Neuromodulation interventions and eeg biomarkers for executive function in healthy and clinical populations
- Autores: Laura Dubreuil Vall
- Directores de la Tesis: Joan Camprodón Giménez (dir. tes.), Giulio Ruffini i Fores (codir. tes.)
- Lectura: En la Universitat de Barcelona ( España ) en 2020
- Idioma: español
- Tribunal Calificador de la Tesis: Carmen Junque Plaja (presid.), E. Muñoz (secret.), Michael Nitsche (voc.)
- Programa de doctorado: Programa de Doctorado en Biomedicina por la Universidad de Barcelona
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
Les funcions executives són el conjunt de funcions d'alt nivell cognitiu que inclouen la memòria de treball, la inhibició, la iniciació i el monitoratge, i que són essencials per a l'adaptació a tots els entorns personals i professionals. L’ús de tècniques d’estimulació cerebral no invasives per estudiar les dinàmiques i els circuits anatòmics i fisiològics que donen suport a les funcions executives ha augmentat notablement en els darrers anys. No obstant, encara existeixen diverses incògnites pel que fa als seus mecanismes d’acció, incloent variables anatòmiques i fisiològiques. A la primera part d’aquesta tesi s'utilitza l'electroencefalografia (EEG) per avaluar els efectes cognitius, anatòmics i fisiològics de l'estimulació directa transcranial (tDCS) en les funcions executives en poblacions sanes i en pacients amb transtorn per dèficit d'atenció i hiperactivitat (TDAH), amb l'objectiu d’entendre el paper de la lateralitat de l’escorça prefrontal en les funcions executives i les dinàmiques fisiològiques que sustenten la modulació de les funcions executives.
Els resultats indiquen que l'aplicació de tDCS a l'escorça prefrontal esquerre té efectes pro-cognitius (millora del temps de reacció) tant en subejctes sans com en pacients amb TDAH. Aquests efectes estan correlats amb la modulació de patrons fisiològics d'EEG associats a les funcions executives, proporcionant evidència empírica sobre el seu potencial com a biomarcadors, i obrint la porta a noves estratègies per al desenvolupament de tractaments de neuromodulació. Per últim, aquests resultats també donen suport a la hipòtesis que diu que els efects de tDCS depenen de l'estat inicial del pacient, posant de manifest la importància de controlar els estats cognitius i fisiològics abans i durant l’estimulació com a estratègia terapèutica.
La segona part de la tesi descriu el disseny d'un sistema d'intel.ligència artificial d'aprenentatge profund (deep learning) per classificar i caracteritzar poblacions clíniques a partir de les seves dades d'EEG amb l'objectiu trobar quins són els biomarcadors fisiològics subjacents a la malaltia. Els resultats mostren que l'arquitectura de deep learning presentada és capaç de classificar pacients amb TDAH de persones sense TDAH amb un 88% de precisió. A més a més, també pot predir quins pacients amb Trastorn de Comportament REM desenvoluparan la malaltia de Parkinson 6 anys després amb un 80% de precisió. Mitjançant l’ús de tècniques de visualització de deep learning (per exemple, Deep Dream), també és possible detectar quins són els biomarcadors fisiològics que permeten el diagnòstic i el prognòstic de la malaltia.
Aquests resultats aporten nova evidència cientifica del potencial de les senyals d'EEG com a biomarcadors per avaluar els efectes de tDCS, donant suport a noves estratègies per al desenvolupament de tractaments de neuromodulació basats en biomarcadors que permetin definir millor el target a tractar. A més, el sistema de deep learning dissenyat en aquest treball constitueix una eina útil per a la classificació i l’anàlisi de la dinàmiques d'EEG, destacant el potencial d’aquests mètodes per a la recerca de biomarcadors clínics que permetin la millora del diagnòstic i prognòstic de malalties psiquiàtriques i neurològiques.
