ترجمه فارسی مقاله امضای EEG چند باند با استفاده از یادگیری ماشین برای پیش‌بینی پاسخ درمانی rTMS در افسردگی اساسی رمزگشایی شد

چکیده

Major depressive disorder (MDD) is a global health challenge with high prevalence. Further, many diagnosed with MDD are treatment resistant to traditional antidepressants. Repetitive transcranial magnetic stimulation (rTMS) offers promise as an alternative solution, but identifying objective biomarkers for predicting treatment response remains underexplored. Electroencephalographic (EEG) recordings are a cost-effective neuroimaging approach, but traditional EEG analysis methods often do not consider patient-specific variations and fail to capture complex neuronal dynamics. To address this, we propose a data-driven approach combining iterated masking empirical mode decomposition (itEMD) and sparse Bayesian learning (SBL). Our results demonstrated significant prediction of rTMS outcomes using this approach (Protocol 1: r=0.40, p<0.01; Protocol 2: r=0.26, p<0.05). From the decomposition, we obtained three key oscillations: IMF-Alpha, IMF-Beta, and the remaining residue. We also identified key spatial patterns associated with treatment outcomes for two rTMS protocols: for Protocol 1 (10Hz left DLPFC), important areas include the left frontal and parietal regions, while for Protocol 2 (1Hz right DLPFC), the left and frontal, left parietal regions are crucial. Additionally, our exploratory analysis found few significant correlations between oscillation specific predictive features and personality measures. This study highlights the potential of machine learning-driven EEG analysis for personalized MDD treatment prediction, offering a pathway for improved patient outcomes.

چکیده به فارسی (ترجمه ماشینی)

اختلال افسردگی اساسی (MDD) یک چالش بهداشت جهانی با شیوع زیاد است.علاوه بر این ، بسیاری از تشخیص داده شده به MDD در برابر داروهای ضد افسردگی سنتی مقاوم هستند.تحریک مغناطیسی ترانس کرانیال تکراری (RTMS) نوید را به عنوان یک راه حل جایگزین ارائه می دهد ، اما شناسایی نشانگرهای زیستی عینی برای پیش بینی پاسخ درمانی همچنان مورد استفاده قرار نمی گیرد.ضبط های الکتروانسفالوگرافی (EEG) یک رویکرد عصبی مقرون به صرفه است ، اما روشهای سنتی تجزیه و تحلیل EEG اغلب تغییرات خاص بیمار را در نظر نمی گیرند و در ضبط پویایی عصبی پیچیده ناکام هستند.برای پرداختن به این موضوع ، ما یک رویکرد داده محور را با ترکیب تجزیه حالت تجربی ماسک (AttemD) و یادگیری پراکنده بیزی (SBL) پیشنهاد می کنیم.نتایج ما پیش بینی قابل توجهی از نتایج RTMS را با استفاده از این روش نشان داد (پروتکل 1: R = 0.40 ، P <0.01 ؛ پروتکل 2: R = 0.26 ، P <0.05).از تجزیه ، ما سه نوسان کلیدی به دست آوردیم: IMF-alpha ، IMF-Beta و باقیمانده باقیمانده.ما همچنین الگوهای کلیدی مکانی مرتبط با نتایج درمانی را برای دو پروتکل RTMS شناسایی کردیم: برای پروتکل 1 (10 هرتز DLPFC سمت چپ) ، مناطق مهم شامل مناطق جبهه چپ و پاریتال ، در حالی که برای پروتکل 2 (1Hz راست DLPFC) ، سمت چپ و فرونتال ، چپ ، چپ ، چپ ، چپ ، چپ ، سمت چپ ، سمت چپ و جبهه ، سمت چپ ، سمت چپ و جلو نیزمناطق پاریتال بسیار مهم هستند.علاوه بر این ، تجزیه و تحلیل اکتشافی ما ارتباط معنی داری بین ویژگی های پیش بینی خاص نوسان و اقدامات شخصیتی نشان داد.این مطالعه پتانسیل تجزیه و تحلیل EEG مبتنی بر یادگیری ماشین را برای پیش بینی درمان MDD شخصی برجسته می کند و مسیری را برای بهبود نتایج بیمار ارائه می دهد. [sc name="papertranslation"][/sc]