JAD|新乡医学院于毅/赵宗亚团队基于EEG微状态预测rTMS对抑郁症的治疗反应

据世界卫生组织（WHO）统计，重度抑郁症（MDD）影响着全球近二十分之一的人，使其成为导致残疾的主要原因之一。MDD不仅对患者的生活质量造成严重影响，也给家庭和社会带来沉重的经济负担。因此，对MDD患者的有效治疗具有重要的临床和社会意义。近年来，重复经颅磁刺激（rTMS）作为一种新兴的治疗手段，为MDD患者提供了一种新颖的治疗选择。但在临床应用中观察到MDD患者对rTMS治疗的反应存在差异。一些患者经过rTMS治疗后症状得到显著改善，而另一些患者则效果不明显。因此，探索对rTMS治疗有反应和无反应患者基线时的神经影像学特征差异对于MDD的rTMS治疗具有重要的临床指导意义。

近日，新乡医学院于毅/赵宗亚课题组在Journal of Affective Disorders上发表了题为“ Common and differential EEG microstate of major depressive disorder patients with and without response to rTMS treatment ”的研究性论文。该研究揭示了对rTMS有反应的MDD患者、无反应的MDD患者和健康对照组之间的基线脑电微状态有显著差异。基线脑电图中的微状态D和E可以作为预测MDD患者经TMS治疗结果的潜在生物标志物。这些发现可能有助于识别对rTMS有反应的患者，优化治疗计划和减少治疗选择中的试错方法。

方法

该研究共纳入117例MDD患者，分为两组：对rTMS治疗有反应74例（Responder），对rTMS治疗无反应43例（NonResponder）。另外，招募了47例健康人作为对照组（HC）。具体研究流程见下图1所示。

图1材料及使用方法的流程图

结果

Responder、NonResponder和HC组均表现出五种脑电图微状态地形图。比较三组间的全局解释方差（GEV），以评估微状态地形图对脑电图数据的解释能力。结果显示，三组间GEV差异均无统计学意义（P = 0.09, H = 4.808, η2=0.030）。

图2 HC、Responder 和NonResponder的五种脑电微状态地形图（微状态A-E)

为了定量探究Responder、Nonresponder和HC三组之间的差异，我们提取了每个微状态的时间参数，包括持续时间（Duration）、出现频率（Occurrence）、覆盖率（Coverage）以及过渡概率（TP）（图3）。

对于Duration、Occurrence和Coverage，与HC相比，Responder和NonResponder的相同之处是：Responder和NonResponder都表现出微状态A的Occurrence显著增高。与HC相比，Responder和NonResponder的不同之处是：仅有Responder的微状态A的Coverage和D的Occurrence升高，B的Duration和E的Duration降低;仅有NonResponder的微状态D的duration显著降低，E的Occurrence升高。Responder和NonResponder主要是微状态D和微状态E存在差异，前者的微状态D的参数高于后者，而前者微状态E的参数低于后者。

对于TP，与HC相比，Responder和NonResponder的TP不同之处是：仅有Responder的A到B、C到B降低，A到D、D到A、C到A升高；仅有NonResponder的C到D降低、C到E升高。Responder和NonResponder的TP差异主要是：前者A到D、B到D、C到D、E到D高于后者，而前者B到E、E到B、A到E、C到E、D到E低于后者。这里发现一个普遍规律:与HC和Responder相比，NonResponder的向微状态D的TP显著较低，而向微状态E的TP显著较高。与HC和NonResponder相比，Responder的向微状态D的TP显著较高，而向微状态E的TP显著较低。

图3 HC、Responder和NonResponder的脑电微状态时间参数的比较

进行Spearman相关分析，以探讨Responder和NonResponder之间存在显著差异的脑电微状态参数与BDI减分率之间是否存在显著相关性（图4）。结果表明，微状态D的Duration、Occurrence和Coverage与BDI减分率呈显著正相关。对于TP，A到D与BDI减分率呈显著正相关，而A到E与BDI减分率呈显著负相关。B到D与BDI减分率呈显著正相关，C到D与BDI减分率呈显著正相关，C到E与BDI减分率呈显著负相关。另外，E到D与BDI减分率呈显著正相关。

图4 BDI减分率与脑电微状态参数的相关性

最后，该研究采用四种不同的机器学习模型，研究基线脑电微状态参数对rTMS治疗反应的预测能力。结果发现采用AdaBoost机器学习模型获得了良好的分类性能（分类准确率为97.35%）。

结论

该研究确定了Responder和NonResponder的共同和独特的脑电微状态特征。基线脑电微状态，特别是D和E，可以作为预测rTMS治疗MDD患者疗效的潜在生物标志物。研究结果将有助于识别可能对rTMS有反应的MDD患者，优化治疗计划，减少治疗选择中的试验和错误，并最终改善患者的预后。

文章链接:

https://www.sciencedirect.com/science/article/abs/pii/S0165032724015179

该论文以新乡医学院医学工程学院/数理医学院为第一作者单位。赵宗亚副教授为该论文的第一作者兼通讯作者，于毅教授为论文的通讯作者，研究生冉湘莹为论文共同第一作者。据悉，Journal of Affective Disorders为国际精神医学领域著名期刊，中科院最新分区为医学/精神病学2区，属于医学/精神病学TOP期刊，最新影响因子为4.9分，五年平均影响因子为5.4分。