 points de cuir chevelu supplémentaires ne correspondant à aucun capteur EEG, afin d’améliorer la qualité de la co-enregistrement IRM-numérisation. Chez quatre sujets, en plus des données sur les tâches, nous avons collecté 1 minute chacune des données de repos yeux ouverts et yeux fermés juste après chaque bloc de tâches et avant les évaluations D’auto-évaluation IAPS.

Tous les sujets ont d’abord effectué un bloc MSIT, une collecte d’état de repos et une évaluation d’image avec leur DBS activé dans ses paramètres cliniques habituels (DBS activé)., Directement après MSIT, mais avant les blocs d’état de repos et d’évaluation d’image, les sujets ont également terminé 15 min de la tâche de dépense D’Effort pour les récompenses (EEfRT)27. Un clinicien qualifié a ensuite désactivé les neurostimulateurs implantés bilatéraux, et le sujet s’est reposé pendant au moins 1 h sans retirer le capuchon EEG. Dans les études chez l’animal, l’arrêt d’une heure de la stimulation chronique était suffisant pour produire des changements robustes dans l’activité neuronale qui semblaient être une réponse de rebond/contre-régulation55., Cet effet de rebond ne se termine pas en une heure, mais persiste pendant une période prolongée, comme le montrent les études cliniques dans lesquelles les patients rechutent lentement plus d’une semaine après l’arrêt du SGD56. La présence de cet effet rebond devrait souligner ou amplifier les changements neurologiques causés par la stimulation chronique. Après avoir re-préparé tous les canaux à haute impédance, les sujets ont de nouveau effectué MSIT, EEfRT, repos-état, et les évaluations d’image (DBS hors état) avant la réactivation du neurostimulateur., Les sujets étaient conscients de l’état de leur appareil, tout comme les expérimentateurs, bien qu’aucun sujet n’ait subi de conséquences psychologiques négatives de la manipulation de l’étude.

prétraitement EEG

Les analyses EEG ont utilisé l’estimation de la norme minimale (MNE)-Python suite57. Hors ligne, les données EEG ont été filtrées passe-bande entre 0,5 et 50 Hz, puis épochées. Cela supprime efficacement L’artefact DBS comme indiqué dans notre travail passé et celui des autres37, 58, car tous les stimulateurs des sujets ont été définis au-dessus de la fréquence de coupure., Les fréquences harmoniques de stimulation DBS seraient de même entièrement en dehors de la bande passante de ce filtre et en dehors de toutes les bandes de fréquences analysées dans ce travail. Voir le tableau 1 pour les fréquences de stimulation individuelles des sujets. Nous avons enlevé les liens oculaires et les artefacts musculaires avec signal space projection59. Nous avons ensuite coupé les essais / époques à partir des données continues. Les analyses verrouillées par Stimulus ont utilisé des données allant de 1,5 s avant le début du PAI à 3,4 s après le début du PAI (1500 ms après la fin de l’essai). Les analyses verrouillées ont utilisé -1,5 s avant à 1,5 s après la réponse., Le rejet d’Amplitude (seuil = ± 150 µV) a éliminé les essais avec des artefacts résiduels. Enfin, nous avons converti tous les essais en changement par rapport à la valeur initiale, définie comme 0,5 s à 0,1 s avant le début de L’IAPS. Pour les analyses temporelles, nous avons soustrait la moyenne de cette fenêtre de tous les essais pour ce sujet spécifique; pour le domaine fréquentiel, nous avons converti les données en décibels (dB) par rapport à la ligne de base.

sur les 14 sujets, six ont été exclus de l’analyse EEG au cours du prétraitement. Quatre sujets ont été exclus parce que leurs données EEG ont été enregistrées sans l’utilisation d’un système de numérisation., Leurs données ne pouvaient donc pas être localisées avec précision. Deux autres sujets ont été exclus de l’analyse EEG en raison d’artefacts électromyographiques importants, ce qui a entraîné le rejet de la grande majorité des essais suivant les procédures d’assurance Qualité décrites ci-dessus. Les données EEG des huit autres sujets ont ensuite été soumises à la localisation de la source et à toutes les analyses ultérieures décrites ci-dessous.

localisation des sources EEG

Nous avons reconstruit les surfaces corticales des sujets à partir d’images IRM T1 préchirurgicales à l’aide de Freesurfer v5.360., La numérisation du cap EEG a été co-enregistrée manuellement dans la reconstruction anatomique Freesurfer à l’aide du package d’outils en ligne de commande MNE. Ensuite, dans MNE-Python, les mailles corticales ont été sous-échantillonnées de ~160 000 sommets par hémisphère à 4098 emplacements dipolaires (sommets) par hémisphère. Nous avons calculé une solution avant en utilisant le modèle d’élément limite à trois compartiments61 avec les surfaces internes et externes du crâne reconstruites à partir de L’algorithme de bassin versant de Freesurfer62., L’amplitude du dipôle (densité de source de courant) à chaque emplacement cortical a été estimée à l’aide de la méthode des EMN à contraintes anatomiques63, en utilisant un pipeline similaire à d’autres rapports d’analyses oscillatoires basées sur la région d’intérêt (ROI) 64., En bref, la méthode MNE trouve les estimations a posteriori maximales des sources corticales latentes, compte tenu des sources de capteur observées, en supposant (1) que les amplitudes de source de courant sont clairsemées et normalement distribuées avec une matrice de covariance de source connue et (2) que les données de capteur observées contiennent un bruit additif avec une distribution normale et une matrice de covariance spatiale connue. Il est important de noter que, contrairement à d’autres méthodes de formation de faisceau, la méthode MNE préserve les oscillations de telle sorte que la puissance oscillatoire peut être estimée après la localisation de la source., L’estimation de la source actuelle de chaque sommet comprend une orientation dipolaire, de sorte que le parcours temporel de la source peut être positif ou négatif à un moment donné. Ici, les orientations des dipôles ont été contraintes au cortex en utilisant les paramètres par défaut recommandés (loose = 0.2, depth = 0.8). Les matrices de covariance du bruit nécessaires à la localisation de la source ont été estimées par sujet à partir d’une période de référence de 500 ms avant le début de chaque essai. Les estimations empiriques de covariance ont été régularisées par la méthode « rétrécie”, comme recommandé par Engemann et Gramfort65., Les données d’estimation des sources individuelles ont ensuite été mappées à la surface corticale « fsaverage” de Freesurfer. Enfin, les cours de temps d’estimation des sources pour les sommets individuels ont été combinés dans un ensemble d’étiquettes corticales correspondant à nos ROIs: cortex cingulaire (rACC, dACC, mCC), dorso-mPFC (dmPFC/gyrus frontal supérieur), cortex préfrontal dorso-latéral (DLPFC/gyrus frontal moyen) et cortex préfrontal ventrolatéral (VLPFC/gyrus frontal inférieur). Le cours de temps moyen par ROI a été calculé en utilisant la technique « PCA flip » dans MNE-Python., En bref, la décomposition en valeurs singulières (SVD) est appliquée aux cours temporels par sommet par ROI et le premier vecteur singulier droit est extrait. Le parcours temporel de chaque sommet est ensuite mis à l’échelle et le signe est retourné. La mise à l’échelle est effectuée afin de correspondre à la puissance moyenne des cours de temps par Sommet. Le signe du cours temporel est ajusté en le multipliant par le signe du vecteur singulier gauche de la SVD, ce qui garantit que la phase ne change pas de 180 degrés d’un cours temporel source à l’autre., Le tableau supplémentaire 1 énumère ces étiquettes et la sténographie anatomique utilisée pour chacune d’elles dans le texte/les figures principales. Les étiquettes anatomiques/ROIs ont été assemblées manuellement par la fusion de plusieurs étiquettes plus petites et contiguës de la région lausannoise atlas66. Les étiquettes utilisées ici ont été conçues pour s’assurer que chaque région corticale correspondait à un nombre presque égal de sommets dans le cerveau de modèle standard. Nous avons sélectionné l’ensemble d’étiquettes pour couvrir les régions précédemment impliquées dans la neuro-imagerie fonctionnelle du MSIT13, 25.,

analyse statistique—comportement

le principal résultat comportemental dans MSIT est la RT des sujets, car ils sont pré-formés à de très faibles taux d’erreur. Avec d’autres,nous avons montré que les RT pendant les conflits et les tâches de prise de décision sont mieux approximées par gamma que par les distributions Gaussiennes13, 67. Nous avons ainsi analysé le comportement dans un GLM à effets mixtes avec la fonction de distribution gamma et de lien d’identité. Ce GLM a été appliqué au niveau par essai, ce qui nous a permis de modéliser les effets des DBS et des effets spécifiques à l’essai tels que les émotions et les interférences cognitives., La conception des effets mixtes, qui comprend une interception aléatoire pour le sujet, contrôle spécifiquement la corrélation intra-sujet (essais et sessions en tant que mesures répétées). Nous avons exclu les essais avec réponses manquantes, les essais d’erreur et les essais post-erreur. Nous avons en outre exclu les essais avec RTS aberrants, que nous avons définis en ajustant une distribution gamma aux données RT de chaque sujet, en mettant en commun les essais DBS en marche et en arrêt pour cette étape de prétraitement. Nous avons ensuite exclu les essais avec une probabilité RT <0,005 en fonction de la distribution ajustée. Ces approches ont exclu 247 essais (6.,12% du total, n = 3785 essais retenus dans l’analyse).

pour contrôler la variabilité globale de la RT entre les sujets, nous avons spécifié GLMs avec une interception aléatoire spécifique au sujet plus des effets fixes pour les variables expérimentales (modèles mixtes). Comme dans les rapports précédents, par exemple 28, nous avons identifié le modèle approprié en minimisant le critère D’information D’Akaike (AIC) lors de l’addition progressive des variables. Fait important, la minimisation AIC est mathématiquement équivalente à la construction du modèle par validation croisée hors échantillon 36, une approche que nous avons identifiée comme essentielle dans la recherche sur les biomarqueurs 38., Nous avons considéré l’interférence, le DBS, la valence et l’excitation comme des prédicteurs possibles de RT en fonction de nos hypothèses pré-spécifiées et de la conception de la tâche. Nous avons également testé les Termes d’interaction entre ces principaux effets. Nous avons considéré le numéro d’essai dans une course comme un régresseur gênant, contrôlant les effets de fatigue et/ou d’apprentissage. Les données ont été mieux expliquées par un modèle avec les effets principaux ci-dessus, mais pas de termes d’interaction(voir le texte principal et la fig. 1). Les modèles avec d’autres prédicteurs, p. ex. RT dans l’essai précédent (un effet autorégressif), n’étaient pas identifiables., Le conflit et le DBS ont été codés de manière factice, tandis que la valence, l’excitation et le numéro d’essai ont été traités comme des variables continues. Toutes les variables indépendantes ont été normalisées à l’intervalle 0-1 pour la régression, mais sont rapportées dans l’article après la conversion à leurs unités naturelles pour faciliter l’interprétation.

analyse statistique—modulation EEG par variables de tâche et DBS

Pour l’analyse du domaine temporel (potentiel évoqué), les cours de capteur et d’espace-temps source ont été réduits à la fenêtre de temps (-0.5, 2.0) s pour les époques verrouillées par stimulus et (-1.0, 1.0) Pour les époques verrouillées par, De plus, toutes les époques ont été filtrées passe-bas à 15 Hz et sous-échantillonnées d’un facteur 3. Les intervalles de confiance sur les potentiels liés aux événements (ERP) tracés ont été calculés par 1000 rééchantillonnages bootstrap avec remplacement (en préservant le nombre d’essais chez chaque sujet). Tous les ERP indiqués sont la grande moyenne pour tous les sujets.

Pour l’analyse du domaine spectral, nous avons calculé la puissance sans verrouillage de phase dans trois bandes d’intérêt: thêta (4-8 Hz), alpha (8-15 Hz) et bêta (15-30 Hz)., Nous avons mis l’accent sur les oscillations non à verrouillage de phase, ou induites, parce qu’elles semblent être plus directement liées au contrôle cognitif proactif17. Dans les analyses expérimentales des tâches à effet Simon, plus de 80% du changement de puissance thêta lié au conflit/au contrôle n’était pas verrouillé en phase23. La puissance thêta non à verrouillage de phase a été corrélée avec le RTs d’essai à essai, plus que le thêta à verrouillage de phase reflété dans L’ERP du domaine temporel., De plus, dans une tâche de contrôle cognitif non structurée par un essai, les oscillations thêta semblaient être continuellement présentes sur le cortex frontal moyen, augmentant en puissance lorsque plus de contrôle était nécessaire68. En revanche, les oscillations thêta à verrouillage de phase peuvent être davantage liées à la surveillance de la performance liée aux erreurs69, un phénomène non étudié ici en raison du très petit nombre d’essais d’erreur.

pour calculer les changements de puissance sans verrouillage de phase, nous avons d’abord soustrait l’ERP moyen de chaque essai23., L’ERP soustrait (et les essais dont il a été soustrait) ont été calculés pour chaque combinaison de sujet, condition (DBS ON/OFF × interférences/conflits essais), et ROI/capteur. Toutes les parcelles de puissance EEG montrent les données après cette suppression ERP.

Les données localisées par le capteur et la source ont ensuite été décomposées en leur représentation temps-fréquence par convolution D’ondelettes de Morlet. Les ondelettes avaient des fréquences de base échantillonnées de 2 à 50 Hz en 25 étapes logarithmiquement espacées, chaque ondelette étant caractérisée par trois cycles. La décomposition a été effectuée sur les données d’un seul essai, et non sur la moyenne ou L’ERP., Toutes les estimations de puissance de fréquence ont été normalisées à la puissance moyenne d’une ligne de base pré-stimulus (-0,5 s à -0,1 s) pour chaque bande de fréquence. Nous avons utilisé une transformation dB pour la normalisation. La puissance de base a été calculée séparément pour chaque sujet et condition DBS (OFF, ON). La même période de référence avant le stimulus utilisée pour les analyses verrouillées par le stimulus a également été utilisée pour les analyses verrouillées par la réponse. Nous avons ensuite fait la moyenne des valeurs dans chaque bande de fréquence pré-spécifiée pour obtenir un cours de temps de puissance par essai pour chaque bande. Toutes les valeurs de puissance résultantes indiquées dans l’article ont été normalisées en dB comme indiqué ci-dessus., Tous les tracés topographiques de puissance et de temps représentent la grande moyenne à travers les sujets.

dans l’espace du capteur et de la source, les données EEG du domaine temporel et du domaine fréquentiel ont été analysées à l’aide de la régression des moindres carrés ordinaires70,71. La tension ou la puissance d’un seul essai à chaque point de temps a été entrée dans un modèle linéaire en utilisant les mêmes variables indépendantes que le GLM comportemental: interférence, DBS, valence, excitation et numéro d’essai. Nous avons également normalisé toutes les variables indépendantes à l’intervalle pour ce modèle., Nous avons également considéré la possibilité que l’interférence et DBS puissent interagir au niveau neuronal même si nous n’avons vu aucune interaction comportementale, et avons donc inclus un terme d’interaction DBS × interférence dans cette régression. Pour reproduire l’effet des interceptions spécifiques au sujet dans le modèle de comportement, nous avons soustrait la tension moyenne ou le temps de puissance de chaque sujet individuel de tous les essais des essais de ce sujet. Des statistiques de contraste (tests t) ont été calculées pour chaque poids bêta résultant (coefficient de régression) dans chaque échantillon., Pour contrôler les comparaisons statistiques multiples (points de temps) au sein de chaque ROI/électrode, nous avons effectué une inférence de permutation et une correction de cluster temporel72. Nous avons utilisé 1000 permutations pour chaque analyse, écarté les clusters <50 ms dans l’étendue temporelle, et retenu seulement les clusters qui étaient significatifs à α = 0.05. Pour l’analyse du domaine temporel dans l’espace source, nous avons corrigé ces valeurs P de cluster en utilisant la procédure de réduction progressive du taux de fausse découverte (FDR) de Benjamini–Hochberg sur tous les Roi testés., Pour l’analyse du domaine fréquentiel, nous avons fait la même chose, mais en utilisant une seule étape descendante sur les ROIs et les bandes de fréquences simultanément. Tous les groupes importants présentés dans l’article ont survécu à ces corrections. L’exception est que pour l’analyse de l’espace Capteur, nous n’avons pas corrigé pour plusieurs capteurs, car nous avons testé un seul capteur pour le domaine temporel et un capteur pour l’analyse du domaine fréquentiel. Les valeurs p du domaine fréquentiel de l’espace du capteur ont de nouveau été corrigées pour plusieurs bandes.,

analyse statistique—EEG/changements comportementaux en tant que biomarqueurs

Nous avons émis l’hypothèse que les changements de comportement de la bande thêta EEG et du MSIT induits par le DBS pourraient être corrélés avec la réponse clinique des sujets au traitement par le VCVS DBS. Nous avons également émis l’hypothèse que cette corrélation pourrait être avec une réponse clinique positive (amélioration de la dépression) ou avec des complications cliniques (hypomanie, comme dans28)., Nous les avons quantifiés au niveau du sujet individuel: MSIT RT comme la différence moyenne (DBS ON-DBS OFF), et theta EEG comme la hauteur intégrée de l’onde de différence (DBS ON–DBS OFF) dans le vlpfc (gyrus frontal inférieur antérieur). L’étiquette VLPFC a été sélectionnée comme variable prédictive après avoir consulté les résultats des analyses précédentes. L’onde de différence a été spécifiquement calculée sur la période où nous avons trouvé un cluster significatif lors de l’analyse de l’espace source., La dépression a été mesurée avec L’échelle D’évaluation de la dépression de Montgomery–Åsberg (MADRS) telle que collectée lors des essais cliniques originaux des sujets; nous n’avons pas tenté de corrélation avec les symptômes du TOC car seuls deux sujets de l’échantillon présentaient un TOC. Nous avons utilisé le changement MADRS de la base pré-implantaire au jour de la collecte de données, ou à la visite clinique la plus proche de la collecte de données (toujours dans un délai d’un mois) si un sujet donné n’a pas pu terminer le MADRS ce jour-là., Hypomania a utilisé le même ensemble de données as28, dans lequel la présence/l’absence d’épisodes hypomaniaques avait été codée pour chaque sujet par des évaluateurs cliniques qualifiés. La variable dépendante était de savoir si ce sujet avait déjà eu une hypomanie au cours de son traitement par DBS. Un sujet n’a pas été inclus dans les analyses d’hypomanie en raison de l’indisponibilité des données cliniques.

la capacité de prédiction hors échantillon est importante à évaluer pour les biomarqueurs psychiatriques putatifs 37,38, mais difficile à mesurer dans des populations rares telles que les patients atteints de SGD., En tant que substitut, nous avons généré des intervalles de confiance pour les corrélations clinique/biomarqueur en tirant 1000 rééchantillons bootstrap (avec remplacement) de la population du sujet d’origine. Nous avons utilisé ces mêmes tirages bootstrap pour construire l’intervalle de confiance de l’aire sous la courbe (ASC) pour les courbes caractéristique récepteur-opérateur (ROC) pour la classification de l’hypomanie présente/absente et de la dépression répondeur/Non répondeur. Ce dernier a utilisé le même seuil d’amélioration MADRS de 50% que dans les essais cliniques, par exemple dans49.,

analyse statistique—données d’état de repos

Les changements thêta observés pendant L’exécution de MSIT pourraient ne pas être spécifiques à la tâche, mais pourraient provenir d’un changement général dans le spectre de fréquence EEG pendant DBS. Cinq sujets ont fourni au moins 2 min de données sur l’état de repos des yeux ouverts avec DBS activé et désactivé. À partir de ces données, nous avons coupé 60 époques sans artefact 1-s des enregistrements ON et OFF dans chaque sujet, puis calculé une densité spectrale de puissance (PSD) de 0 à 30 Hz via la méthode multitaper., Nous avons calculé la puissance moyenne dans la région thêta (4-8 Hz) de la PSD de chaque époque, puis testé la différence entre ces distributions avec le test U de Mann–Whitney. Nous avons effectué ces analyses sur la puissance thêta du capteur Fz, qui était le point du cuir chevelu de la puissance thêta la plus élevée pendant la performance MSIT.

Validation des résultats comportementaux de MSIT dans les contrôles de l’épilepsie

une préoccupation potentielle est que tous les résultats de RT que nous observons pourraient être explicables par les effets de la pratique. Bien que les blocs MARCHE / ARRÊT aient été séparés d’une heure ou plus, les sujets pourraient conserver une certaine mémoire procédurale de la tâche., Pour remédier à cette confusion, nous avons analysé les données d’un groupe de sujets qui ont effectué plusieurs MSIT espacés dans le temps sans les distracteurs émotionnels. Ces sujets faisaient partie d’une étude plus vaste portant sur la physiologie de la maladie mentale13 au niveau du réseau. Ils ont été admis pour une surveillance électrophysiologique hospitalière de l’épilepsie réfractaire aux médicaments. Pendant leur hospitalisation, ils ont été approchés quotidiennement pour effectuer plusieurs tâches cognitives, y compris MSIT. Dans ce cas, nous avons utilisé la version originale de la tâche, qui n’inclut pas les distracteurs IAPs d’arrière-plan., En raison de la nature du travail clinique sur une unité de patients hospitalisés, y compris les pauses pour les repas et les rondes cliniques, ces sujets ont souvent effectué un ou plusieurs blocs MSIT de 64 essais avec une pause substantielle entre les deux. Cela reproduit efficacement la conception de notre étude primaire, à l’exception de la manipulation DBS. Nous avons analysé les blocs de tâches effectués avant et après ces pauses, chez huit sujets. Pour ces sujets, nous avons adapté leur essai MSIT RTs avec une distribution gamma GLM qui imitait l’analyse de cohorte principale, c’est-à-dire,, Termes indépendants/prédicteurs pour le bloc (qui imite le terme DBS), le conflit, le numéro d’essai et une interception spécifique au sujet. Comme pour la cohorte principale, tous ces sujets ont fourni un consentement éclairé complet avant toute procédure d’étude. Toutes les procédures expérimentales avec ces sujets étaient conformes aux exigences d’éthique gouvernementales et institutionnelles et ont été approuvées par le Massachusetts General Hospital Institutional Review Board.