使用单通道脑电图特征和听觉认知评估对帕金森病进行早期诊断的评估
摘要：机器学习算法辅助帕金森病诊断的一项研究 通过F-DOPA PET进行帕金森病（PD）的诊断具有挑战性，因为其早期临床表现很微妙。本研究探索了从单通道脑电图（EEG）中提取的基于机器学习（ML）的EEG特征在听觉认知评估中作为无创、低成本的帕金森病诊断支持工具的潜力。研究包括从32名接受F-DOPA PET扫描的患者和20名认知健康对照组中收集的数据。参与者进行了一项记录在Neurosteer EEG设备上的听觉认知评估。数据处理包括小波包分解和机器学习。首先，开发了一个预测模型来预测1/3的未披露的F-DOPA结果。然后，通过广义线性混合模型计算了在频率带和之前与认知功能相关的基于机器学习的EEG特征（A0和L1）之间区分PD和非PD人群的能力。预测模型准确地将未披露分数的患者标记为阳性的F-DOPA。新的EEG特征A0和Delta波段在研究组间显示出显著差异，健康对照组的活动水平高于PD患者。与高认知负荷相比，EEG特征L1的活动在休息状态下显著降低。但在PD组中不存在这种效应，这表明PD患者在休息状态下的活动水平降低。本研究成功地展示了在听觉认知评估中使用易于使用的单通道EEG可以区分具有阳性和阴性F-DOPA PET结果的患者。未来的纵向研究应进一步探讨该工具在帕金森病早期诊断方面的潜在效用以及作为潜在生物标志物的可能性。
作者：Lior Molcho, Neta B. Maimon, Neomi Hezi, Talya Zeimer, Nathan Intrator, Tanya Gurevich
论文ID：2308.03406
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-08-08