Zastosowanie ilościowego EEG – wprowadzenie

Teza tego opracowania jest taka, że rejestracja i analiza sygnałów EEG może być wykorzystana w bardziej produktywny sposób niż do identyfikacji i kategoryzacji zaburzeń zachowania. Nowsze zastosowania EEG były ukierunkowane na przewidywanie wyniku interwencji terapeutycznej. W tym artykule dokonujemy przeglądu wykorzystania EEG do kierowania interwencjami przy użyciu leków, neurofeedbacku i przezczaszkowej stymulacji magnetycznej.

Elektroencefalografia kliniczna (EEG) zazwyczaj obejmuje wizualne badanie wielokanałowych przebiegów fali przez doświadczonego klinicystę, zwykle neurologa, w celu wykrycia i scharakteryzowania zaburzeń napadowych i encefalopatii. EEG jest techniką z wyboru do tego celu, ponieważ jest nieinwazyjna i opłacalna. Ponadto EEG zapewnia rozdzielczość czasową poniżej milisekundy, dzięki czemu zmiany w aktywności neurofizjologicznej mogą być szczegółowo badane w czasie, znacznie przekraczając rozdzielczość czasową dostępną przy innych funkcjonalnych pomiarach neuroobrazowania, takich jak funkcjonalne obrazowanie rezonansu magnetycznego (fMRI), tomografia emisyjna z pojedynczym pozytronem (SPECT) oraz pozytronowa tomografia emisyjna (PET). Duża część pracy dokumentuje ogólną akceptację EEG w literaturze medycznej (pełny przegląd patrz Niedermeyer i Lopes da Silva, 2004).

Podstawy kliniczne EEG: Niezawodność

Gdy EEG jest odczytywany wizualnie przez doświadczonych ekspertów, często występuje znaczny brak zgodności co do obecności i znaczenia „nieprawidłowości” EEG, a wiele wzorców uważa się za „normalne warianty” lub „dojrzewanie”. Przeprowadzono wiele badań dotyczących wiarygodności międzyosobniczej i wewnętrznej w ocenie sygnałów EEG. Wczesne badanie Williamsa i in. (1985) badało wiarygodność między obserwatorami w losowej próbie 100 elektroencefalografów. Dziesięć sekund próbek zapisów EEG oceniono na podstawie 12 EEG. Badacze doszli do wniosku, że istnieje znaczna zmienność interpretacji EEG i że cechy osoby wykonującej interpretację były ważnym czynnikiem. Badanie Spencera i in. (1985) obejmowało przegląd 144 EEG skóry głowy od 54 pacjentów przez trzy elektroencefalografy. Stwierdzili około 60% zgodności w określaniu płata mózgu odpowiedzialnego za początek napadu i około 70% zgodności w przypadku strony początku. Doszli do wniosku, że wiarygodne określenie lokalizacji w zapisach głowy skóry wymaga dodatkowych kryteriów formalnych.

Nowsze badanie Williamsa i wsp. (1990) wykazało, że wcześniejsza diagnoza kliniczna była czynnikiem wpływającym na interpretację EEG. Piccinelli i in. (2005) badali wzajemną wiarygodność pacjentów z idiopatyczną padaczką dziecięcą. Podają, że doświadczeni elektroencefalografowie mają „przynajmniej umiarkowaną zgodność” co do większości cech EEG w stanach czuwania i snu. Co ważne, doszli również do wniosku, że zgodność była „niezadowalająca” przy ocenie podstawowej aktywności EEG. Gerber i in. (2008) badali zgodność między obserwatorami w interpretacji EEG u krytycznie chorych dorosłych. Znaleźli umiarkowaną zgodność „poza przypadkiem” co do obecności rytmicznych i okresowych wzorów. Zgodność w innych aspektach była „nieznaczna do uczciwej”.

Boutros i in. (2005) dokonali przeglądu podstaw określania EEG jako „normalnego”, a konkretnie, w jaki sposób normalni dorośli są wybierani do badań wykorzystujących EEG w badaniach neuropsychiatrycznych. Zauważyli, że nieprawidłowości w EEG zostały zgłoszone aż u 57,5% normalnych dorosłych (Struve, 1985). Autorzy zdefiniowali siedem kryteriów normalności, w tym (1) brak zaburzeń ogólnoustrojowych z zajęciem OUN (metabolicznych, endokrynologicznych), (2) brak urazowego uszkodzenia mózgu, zaburzeń neurologicznych wieku dziecięcego i otępienia, (3) brak zaburzeń psychiatrycznych z osi I , z wyłączeniem nadużywania alkoholu i narkotyków, (4) brak nadużywania lub uzależnienia od alkoholu, (5) brak leków psychotropowych, (6) brak krewnych pierwszego stopnia z zaburzeniami psychiatrycznymi oraz (7) zaburzenia osobowości z osi II lub zaburzenia psychiczne. Kryteria te zostały poddane przeglądowi w 38 badaniach opisanych w literaturze przy użyciu wizualnej interpretacji EEG. Wykazano, że większość badań nie spełniała żadnych kryteriów lub tylko jedno lub dwa kryteria. Ogólny wniosek jest taki, że granice normalnego, niekwantyfikowanego EEG są słabo określone.

Oczywiste jest, że ze względu na niejasność definicji „normalnego” i brak porozumienia między klinicystami co do obecności lub braku znaczących nieprawidłowości w EEG, czy to epileptycznych, czy nieprawidłowej rytmiczności, zastosowanie samego jakościowego EEG nie ma wystarczającej mocy predykcyjnej, aby skutecznie kierować interwencją u pacjentów z zaburzeniami neuropsychiatrycznymi. Dodanie ilościowej analizy EEG zwiększa zarówno niezawodność, jak i moc predykcyjną.

Ilościowy EEG         

            Termin „ilościowy EEG” (qEEG) odnosi się do ilościowej analizy sygnału zdigitalizowanego elektroencefalogramu. Do oszacowania widma częstotliwości najczęściej stosuje się analizę Fouriera lub Wavelet. Wiele badań wykorzystujących qEEG porównuje indywidualny wzorzec cech, takich jak bezwzględna i względna moc EEG, koherencja, szczytowa częstotliwość alfa, asymetria i powiązane miary z referencyjną bazą danych. Odchylenia statystyczne od bazy danych można następnie zbadać pod kątem znaczenia klinicznego. Szereg takich baz danych jest dostępnych na rynku (patrz recenzje Johnstone i Gunkelman, 2003; Thatcher i Lubar, 2009). Każda z tych baz danych ma mocne i słabe strony, ale ogólnie zostały opracowane z uwzględnieniem kryteriów normalności zasugerowanych przez Boutrosa i in. (2005), opisane powyżej.

Szereg badań wskazuje na solidną wiarygodność testu w zakresie ilościowego EEG i zostało omówione poniżej. Doskonała powtarzalność wyników badań qEEG wskazuje, że niska wiarygodność jakościowego EEG wynika raczej z różnic w interpretacji niż z błędu pomiaru lub innych czynników technicznych.

Wczesne badanie niezawodności qEEG przeprowadzone przez Fein i wsp. (1983) badało wiarygodność testu analizy spektralnej EEG w grupach dzieci z dysleksją i dzieci z grupy kontrolnej. Zmierzyli współczynnik zmienności u badanych podczas dwóch powtórzeń 3-minutowych nagrań z oczami zamkniętymi i otwartymi. Technika ta wykazała znaczną zmienność EEG bez spójnego wzoru efektów grupy, użytego odniesienia, zadania lub powtórzenia. Widma EEG uśredniono w 3-minutowym segmencie i porównano z podobnym segmentem zarejestrowanym po serii zadań behawioralnych, około 4 godziny później. Obliczono korelacje wewnątrzklasowe (ICC), aby ocenić stabilność, porównując dwa 3-minutowe odcinki. W grupie kontrolnej wartości ICC wynosiły zwykle powyżej 0,9. Podobne analizy w grupie z dysleksją wykazały nieco mniejszą wiarygodność w określonych odprowadzeniach i konfiguracjach referencyjnych, ale profile widmowe EEG również były stabilne w okresie 4-5 godzin. Wyniki te były spójne zarówno dla miar mocy absolutnej, jak i względnej. Autorzy doszli do wniosku, że ogólnie dane te wykazują wysoki stopień wiarygodności widm EEG u dzieci w dobrze kontrolowanych warunkach rejestracji.

Dalsze badanie (Fein, Galin, Yingling, Johnstone i Nelson, 1984) wykazało, że pomimo różnic w sprzęcie rejestrującym i procedurach, widma EEG były bardzo stabilne przez okres 1-3 lat. Późniejsze badania potwierdzają ogólnie solidną wiarygodność powtórzeń testów qEEG (Burgess i Gruzelier, 1993; Fernandez i wsp., 1993; Gasser, Bacher i Steinberg, 1985; Harmony i wsp., 1993; Lund, Sponheim, Iacono, & Clementz, 1995; Salinsky i wsp., 1991; patrz także Thatcher, Biver i North, 2003). Oczywiste jest, że ocena qEEG oparta na znormalizowanych i dobrze kontrolowanych procedurach rejestracji i analizy może dać powtarzalne, a zatem potencjalnie użyteczne wyniki kliniczne.

Użyteczność metody uzyskiwania ważnych i przydatnych wyników klinicznych opiera się na dokładnych i wiarygodnych pomiarach. Istotne jest również odniesienie się do zastosowań klinicznych i „zamierzonego zastosowania” metody, na przykład EEG uważane za ważną procedurę diagnostyczną, pomagającą w umieszczaniu osób w odrębnych kategoriach diagnostycznych z dobrze określonymi granicami behawioralnymi. Rzeczywiście, ilościowy zapis EEG był krytykowany za to, że nie był diagnostyczny dla złożonych zespołów neurobehawioralnych i został uznany przez Amerykańską Akademię Neurologii za „badawczy do użytku klinicznego w zespole po wstrząśnięciu mózgu, łagodnym lub umiarkowanym urazie głowy, trudnościach w uczeniu się, zaburzeniach uwagi, schizofrenii, depresja, alkoholizm i nadużywanie narkotyków ”(Nuwer, 1997). Jednak wielu innych autorów nie zgadza się z tym, przedstawiając dowody na to, że stosowanie qEEG do diagnozowania zaburzeń psychicznych ma kliniczną użyteczność (przegląd patrz Coburn i in., 2006; Hughes i John, 1999).

Obecnie bada się również zastosowania kliniczne qEEG w zarządzaniu lekami, opracowywaniu protokołów neurofeedbacku i prowadzeniu przezczaszkowej terapii stymulacją magnetyczną. Wizualna interpretacja samych przebiegów fal EEG nie okazała się użyteczna w tych ważnych zastosowaniach, prawdopodobnie z powodu słabej wiarygodności interpretacji, jak omówiono powyżej. W niedawnym kompleksowym przeglądzie tego tematu, Thatcher (2010) doszedł do podobnych wniosków, a także zasugerował, że zwiększona wiarygodność pozwala na lepszą trafność predykcyjną. Jednak połączenie wizualnego badania przebiegów EEG przez doświadczonego eksperta z ilościowymi analizami EEG prawdopodobnie poprawi ogólną dokładność predykcyjną w porównaniu z każdą z tych procedur stosowanych oddzielnie.

Alternatywnym podejściem do wykorzystania aktywności elektrycznej mózgu do diagnozowania zaburzeń psychicznych jest rozważenie indywidualnych wzorców EEG jako „fenotypów pośrednich”. Johnstone, Gunkelman i Lunt (2005) zasugerowali, że skoro wzorce qEEG są wysoce wiarygodne i stabilne oraz często mają podłoże genetyczne, ale nie są izomorficzne z kategoriami behawioralnymi, wzorce te mogą być przydatne jako predyktory odpowiedzi klinicznej. Zaproponowano potencjalne fenotypy, które zostaną opisane w tym rozdziale wraz z możliwymi strategiami interwencji w zakresie leków i biofeedbacku EEG (neurofeedback) w oparciu o te fenotypy. Takie wykorzystanie qEEG do przewidywania i kierowania wynikami terapeutycznymi jest nowe i wydaje się autorom bardziej obiecujące niż często stosowane kliniczne podejście diagnostyczne.

Różne kategorie diagnostyczne są różnie reprezentowane w kategoriach fenotypów. Ponadto należy uznać, że poszczególne osobniki mogą przejawiać cechy kilku fenotypów i że cechy odróżniające fenotypy znajdują się na kontinuum bez wyraźnych granic. Na przykład wiele dzieci z zaburzeniami koncentracji uwagi wykazuje nadmierną aktywność frontocentralną w zakresie częstotliwości theta, 4-7 Hz. Jednak nie wszystkie osoby wykazują ten wzorzec, a niektóre osoby wykazują wzorzec nadmiernej szybkiej aktywności do przodu. Dlatego, chociaż możliwe jest dokładne zmierzenie poziomu przedniej aktywności theta lub beta, pomiary te nie są specyficznie „diagnostyczne” w zaburzeniach. Uważa się, że skuteczniejsze jest stosowanie markerów neurofizjologicznych do kierowania interwencjami neurofizjologicznymi niż diagnozowanie kategorii behawioralnej i używanie jej jako przewodnika.

Ilościowe EEG/ERP i zarządzanie lekami

W dużej części literatury, gdzie często używa się nazwy „Pharmaco EEG”, wykazano wpływ większości powszechnie stosowanych środków psychofarmakologicznych na pomiary aktywności elektrycznej mózgu. Wykazano, że najpowszechniej stosowane środki psychofarmakologiczne mają specyficzny wpływ na EEG. Tabela 1 przedstawia podsumowanie znanych skutków leków na EEG (przegląd patrz Saletu, Anderer i Saletu Zyhlarz, 2006).

Tabela 1: Wpływ popularnych leków psychiatrycznych na zapis EEG

Klasa leków Przykład leku Efekt na zapis EEG
Psychostymulanty Ritalin, Dexedrine, Adderall Zmniejsza wolną aktywność (częstotliwości delta i theta); zwiększa szybką aktywność (częstotliwości beta)
Benzodiazepiny Xanax, Valium, Ativan Zwiększa aktywność 14-25 Hz, właściwości przeciwdrgawkowe
Barbiturany Phenobarbitol Zwiększa aktywność delta i zwiększa wrzeciona beta 18-35 Hz. Wysoka dawka powoduje „tłumienie pęknięć”
Trójpierścieniowe leki przeciwdepresyjne Elavil, Tofanil, Norpramin, Sinequan, Pamelor Zwiększa zarówno wolną, jak i szybką aktywność oraz zmniejsza aktywność częstotliwości alfa (uspokajające)
SSRI Prozac, Effexor, Zoloft, Luvox, Paxil, Lexipro, Celexa Wytwarzanie mniej delta, zmniejsza alfa i zwiększa beta (mniejsze uspokajające )
Inne leki przeciwdepresyjne Wellbutrin (Zyban) Zmniejsza próg drgawkowy, nie działa uspokajająco
Stabilizatory nastroju Lit, Tegretol Zwiększa aktywność częstotliwości theta. Przedawkowanie powoduje znaczne spowolnienie i trójfazowe wyładowania

 

Niedawno cechy ilościowego EEG zostały wykorzystane do przewidywania odpowiedzi terapeutycznej na lek i skuteczniejszego klinicznego zarządzania lekami psychiatrycznymi („model predykcyjny”). Suffin i Emory (1995) zarejestrowali wyjściowy zapis EEG po tym, jak pacjenci zostali wypłukani ze wszystkich leków psychoaktywnych. Wybrano dwie grupy pacjentów: w jednej grupie rozpoznano zaburzenia uwagi bez objawów afektywnych, a w drugiej – zaburzenia afektywne bez objawów zaburzenia uwagi. Pacjenci ci otrzymywali leki zgodnie ze standardową praktyką kliniczną, a do oceny wyników zastosowano skalę Clinical Global Improvement (CGI).

Istniały wyraźne powiązania między określonymi cechami EEG na początku badania a efektami leków: Osoby z powolnymi wzorcami EEG miały tendencję do lepszej odpowiedzi na leki pobudzające. Osoby z nadmierną aktywnością czołową alfa lepiej reagowały na leki przeciwdepresyjne, a osoby z odchyleniami w koherencji EEG lepiej reagowały na leki przeciwdrgawkowe lub przeciwcykliczne, niezależnie od rozpoznania klinicznego. Autorzy doszli do wniosku, że wzorzec odchyleń od referencyjnej bazy danych był lepszym predyktorem odpowiedzi klinicznej niż rozpoznanie kliniczne. W prospektywnym badaniu kontrolnym porównano wyniki kliniczne z doborem leków na podstawie wzorców odchyleń od referencyjnej bazy danych w porównaniu ze standardową praktyką kliniczną (Suffin i in., 2007). Wyniki kliniczne uległy znacznej poprawie dzięki wskazówkom qEEG przy wyborze leków. Na podstawie tych ustaleń lekarzy zachęcano do wybierania leków psychofarmakologicznych na podstawie podobieństwa do znanych profili qEEG osób reagujących na określone leki. Opisany powyżej model fenotypowy został wykorzystany przez Arnsa, Gunkelmana, Bretelera i Spronka (2008) w badaniu wykazującym użyteczność modelu pośredniego fenotypu EEG w wyborze leków stymulujących do leczenia dzieci z ADHD.

Stosowanie metod qEEG do kierowania doborem i leczeniem lekami psychiatrycznymi było przedmiotem obszernych badań i ostatnio zostało omówione przez Leuchtera, Cooka, Huntera i Korba (2009). Autorzy ci uważają kilka cech EEG za potencjalne biomarkery odpowiedzi na leki w dużej depresji, w tym niektóre wyniki tomografii elektromagnetycznej o niskiej rozdzielczości, LORETA (patrz także Mulert i wsp., 2007). Wyniki LORETA są zgodne z innymi metodami obrazowania, takimi jak PET, sugerując, że podwyższoną aktywność theta w przednim zakręcie obręczy można zmierzyć za pomocą elektrod rejestrujących aktywność przedczołowej skóry głowy i można ją wykorzystać jako biomarker odpowiedzi na leki przeciwdepresyjne.

Potencjały wywołane i związane ze zdarzeniami to pokrewne miary oparte na uśrednieniu EEG w odpowiedzi na bodźce sensoryczne lub inne specyficzne zdarzenia wewnętrzne lub zewnętrzne. Metodą potencjału wywołanego, która jest obiecująca jako biomarker odpowiedzi przeciwdepresyjnej, jest wywołana reakcja słuchowa zależna od głośności (LDAEP). Ta wywołana odpowiedź pochodzi z pierwotnej kory słuchowej i wydaje się być wrażliwa na centralną aktywność serotoninergiczną (Juckel, Molnar, Hegert, Csepe i Karmos, 1997). Gdy bodźce są prezentowane z rosnącą intensywnością, osoby o zmniejszonej aktywności serotoninergicznej wykazują zwiększoną lub bardziej wrażliwą odpowiedź na wzrost intensywności bodźca słuchowego niż osoby, u których wcześniej zdiagnozowano depresję i przyjmujące leki z grupy SSRI (selektywne inhibitory wychwytu zwrotnego serotoniny). Wykazano, że obecność silnego LDAEP pozwala przewidzieć wynik leczenia lekami przeciwdepresyjnymi w przypadku dużej depresji (Juckel i in., 2007). Juckel i in. (2010) również dostarczają dowodów na to, że mechanizm LDAEP ma podłoże genetyczne.

Słuchowe potencjały wywołane były również szeroko wykorzystywane w leczeniu farmakologicznym schizofrenii. Metodą najczęściej stosowaną w badaniach nad potencjałem wywołanym w schizofrenii jest paradygmat słuchowy, zapoczątkowany w pracach Freedmana i Adlera (patrz Adler i in., 1982; Freedman i in., 1983). Ta technika jest przedmiotem przeglądu (Patterson i in., 2008). Wiele badań wykazało różnicę w amplitudzie odpowiedzi na pierwsze w porównaniu z drugim kliknięciem w ściśle zsynchronizowanych parach bodźców oraz że u schizofreników ubytek ten jest mniejszy. Zostało to szeroko zinterpretowane jako odzwierciedlenie wadliwego bramkowania sensorycznego u schizofreników. Istnieje znaczna zmienność między badaniami, a technika jest wrażliwa na szereg czynników technicznych, w tym lokalizację elektrod, filtrowanie pasmowo-przepustowe, liczbę uśrednionych prób, wiek i zasady dotyczące włączenia składnika P30 (poprzedzający dodatni szczyt w fali słuchowego potencjału wywołanego).

Olincy i in. (2006) podawali niską i wysoką dawkę agonistów receptorów nikotynowych α7 grupie 12 niepalących schizofreników i badali zmiany w składniku P50 i sprawności neurokognitywnej. Lek powodował zahamowanie odpowiedzi na drugie kliknięcie w sparowanych bodźcach. Udokumentowano poprawę neurokognitywnych miar uwagi dla małej dawki leku. Badanie to wykazało nie tylko użyteczność biomarkera P50 w ocenie zmian w ośrodkowym układzie nerwowym związanych z konkretnym lekiem, ale także, że wielkość zmian w odpowiedzi może pomóc w określeniu najskuteczniejszej dawki.

Przeprowadzono i opublikowano duże badania kliniczne dotyczące stosowania miar przedniego EEG w leczeniu lekami przeciwdepresyjnymi (Leuchter i in., 2009a; Leuchter i in., 2009b). „Biomarkery do szybkiej identyfikacji odpowiedzi na leczenie w przypadku dużej depresji” („BRITE MD”) było dużym, wieloośrodkowym badaniem (N=220 uczestników ukończyło badanie), w którym zastosowano biomarker neurofizjologiczny do przewidywania odpowiedzi na leczenie. Do pomiaru wyniku klinicznego wykorzystano zmiany w skali Hamilton D. Wskaźnik odpowiedzi na leczenie przeciwdepresyjne („ATR”) wyprowadzono ze spektrum mocy wyjściowej w porównaniu z końcem tygodnia leczenia lekiem przeciwdepresyjnym – escitalopramem. Indeks jest „ważoną kombinacją względnej mocy theta i alfa w 1 tygodniu oraz różnicy między mocą alfa 1 (8,5–12 Hz) na początku badania a mocą alfa 2 (9–11,5 Hz) w 1 tygodniu”.

U pacjentów wykonano ilościową ocenę EEG na początku badania i po jednym tygodniu leczenia escitalopramem. Pacjenci zostali następnie przydzieleni losowo do grup terapeutycznych z (1) kontynuacją podawania escitalopramu, (2) dodaniem bupropionu do escitalopramu lub (3) zmianą na bupropion. ATR przewidział zarówno odpowiedź, jak i remisję po 8 tygodniach z 74% dokładnością. Przewidywanie wyniku na podstawie genotypowania, oceny lekarza i stężenia leku w surowicy nie było istotne (patrz Leuchter i wsp., 2009a). Autorzy poinformowali, że ATR był również w stanie przewidzieć zróżnicowaną odpowiedź na leki przeciwdepresyjne. Pacjenci z wartościami ATR poniżej określonego progu prawdopodobnie odpowiedzieli na escitalopram, a powyżej progu częściej odpowiedzieli na bupropion.

W innym badaniu na dużą skalę (N=89) porównano wybór leków na dużą depresję w oparciu o algorytmy opracowane w badaniu „Sequided Treatment Alternatives to Relieve Depression” (STARD), w którym nie wykorzystano EEG jako predyktor (Rush i in., 2006) , z lekami pod kontrolą cech ilościowego EEG (DeBattista i in., 2009). Nastąpiła wyraźna poprawa w wielu miarach wyniku klinicznego, w tym w Quick Inventory of Depression Symptomatology i Montgomery-Asberg Depression Rating Scale, z interwencją sterowaną qEEG w porównaniu z algorytmami STARD.

Ogólnie opisano szereg procedur qEEG i potencjałów wywołanych, które mają znaczący potencjał w kierowaniu interwencjami terapeutycznymi z lekami. Głównym zastosowaniem technologii ilościowego EEG i potencjałów wywołanych w tym zakresie były badania nad dużą depresją i schizofrenią. Ponadto metody ilościowego EEG są aktywnie wykorzystywane w innych interwencjach neurofizjologicznych. Szczególnie produktywna linia poszukiwań obejmuje rozważenie zmian potencjałów wywołanych z powodu mechanizmów resetowania fazy (w przeciwieństwie do uśrednionej aktywności generatorów stałych składników potencjałów wywołanych). Ponieważ uważa się, że może to mieć poważne konsekwencje dla kierowania strategiami interwencji, opisano tutaj kilka szczegółów tej procedury.

Potencjały wywołane są zwykle rejestrowane za pomocą uśredniania odcinków lub prób EEG po prezentacji bodźców sensorycznych. Te potencjały są ogólnie uważane za mające stałe opóźnienie, ustaloną polaryzację, reakcje, które wydają się nałożone na tło EEG. Jest to podstawą modelu „wywołanego”. W najnowszej literaturze podkreślono potrzebę rozważenia, że potencjały wywołane są generowane przynajmniej częściowo przez reset trwających oscylacji, tj. reset fazy (Klimesch, Sauseng, Hanslmayr, Gruber i Freunberger, 2007), opisany jako „model resetu fazy”. Zmniejszenie amplitudy od pierwszego do drugiego bodźca w parze może wynikać ze zmian w blokowaniu faz. Rola blokowania fazowego została zbadana za pomocą rejestracji wewnątrzczaszkowej u pacjentów z padaczką (Rosburg i wsp., 2009). Słabe gatory wykazały mniejsze oscylacje częstotliwości beta z synchronizacją fazową (20-30 Hz) w obszarze 200-315 milisekund po pierwszym bodźcu. Stwierdzono, że ma to związek z gorszym kodowaniem pamięci.

Związek między oscylacjami mózgu a słuchowymi potencjałami wywołanymi badano bezpośrednio w schizofrenii (Brockhaus Dumke, Mueller, Faigle i Klosterkoetter, 2008). Praca ta obejmowała 32 pacjentów ze schizofrenią i 32 osoby kontrolne z EEG stale rejestrowanym według  paradygmatu słuchowego. Autorzy doszli do wniosku, że analiza fazy i amplitudy w pojedynczych badaniach dostarcza więcej informacji na temat przetwarzania informacji słuchowej i lepiej odzwierciedla różnice między pacjentami ze schizofrenią a grupą kontrolną, niż analiza uśrednionych odpowiedzi potencjałów wywołanych. Niestety to badanie wykazało różnice między grupami w składniku N100, które były przewidywane przez blokowanie fazy w zakresach częstotliwości theta i alfa, ale nie na powszechnie zgłaszanych wynikach ze składową P50, która była przewidywana przez blokowanie fazy w częstotliwościach beta i gamma.

 Przewidywanie skuteczności protokołu neurofeedback

Neurofeedback polega na rejestrowaniu, analizie i prezentowaniu wyników ilościowych analiz EEG w czasie zbliżonym do rzeczywistego osobom, w celu promowania zmian w aktywności elektrycznej mózgu. Nie ma wymogu świadomości w treningu neurofeedbacku. W rzeczywistości potrzeba świadomości ograniczyłaby możliwość zastosowania treningu w rzeczywistych sytuacjach. Po treningu neurofeedbacku osoby nie muszą świadomie modyfikować określonych wzorców EEG, aby wpłynąć na zmianę zachowania.

W przeszłości większość kryteriów treningowych była ustalana dla osób na podstawie oceny zachowania z wykorzystaniem koncepcji pobudzenia lub prezentacji objawów. Obecnie w coraz większym stopniu trening obejmuje charakterystykę stanu neurofizjologicznego przy użyciu EEG i ilościowego EEG oraz potencjałów wywołanych, aby pomóc przewidzieć wynik.

Istnieją różne sposoby badania „pobudzenia”. Fizjologicznie, nasz poziom pobudzenia jest zwykle rozpatrywany w kategoriach cyklu snu / czuwania. Nie jest niczym niezwykłym widzieć osoby, które mają problemy z regulacją tej aktywności. Ludzie, którzy zasypiają, gdy tylko siedzą bez ruchu, lub ludzie, którzy nie mogą zasnąć, leżąc w łóżku, to przykłady tego, co dzieje się, gdy występują trudności w radzeniu sobie z pobudzeniem. Wyraźne zmiany EEG obserwowane przy zmniejszonym pobudzeniu są łatwe do wykrycia za pomocą nagrań z pasa sensorymotorycznego. Zmiany te są wykorzystywane do oceny głębokości snu: na przykład, zróżnicowany wygląd wyładowań w wierzchołku głowy (Cz) sygnalizuje progresję do snu w fazie II. Historycznie rzecz biorąc, praktycy neurofeedbacku zaczęli używać protokołów, które pozostawały na lub w pobliżu pasa sensorymotorycznego (Lubar, 1985; Sterman i Friar, 1972; Tansey, 1984) w celu regulacji pobudzenia. Protokoły często zawierały lokalizację na Cz, C3 lub C4, każdy z odniesieniem do ucha.

Mechanizm pobudzenia kory przez aktywność podkorową można mierzyć czujnikami umieszczonymi na pasie sensorymotorycznym. Kiedy ten mechanizm jest dysfunkcjny, możemy zaobserwować szczególne aberracyjne w zachowaniu. Jest to jednak proces bardzo subiektywny i klinicyści nie zawsze są w stanie dokonać dokładnych prognoz skuteczności leczenia na podstawie samych tylko tych informacji. Ponieważ lekarze stosują bardziej skomplikowane protokoły, aby pomóc jednostkom w modulowaniu poziomu pobudzenia, ważne jest, aby uwzględnić obiektywne informacje, które mogą dostarczyć więcej wskazówek na temat fizjologii mózgu jednostki i tego, jak może to wpłynąć na poziom pobudzenia, a tym samym na reakcję na leczenie.

Wczesna praca neurofeedbackiem z autyzmem jest dobrym przykładem znaczenia modulacji ogólnego pobudzenia. Często sądzono, że dzieci autystyczne są bardzo pobudzone. Opierało się to na ich zachowaniach, a do „uspokajania” tych dzieci stosowano odpowiednie protokoły (Jarusiewicz, 2002). Jednak ponieważ dużo z tych dzieci miało wykonane analizy qEEG, zauważono, że wzorzec aktywności elektrycznej mózgu obejmował znacznie wolniejsze treści w porównaniu z normatywnymi bazami danych. Wydawało się, że istnieje niedopasowanie między obserwowanymi zachowaniami „nadmiernego pobudzenia” a wolniejszymi wzorcami EEG.

Warto pomyśleć o wymiarach pobudzenia na wykresie x, y. Jeśli prześledzimy fizjologiczny poziom pobudzenia na osi y i pobudzenie behawioralne na osi x, stwierdzimy, że są chwile, w których te dwa pasują do siebie, a czasami, kiedy wyraźnie się nie zgadzają. Kiedy praktycy neurofeedbacku posiadają obie informacje, często lepiej przewidują skuteczne protokoły, które rozwiązują problemy związane z pobudzeniem.

Na tym etapie rozwoju metod neurofeedbacku klinicyści neurofeedbacku nie muszą ograniczać się do pracy na pasie sensorymotorycznym, dlatego też rozważano bardziej kompleksowe modele. Johnstone (2008) zasugerował rolę qEEG we wspomaganiu rozwoju protokołu neurofeedbacku. Zajęto się trzema głównymi problemami: (1) ogólne objawy związane z regulacją lub pobudzeniem, (2) identyfikacja ogniskowych obszarów zainteresowania do treningu oraz (3) ocena łączności między regionami mózgu, zarówno pomiędzy półkulami, jak i wewnątrz nich.

Ocena ogólnego pobudzenia nie jest tak istotna i daje niewiele wskazówek, gdy patrzy się na problemy w zlokalizowanych obszarach mózgu. W tych okolicznościach konieczna jest ocena regionalnej funkcji mózgu. Identyfikacja ogniskowych lub regionalnych nieprawidłowości przy użyciu qEEG, rozważana w kontekście objawów behawioralnych i funkcji neuropoznawczych, może bardziej szczegółowo kierować opracowywaniem protokołu. Przykłady zachowań, które są często skorelowane z regionalnymi nieprawidłowościami w qEEG, obejmują zaburzenia językowe, trudności w postrzeganiu ekspresji emocjonalnej, zachowania unikowe w zaburzeniach integracji sensorycznej, specyficzne trudności z pamięcią, słabą kontrolę impulsów, brak umiejętności oceny i wiele innych. Podczas gdy zmiany w zachowaniu mogą być pomocne w śledzeniu postępów, więcej informacji może być bardzo przydatnych przed treningiem neurofeedbacku w znajdowaniu neurofizjologicznych przyczyn lub korelacji objawów. Analiza qEEG może być szczególnie pomocna w takich okolicznościach. Konkretne informacje o zakresach częstotliwości, lokalizacjach i problemach z łącznością można następnie dopasować do objawów behawioralnych podczas opracowywania protokołów neurofeedbacku w celu rozwiązania problemów regionalnych.

Analiza qEEG może być wykorzystana nie tylko do ustalenia potrzeby modulacji pobudzenia i aktywacji regionalnej, ale także do modulacji połączeń neuronowych. Niektóre prezentacje kliniczne najlepiej scharakteryzować jako „zespoły rozłączenia”, a w takich przypadkach wykrywanie i usuwanie nieprawidłowości w koherencji EEG jest często klinicznie skuteczne. Znaczenie zespołów odłączenia w neuropsychologii klinicznej jest dobrze znane, a nieprawidłowości w zakresie spójności zostały udokumentowane w wielu badaniach stanów patologicznych (Leocani i Comi, 1999). Ostatnio wykazano, że trening neurofeedbacku w celu zwiększenia i zmniejszenia łączności jest przydatny w badaniach osób autystycznych (Coben, 2007; Coben i Padolsky, 2007).

Najbardziej bezpośrednia metoda wykorzystywania informacji qEEG do kierowania treningiem neurofeedbacku polega na sprzężeniu zwrotnym informacji na podstawie zakresu odchylenia „z-score” dla konkretnej cechy, często nazywanej „treningiem z-score na żywo”. Jednym z najbardziej intrygujących aspektów tej metody jest oczywista zdolność mózgu do jednoczesnego reagowania na wiele wymagań treningowych. Jeśli ten aspekt metody można dodatkowo zweryfikować, sugeruje to bardziej skuteczny sposób przeprowadzania złożonych protokołów w krótkim przedziale czasu. Ważne jest, aby wybór treingu z-score opierał się na kryteriach klinicznych i uwzględniał artefakty, senność i stany przejściowe, które najlepiej zidentyfikować w surowym sygnale EEG. Ponadto wybór z-score do modyfikacji nie powinien opierać się wyłącznie na wielkości odchyleń z-score, ponieważ może to prowadzić do nieskutecznych lub negatywnych wyników. Historia przypadku przedstawiona poniżej jest przykładem tego, kiedy nie trenować pewnych wzorców odchyleń z-score. Podkreśla się znaczenie korelacji klinicznej z objawami, dolegliwościami i wynikami innych testów diagnostycznych, w tym oceny psychometrycznej, w rozwoju protokołu.

Ważna jest także informacja dynamiczna, którą można zebrać z surowego sygnału EEG. Identyfikacja zdarzeń przejściowych i zdarzeń napadowych to przykłady informacji, które mogą być pomocne w opracowaniu protokołu. Wykazano, że trening neurofeedbacku, zarówno na pasie sensorymotorycznym, jak i w obszarach zidentyfikowanych przez wzrokową kontrolę EEG, jest skuteczny w leczeniu zaburzeń padaczkowych (Sterman, 2000), przy użyciu takich technik, jak dostosowanie progu. Procedura dostosowywania progów pozwala klinicyście na przekazywanie informacji zwrotnych na temat przejściowych zdarzeń napadowych, które najlepiej zidentyfikować w surowym EEG i które można scharakteryzować w określonym zakresie częstotliwości dla sprzężenia zwrotnego. Te przemijające zdarzenia mogą mieć znaczące znaczenie kliniczne, ale na ogół są słabo rozwiązane w uśrednionych w czasie analizach qEEG.

Zidentyfikowano wzorce EEG lub fenotypy, które często można łączyć z wzorcami behawioralnymi (Johnstone i in., 2005). Na przykład nadmierna aktywność częstotliwości czołowej theta jest jednym z fenotypów obserwowanych u osób cierpiących na trudności w zachowaniu uwagi. Jednak ważne jest, aby klinicyści zrozumieli, że ten wzorzec nie istnieje wyłącznie jako biomarker dla uwagi i nie może być uważany za diagnostyczny. Widać to także w innych prezentacjach. Można to zaobserwować w przypadku uszkodzenia mózgu, depresji i innych trudności. Dlatego ważne jest poznanie konkretnych zachowań i prezentacji objawów przez każdego pacjenta, aby jak najlepiej wykorzystać obiektywne dane, które można zebrać z surowego sygnału EEG i analizy qEEG.

Pojawiają się inne narzędzia do pomiaru i analizy, które mogą poprawić pomyślne przewidywanie korzystnego wyniku, pomagając w wyborze konkretnych protokołów neurofeedbacku. Na przykład magnetoencefalografia (MEG) zapewnia dodatkowe informacje o źródłach aktywności mózgu. Można opracować bazy danych EEG, aby konkretnie uwzględniać przewidywanie wyników w neurofeedbacku. Integracja oceny neurokognitywnej pozwoli lepiej zrozumieć psychologiczne korelacje wzorców fenotypowych i powinna umożliwić dokładniejsze przewidywanie wyniku terapeutycznego przy użyciu metod neurofeedbacku.

Poniżej przedstawiono studium przypadku wykazujące użyteczność wykorzystania informacji z surowego sygnału EEG, wyników raportu qEEG oraz informacji zebranych w wywiadzie klinicznym.

Studium przypadku

14-letni mężczyzna ma wiele dolegliwości, które nie zostały rozwiązane w leczeniu przez dwóch oddzielnych psychiatrów i psychologa klinicznego. Rodzice zaczęli szukać leczenia, gdy jego ogólny niepokój nasilił się w 6 klasie. Często był tak niespokojny, że czołgał się pod biurkiem nauczyciela lub na nim. Doświadczył również silnego lęku przed separacją, jeśli jego matka opuściła pokój na dłużej niż 5 minut i wielokrotnie pytał, gdzie ona jest, i nalegał, że musi ją znaleźć. Nie był w stanie zasnąć, chyba że jego matka usiadła przy jego łóżku, a mimo to zasypiał często dłużej niż 2 godziny. Trudno było obudzić się rano bez względu na to, jak długo pozwolono mu spać. Kilka razy w tygodniu chodził leniwie do innych części domu i często kładł się do łóżka, ale nie do własnego, aby spać przez resztę nocy. Był bardzo nadpobudliwy i nie był w stanie usiąść przy stole na posiłek ani siedzieć w klasie. Ciągle „bębnił” o wszystko, w tym o własne ręce i nogi. Nagrywanie jego pierwszego EEG było wyzwaniem. Okazał się osobą o wyjątkowo niskiej tolerancji na frustrację i słabej kontroli impulsów. Często atakował fizycznie swoją siostrę, a także miał agresywne fizycznie epizody w szkole. Z powodu nieprzewidzianych zachowań jego rodzina rzadko wiedziała, czego się od niego spodziewać i nie był w stanie nawiązać przyjaźni.

Odpowiedzi na leki były słabe i / lub niepożądane. Po podaniu leku Ativan z powodu niepokoju pacjent uderzył pięścią w szklaną szybę i potrzebował fizycznego ograniczenia, aby przetransportować go do szpitala na opiekę. Po użyciu Ambien i Lunesta do snu nastąpiło znaczne pobudzenie. Po małej dawce Remerona rodzice zauważyli niewielką poprawę, ponieważ „nieco go stłumiła”. Ale nie było poprawy w inicjowaniu snu ani parasomniach. Pacjent stosował małą dawkę Remeronu przez około 6 miesięcy. Z powodu negatywnej lub minimalnej reakcji na leki rodzice postanowili rozpocząć trening neurofeedbacku. Przed treningiem przeprowadzono pełną ocenę kliniczną i badanie EEG / qEEG.

Kontrola wzrokowa jego klinicznego EEG wykazała, że w lewym i prawym obszarze czołowym wystąpiły gwałtowne wrzeciona, które były widoczne zarówno bisynchronicznie, jak i ze zmienną bocznością. Wyniki analiz qEEG wykazały dwustronną nadmierną aktywność beta w regionach czołowych i związany z tym znaczący brak spójności międzykulowej beta, szczególnie w odprowadzeniach przedczołowych. Odkrycia te sugerują potrzebę zahamowania aktywności beta na obu półkulach, i szczególnie nie zwiększanie znacząco obniżonej międzypółkulowej koherencji beta. To podejście zostało już wcześniej opisane (Johnstone i Lunt, 2007). Opracowano protokoły neurofeedbacku, kładące nacisk na dwukanałowy trening sumowy, aby stłumić często występujące impulsy beta w przednich obszarach obu półkul.

Po około 60 sesjach treningowych wykorzystujących przednią supresję beta i dodatkowe protokoły modulujące aktywność środkowo-ciemieniową, powtórzono qEEG. EEG odczytano teraz jako mieszczące się w normalnych granicach, a topografy różnicowe porównujące dwa zapisy wskazują na znaczny spadek przedniej beta. Porównania z bazami danych wykazały, że nie było już istotnie podwyższonego przedniego odcinka beta ani istotnie zmniejszonego przedniego odcinka beta. Towarzyszyła temu wyraźna poprawa kliniczna udokumentowana przez rodziców i nauczycieli.

Wynik po neurofeedbacku pod kontrolą qEEG podsumowano poniżej:

 

Przed Po
Przewlekły uogólniony lęk Sporadyczne momenty niepokoju, które są odpowiednie do sytuacji
Lęk separacyjny Minął – teraz może spędzić kilka dni poza domem z przyjaciółmi lub rodziną
Przewlekła bezsenność Potrafi łatwo zasnąć bez nikogo przy nim
Zaburzenia snu (lunatykowanie) Już tego nie robi
Nadpobudliwość, „bębnienie” Aktywność fizyczna jest teraz celowa i mieści się w normalnych granicach, koniec z „bębnieniem”
Brak tolerancji na frustrację Teraz jest w stanie tolerować bardziej frustrujące okoliczności bez nadmiernej reakcji
Brak kontroli impulsu Teraz może się zatrzymać i rozważyć konsekwencje
Niemożność nawiązania przyjaźni Teraz ma kilku dobrych przyjaciół

 

            Nie można stwierdzić, że neurofeedback był jedynym powodem poprawy klinicznej, ale biorąc pod uwagę wcześniejsze wielokrotne badania z lekami i poradnictwem behawioralnym, jest jasne, że neurofeedback miał istotny wpływ na korzystny wynik kliniczny.

Użycie EEG do prowadzenia przeszczaszkowej symulacji magnetycznej

Puri i Lewis (1996) zasugerowali, że przezczaszkowa stymulacja magnetyczna (TMS) jest realnym i ważnym narzędziem diagnostyki i terapii zaburzeń psychiatrycznych. Następnie przezczaszkowa stymulacja magnetyczna była przedmiotem wielu setek badań naukowych w ciągu ostatnich dwóch dekad. Zwykle stosowane są dwa główne typy stymulacji: stymulacja niskoczęstotliwościowa (< 1 Hz, „TMS”) i stymulacja wysokoczęstotliwościowa (>0,5 Hz, „powtarzalny TMS” lub „rTMS”). Stymulacja wysokim polem o niskiej częstotliwości generalnie powoduje efekty hamujące, a stymulacja o wyższej częstotliwości wywołuje efekty pobudzające. TMS jest obecnie badany jako potencjalne leczenie wielu zaburzeń, w tym epilepsji, depresji, choroby afektywnej dwubiegunowej, schizofrenii, zespołu stresu pourazowego, zaburzeń obsesyjno-kompulsyjnych, lęku, udaru i przewlekłego bólu. Obecnie dostępne są liczne recenzje technologii i aplikacji (patrz George i Belmaker, 2006; Wassermann, Epstein i Ziemann, 2008).

Większość prac klinicznych była skierowana na leczenie depresji przy użyciu rTMS na lewej stronie grzbietowo-bocznej kory przedczołowej. W ostatniej recenzji Brunelin i in. (2007) stwierdzili „właściwości przeciwdepresyjne rTMS wydają się teraz oczywiste”. Rosenberg i in. (2002) badali rTMS na lewej korze czołowej u pacjentów z dużą depresją. Stymulację skupiono 5 cm przed miejscem optymalnej stymulacji ruchowej. Siedemdziesiąt pięć procent pacjentów miało znaczącą odpowiedź przeciwdepresyjną na rTMS, a 50% utrzymywało odpowiedź po 2 miesiącach obserwacji.

Ogólnie badania pokazują, że technika jest bezpieczna (Janicak i in., 2008). Lisanby i in. (2009) wykazali skuteczność przy użyciu codziennego rTMS w populacji 164 osób z poważną depresją, wykazując 22% zmniejszenie objawów w porównaniu do 9% z grupą kontrolną pozorowaną. Oczywiste jest, że chociaż rTMS może być klinicznie użyteczny, nie jest jeszcze optymalnym leczeniem i potrzebne są techniki w celu poprawy skuteczności, szczególnie w przypadku depresji opornej na leczenie. Jedną metodą zastosowaną w celu poprawy skuteczności było zindywidualizowane umieszczenie cewki stymulującej za pomocą strukturalnego MRI (Fitzgerald i in., 2009). Ci badacze donoszą o znacznie poprawionych skalach depresji po 4 tygodniach rTMS poprzez zastosowanie umieszczenia cewki na podstawie indywidualnego MRI w porównaniu ze standardowym umieszczeniem na podstawie odpowiedzi motorycznej.

Jin i in. (2006) zastosowali pomiar indywidualnej częstotliwości alfa w celu ustalenia częstości stymulacji w badaniu rTMS u schizofreników. 27 pacjentów z przeważnie negatywnymi objawami schizofrenii otrzymywało codzienne rTMS na korę środkową przez okres 2 tygodni. Autorzy udokumentowali, że rTMS oparty na zindywidualizowanej częstotliwości alfa („αTMS”) znacząco poprawił efekt terapeutyczny w porównaniu do niższej częstotliwości, wyższej częstotliwości i stymulacji pozorowanej. Ponadto poprawa terapeutyczna była silnie skorelowana ze zwiększoną aktywnością czołowej alfa.

Rezonansowa terapia Magno EEG (MERT) jest innowacyjną formą TMS opracowaną przez Jin (komunikacja osobista, 2010). Technika MERT wykorzystuje EEG do identyfikacji intensywności bodźca, częstotliwości, lokalizacji i czasu trwania potrzebnych do normalizacji aktywności EEG, szczególnie dominującej częstotliwości alfa. Większość protokołów rTMS wykorzystuje tę samą częstotliwość, lokalizację i czas trwania stymulacji u wszystkich pacjentów i nie uwzględnia wewnętrznej częstotliwości EEG. Dzięki MERT opracowywane jest indywidualne leczenie dla każdej osoby na podstawie analizy spoczynkowego EEG.

MERT został wykorzystany przede wszystkim do ukierunkowania dominującej aktywności EEG w tle. Wykazano, że ilość i częstotliwość aktywności EEG alfa, zwykle w zakresie 8–13 Hz, jest związana z ogólnym metabolizmem mózgu, a także ogólnie z funkcjami poznawczymi i różnymi rodzajami zaburzeń psychicznych. Badania są obecnie ukierunkowane na badanie depresji, lęków, schizofrenii i uzależnień. Oczywiście konieczne będą dalsze prace w celu określenia optymalnych częstotliwości i technik stymulacji dla różnych zaburzeń.

Zakończenie

            Coraz więcej literatury sugeruje, że wykorzystywanie informacji EEG do kierowania interwencjami klinicznymi za pomocą leków, neurofeedbacku i TMS, ma znaczącą wartość. Badania leków koncentrowały się głównie na zastosowaniach w depresji i schizofrenii. Dalsze prace powinny rozszerzyć to podejście na dodatkowe populacje kliniczne. Dalszy rozwój algorytmów predykcyjnych powinien kłaść nacisk na nowsze farmaceutyki i neutraceutyki, stosowane osobno i w połączeniu z innymi środkami tej samej lub różnych klas. Ponadto w badaniach, w których stosuje się kombinację środków, należy zastosować bardziej szczegółowe miary wyników wykraczające poza globalne skale poprawy klinicznej.

Badania neurofeedbacku przyniosłyby również korzyści z opracowania algorytmów predykcyjnych, które łączą analizę behawioralną, ocenę neurokognitywną i metody neurofizjologiczne. Oczekuje się, że określone konstelacje tych cech mogłyby zostać zidentyfikowane, aby bardziej obiektywnie ukierunkować rozwój udanych protokołów neurofeedbacku.

Prowadzone są liczne badania nad zastosowaniem przezczaszkowej stymulacji magnetycznej do problemów neurologii i psychiatrii. Podstawowe badania, które ułatwią nam zrozumienie przepływu prądu wewnątrzczaszkowego, mogą być pomocne w optymalizacji procedur rTMS. Dalsza indywidualizacja wskaźników stymulacji i miejsc stymulacji w oparciu o cechy EEG i ERP prawdopodobnie również zwiększy skuteczność kliniczną tych technik.

Opracowano na podstawie: Johnstone J., Lunt J. „Use of Quantitative EEG to Predict Therapeutic Outcome in Neuropsychiatric Disorders”.

Bibliografia:

Adler, L. E., Pachtman, E., Franks, R. D., Pecevich, M. C., Waldo, M., & Freedman, R. (1982). Neurophysiological evidence for a defect in neuronal mechanisms involved in sensory gating in schizophrenia. Biological Psychiatry, 17, 639-655.
Arns, M., Gunkelman, J., Breteler, M., & Spronk, D. (2008). EEG phenotypes predict treatment outcome to stimulants in children with ADHD. Journal of Integrative Neuroscience, 7, 421-438.
Boutros, N., Mirolo, H. A., & Struve, F. (2005). Normative data for the unquantified EEG: Examination of adequacy for neuropsychiatric research. Journal of Neuropsychiatry and Clinical Neuroscience, 17, 84-90.
Brockhaus Dumke, A., Mueller, R., Faigle, U., & Klosterkoetter, J. (2008). Sensory gating revisited: Relation between brain oscillations and auditory evoked potentials in schizo phrenia. Schizophrenia Research, 99, 238-249.
Brunelin, J., Poulet, E., Boeuve, C., Zeroug vial, H., d’Amato, T., & Saoud, M. (2007). Efficacy of repetitive transcranial magnetic stimulation (rTMS) in major depression: A review. L’Ence´phale (abstract in English), 33, 126-134.
Burgess, A., & Gruzelier, J. (1993). Individual reliability of amplitude distribution in topographic mapping of EEG. Electroencephalography and Clinical Neurophysiology, 86, 219223.
Coben, R. (2007). Connectivity guided neurofeedback for autistic spectrum disorder. Biofeedback, 35, 131-135.
Coben, R., & Padolsky, I. (2007). Assessment guided neurofeedback for autistic spectrum disorder. Journal of Neurotherapy, 11, 523.
Coburn, K. L., Lauterbach, E. C., Boutros, N. N, Black, K. J., Arciniegas, D. B., & Coffet, C. E. (2006). The value of quantitative electroencephalography in clinical psy chiatry: Committee on research of the American Neuropsychiatric Association. Journal of Neuropsychiatry and Clinical Neuroscience, 18, 460-500.
DeBattista, C., Kinrys, G., & Hoffman, D. (2009). Referenced EEGs (rEEGs) efficacy compared to STARD for patients with depression treatment failure. Presented at US Psychiatric and Mental Health Congress, 2009.
Fein, G., Galin, D., Johnstone, J., Yingling, C. D., Marcus, M., & Kiersch, M. (1983). EEG power spectra in normal and dyslexic children: I. Reliability during passive con ditions. Electroencephalography and Clinical Neurophysiology, 55, 399-405.
Fein, G., Galin, D., Yingling, C. D., Johnstone, J., & Nelson, M. A. (1984). EEG spectra in 9 13 year old boys are stable over 1 3 years. Electroencephalography and Clinical Neurophysiology, 58, 517-518.
Fernandez, T., Harmony, T., Rodriguez, M., Reyes, A., Marosi, E., & Bernal, J. (1993). Testretest reliability of EEG spectral parameters during cognitive tasks: I. Absolute and relative power. International Journal of Neuroscience, 68, 255-261.
Fitzgerald, P. B., Hoy, K., McQueen, S., Maller, J. J., Herring, S., Segrave, R., et al. (2009). A randomized trial of rTMS targeted with MRI based neuro navigation in treatment resistant depression. Neuropsychopharmacology, 34, 1255-1262.
Freedman, R., Adler, L., Waldo, M., Pachtman, E., & Franks, R. (1983). Neurophysiological evidence for a defect in inhibitory pathways in schizophrenia: A comparison of medicated and drug free patients. Biological Psychiatry, 18, 989-1005.
Gasser, T., Bacher, P., & Steinberg, H. (1985). Testretest reliability of spectral parameters of the EEG. Electroencephalography and Clinical Neurophysiology, 60, 312-319.
George, M. S., & Belmaker, R. H. (Eds.), (2006). Transcranial magnetic stimulation in clinical psychiatry. Arlington, VA: American Psychiatric Publishing.
Gerber, P. A., Chapman, K. E., Chung, S. S., Drees, C., Maganti, R. K., Ng, Y., et al. (2008). Interobserver agreement in the interpretation of EEG patterns in critically ill adults. Journal of Clinical Neurophysiology, 25, 241-249.
Harmony, T., Fernandez, T., Rodriguez, M., Reyes, A., Marosi, E., & Bernal, J. (1993). Testretest reliability of spectral parameters during cognitive tasks: II. Coherence. International Journal of Neuroscience, 68, 263-271.
Hughes, J. R., & John, E. R. (1999). Conventional and quantitative electroencephalogra phy in psychiatry. Journal of Neuropsychiatry and Clinical Neurosciences, 11, 190-208.
Janicak, P. G., O’Reardon, J. P., Sampson, S. M., Husain, M. M., Lisanby, S. H., Rado, J. T., et al. (2008). Transcranial magnetic stimulation (TMS) in the treatment of major depression: A comprehensive summary of safety experience from acute exposure, extended exposure and during reintroduction treatment. Journal of Clinical Psychiatry, 69, 222-232.
Jarusiewicz, B. (2002). Efficacy of neurofeedback for children in the autistic spectrum: A pilot study. Journal of Neurotherapy, 6, 39-49.
Jin, Y., Potkin, S. G., Kemp, A. S., Huerta, S. T., Alva, G., Thai, T. M., et al. (2006). Therapeutic effects of individualized alpha frequency transcranial magnetic stimulation (αTMS) on the negative symptoms of schizophrenia. Schizophrenia Bulletin, 32, 556-561.
Johnstone, J. (2008). A three stage neuropsychological model of neurofeedback: Historical perspectives. Biofeedback, 36, 142-147.
Johnstone, J., & Gunkelman, J. (2003). Use of databases in qEEG evaluation. Journal of Neurotherapy, 7, 31-52.
Johnstone, J., Gunkelman, J., & Lunt, J. (2005). Clinical database development: Characterization of EEG phenotypes. Clinical Electroencephalography and Neuroscience, 36, 99-107.
Johnstone, J., & Lunt, J. (2007). NF sum training for patterns with shifting laterality. Oral presentation, International Society for Research and Neurofeedback Annual Meeting, San Diego, CA, September 7, 2007.
Juckel, G., Molnar, M., Hegert, U., Csepe, V., & Karmos, G. (1997). Auditory evoked potentials as indicator of brain serotonergic activity: First evidence in behaving cats. Biological Psychiatry, 41, 1181-1195.
Juckel, G., Pogarell, O., Augustin, H., Mulert, C., & Muller Siecheneder, F. (2007). Differential prediction of first clinical response to serotongergic and norandrener gic antidepressants using the loudness dependence of auditory evoked potentials in patients with major depressive disorder. Journal of Clinical Psychiatry, 68, 1206-1212.
Juckel, G., Schumacher, C., Giegling, I., Assion, H J., Mavrogiorgou, P., Pogarell, O., et al. (2010). Serotonergic functioning as measured by the loudness dependence of auditory evoked potentials is related to a haplotype in the brain derived neurotrophic factor (BDNF) gene. Journal of Psychiatric Research, 44, 541-546.
Klimesch, W., Sauseng, P., Hanslmayr, S., Gruber, W., & Freunberger, R. (2007). Event related phase reorganization may explain evoked neural dynamics. Neuroscience and Behavioral Reviews, 31, 1003-1016.
Leocani, L., & Comi, G. (1999). EEG coherence in pathological conditions. Journal of Clinical Neurophysiology, 16, 548-555.
Leuchter, A. F., Cook, I., Hunter, A., & Korb, A. (2009). Use of clinical electrophysiology for the selection of medication in the treatment of major depressive disorder: The state of the evidence. Clinical Electroencephalography and Neuroscience, 49, 78-83.
Leuchter, A. F., Cook, I., Marangell, L. B., Gilmer, W. S., Burgoyne, K. S., Howland, R. H., et al. (2009a). Comparative effectiveness of biomarkers and clinical indicators for predict ing outcomes of SSRI treatment in Major Depressive Disorder: Results of the BRITE MD study. Psychiatry Research, 169, 124-131.
Leuchter, A. F., Cook, I., Gilmer, W. S., Marangell, L. B., Burgoyne, K. S., Howland, R. H., et al. (2009b). Effectiveness of a quantitative electroencephalographic biomarker for predicting differential response or remission with escitalopram and bupropion in major depressive disorder. Psychiatry Research, 169, 132-138.
Lisanby, S. H., Husain, M. M., Rosenquist, P. B., Maixner, D., Gutierrez, R., Krystal, A., et al. (2009). Daily left prefrontal repetitive transcranial magnetic stimulation (rTMS) in the acute treatment of major depression: Clinical predictors of outcome in a multi site, randomized controlled clinical trial. Neuropsychopharmacology, 34, 522-534.
Lubar, J. (1985). EEG biofeedback and learning disabilities. Theory into Practice, 26, 106111.
Lund, T. R., Sponheim, S. R., Iacono, W. G., & Clementz, B. A. (1995). Internal consis tency reliability of resting EEG power spectra in schizophrenic and normal subjects. Psychophysiology, 32, 66-71.
Niedermeyer, E., & Lopes da Silva, F. (Eds.), (2004). Electroencephalography: Basic principles, clinical applications, and related fields (5th ed.). Philadelphia: Lippincott Williams & Wilkins. Nuwer, M. (1997). Assessment of digital EEG, quantitative EEG, and EEG brain mapping: Report of the American Academy of Neurology and the American Clinical Neurophysiology Society. Neurology, 49, 277-292.
Mulert, C., Juckel, G., Brunnmeier, M., Karch, S., Leicht, G., Mergi, R., et al. (2007). Rostral anterior cingulate cortex activity in the theta band predicts response to anti depressant medication. Clinical Electroencephalography and Neuroscience, 38, 78-81.
Olincy, A., Harris, J. G., Johnson, L. L., Pender, V., Kongs, S., Allensworth, D., et al. (2006). Proof of concept trial of an α7 nicotinic agonist in schizophrenia. Archives of General Psychiatry, 63, 630-638.
Patterson, J. V., Hetrick, W. P., Boutros, N. N., Jin, Y., Sandman, C., Stern, H., et al. (2008). P50 Sensory gating ratios in schizophrenics and controls: A review and data analysis. Psychiatry Research, 158, 226-247.
Piccinelli, P., Viri, M., Zucca, C., Borgatti, R., Romeo, A., Giordano, L., et al. (2005). Inter rater reliability of the EEG reading in patients with childhood idiopathic epi lepsy. Epilepsy Research, 66, 195-198.
Puri, B. K., & Lewis, S. W. (1996). Transcranial magnetic stimulation in psychiatric research. British Journal of Psychiatry, 169, 675-677.
Rosenberg, P. B., Mehndiratta, R. B., Mehndiratta, Y. P., Wamer, A., Rosse, R. B., & Balish, M. (2002). Repetitive transcranial magnetic stimulation treatment of comorbid posttraumatic stress disorder and major depression. Journal of Neuropsychiatry and Clinical Neurosciences, 14, 270-276.
Rosburg, T., Trautner, P., Fell, J., Moxon, K. A., Elger, C. E., & Boutros, N. N. (2009). Sensory gating in intracranial recording: The role of phase locking. NeuroImage, 44, 1041-1049.
Rush, A. J., Trivedi, M. H., Wisniewski, S. R., Nierenberg, A. A., Stewart, J. W., Warden, D., et al. (2006). Acute and longer term outcomes in depressed outpatients requiring one or several treatment steps: A STARD report. American Journal of Psychiatry, 163, 1905-1917.
Saletu, B., Anderer, P., & Saletu Zyhlarz, G. M. (2006). EEG topography and tomography (LORETA) in the classification and evaluation of the pharmacodynamics of psycho tropic drugs. Clinical Electroencephalography and Neuroscience, 37, 66-80.

Salinsky, M. C., Oken, B. S., & Morehead, L. (1991). Testretest reliability in EEG fre quency analysis. Electroencephalography and Clinical Neurophysiology, 79, 382-392.
Spencer, S. S., Williamson, P. D., Bridgers, S. L., Mattson, R. H., Cicchetti, D. V., & Spencer, D. D. (1985). Reliability and accuracy of localization by scalp ictal EEG. Neurology, 35, 1567-1575.
Sterman, M. B. (2000). Basic concepts and clinical findings in the treatment of seizure dis orders with EEG operant conditioning. Clinical Electroencephalography, 31, 45-55.
Sterman, M. B., & Friar, L. (1972). Suppression of seizures in epileptics following sensori motor EEG feedback training. Electroencephalography and Clinical Neurophysiology, 33, 89-95.
Struve, F. A. (1985). Clinical electroencephalography as an assessment method in psychiat ric patients. In R. C. Hall, & T. P. Beresford (Eds.), Handbook of psychiatric diagnostic procedures (Vol. 2, pp. 148). New York: Spectrum Publications. Suffin, S. C., & Emory, W. H. (1995). Neurometric subgroups in attentional and affective disor ders and their association with pharmacotherapeutic outcome. Clinical Electroencephalography, 26, 76-83.
Suffin, S. C., Gutierrez, N. M., Karan, S., Aurora, G., Emory, W. H., & Kling, A. (2007). A QEEG database method for predicting pharmacotherapeutic outcome in refractory major depressive disorders. Journal of American Physicians and Surgeons, 12, 104-108.
Tansey, M. A. (1984). EEG sensorimotor rhythm biofeedback training: Some effects on the neurological precursors of learning disabilities. International Journal of Psychophysiology, 3, 85-99.
Thatcher, R. W. (2010). Validity and reliability of quantitative electroencephalography. Journal of Neurotherapy, 14, 122-152.
Thatcher, R. W., Biver, C., & North, D. (2003). Quantitative EEG and the Frye and Daubert standards of admissibility. Clinical Electroencephalography, 34, 39-53.
Thatcher, R. W., & Lubar, J. F. (2009). History of the scientific standards of qEEG norma tive databases. In T. H. Budzynski, H. K. Budzynski, J. R. Evans, & A. Abarbanel (Eds.), Introduction to quantitative EEG and neurofeedback (2nd ed., pp. 29-62). New York: Academic Press.
Wassermann, E., Epstein, C., & Ziemann, U. (Eds.), (2008). Oxford handbook of transcranial stimulation. New York: Oxford University Press.
Williams, G. W., Luders, H. O., Brickner, A., Goormastic, M., & Klass, D. W. (1985). Interobserver variability in EEG interpretation. Neurology, 35, 1714-1719.
Williams, G. W., Lesser, R. P., Silvers, J. B., Brickner, A., Goormastic, M., Fatica, K. J., et al. (1990). Clinical diagnoses and EEG interpretation. Cleveland Clinic Journal of Medicine, 57, 437-440.

To może Ciebie zainteresować