به گزارش پایگاه اطلاع رسانی بنیان، عملکردهای شناختی، شامل پردازش افکار، حافظه و توجه است. نقص در یک یا تمام فعالیت‌های گفته شده ممکن است تغییرات رفتاری ایجاد کند که عموماً با عنوان اختلالات شناختی شناخته شده است. رایج‌ترین اختلالات شناختی بیماری آلزایمر و بیماری پارکینسون هستند. این بیماری‌ها علاوه بر تخریب شناختی رفتاری (حافظه، یادگیری و توجه) با ناتوانی حرکت، یک علامت شایع اختلال شناختی همراه هستند. در یک مطالعه منتشر شده در نشریه Nature Mental Health، گروهی از محققان ارزیابی کردند که آیا یک مدل عصبی زیست‌شناختی از اتصال موثر شبکه حالت پیش‌فرض (DMN) می‌تواند تشخیص زوال عقل آینده را در سطح فردی پیش‌بینی کند.

پیش زمینه

علاقه قابل توجهی به کاهش بار فزاینده زوال عقل وجود دارد که بیماری آلزایمر (AD) به عنوان علت اصلی آن است. تشخیص زودهنگام تغییرات عصبی می‌تواند راهبردهای پیشگیری شخصی را فعال کند. تصویربرداری رزونانس مغناطیسی عملکردی در حالت استراحت (rs-fMRI) اتصال مغز را ترسیم می‌کند و الگوهای تغییر یافته را در AD نشان می‌دهد، اما روش‌های سنتی برای پیش‌بینی خطر فردی دقت کافی ندارند. تجزیه و تحلیل ارتباط موثر، مدل سازی تعاملات علی مغز، تشخیص بهتری را ارائه می‌دهد. الگوهای عدم اتصال اولیه DMN با عوامل خطر ژنتیکی برای AD و انزوای اجتماعی مرتبط است و پتانسیل آن‌ها را به عنوان نشانگرهای زیستی پیش بالینی نشان می‌دهد. تحقیقات بیشتری برای تایید تحلیل ارتباط موثر برای تشخیص زودهنگام زوال عقل و اصلاح استراتژی‌های پیشگیری مورد نیاز است.

در مورد مطالعه

با کنترل عوامل مخدوش کننده مانند سن، جنس، قومیت و حرکت سر، مطالعه حاضر از داده‌های بانک زیستی انگلستان (UKB) استفاده کرد. یک نمونه اولیه از 148 مورد زوال عقل، با ده کنترل همسان برای هر مورد شناسایی شد. پس از پیش پردازش، نمونه نهایی شامل 103 مورد و 1030 کنترل بود که 81 مورد در زمان جمع‌آوری داده‌های MRI تشخیص داده نشده بود. داده‌های MRI با استفاده از اسکنرهای Siemens Skyra 3 T، با تمرکز بر داده‌های T1-weighted و rs-fMRI به دست آمد. پیش پردازش شامل بخش بندی و عادی سازی تصاویر و تخمین حرکت سر بود. اتصال مؤثر با استفاده از مدل‌سازی علی پویا طیفی (DCM)، برازش یک مدل کاملاً متصل برای هر شرکت‌کننده و با استفاده از مدل‌سازی تجربی پارامتری بیز برای تفاوت‌های سطح گروه برآورد شد. یک مدل رگرسیون لجستیک منظم با شبکه الاستیک، با اعتبار سنجی متقاطع k برابر، برای طبقه‌بندی موارد زوال عقل بر اساس ویژگی‌های اتصال مؤثر استفاده شد. مدل‌های پیش‌آگهی زمان تا تشخیص را پیش‌بینی کردند. این مطالعه همچنین قدرت پیش‌بینی اتصال مؤثر را با ویژگی‌های MRI ساختاری مقایسه کرد و اتصال عملکردی و داده‌های شناختی را ارزیابی کرد. تجزیه و تحلیل بیشتر، ارتباط بین اتصال موثر DMN و عوامل خطر قابل اصلاح مانند فشار خون بالا، دیابت، و انزوای اجتماعی و همچنین امتیاز خطر چند ژنی AD را بررسی کرد. تایید اخلاقی و رضایت آگاهانه برای مطالعه اخذ شد.

نتایج مطالعه

پس از حذف تصویرهای بی کیفیت ناشی از حرکت بیش از حد سر در اسکنر، نمونه نهایی شامل 103 مورد زوال عقل (22 با زوال عقل شایع و 81 مورد که بعداً دچار زوال عقل شدند) و 1030 مورد کنترل مشابه بود. میانگین زمان تشخیص موارد حادثه 3.7 سال بود. میانگین سنی کل نمونه در زمان جمع‌آوری داده‌های MRI 70.4 سال بود و موارد و گروه‌های کنترل از نظر سن، جنس، قومیت، دست‌دستی و موقعیت جغرافیایی مرکز آزمایش با هم مطابقت داشتند. موارد بدتر از گروه شاهد در چهار آزمون شناختی عمل کردند که نشان دهنده کاهش احتمالی شناختی یا کاهش ذخیره شناختی است. سری‌های زمانی وابسته به سطح اکسیژن خون (BOLD) از ده ناحیه از پیش تعریف‌شده DMN، از جمله پیش‌کونوئوس، قشر جلوی پیشانی قدامی و پشتی، و قشر تمپورال میانی و جانبی استخراج شد. یک DCM کاملا متصل، اتصال مؤثر بین هر جفت منطقه مورد علاقه (ROI) را تخمین زد. کاهش و میانگین‌گیری مدل بیزی ساده‌ترین نقشه اتصال مؤثر را تخمین زد که تفاوت‌های سطح گروه بین موارد و گروه‌های کنترل را توضیح می‌دهد، سن، جنس و حرکت سر را کنترل می‌کند. پانزده پارامتر اتصال به طور قابل توجهی متفاوت بودند، با افزایش بازداری از قشر جلوی پیشانی شکمی (vmPFC) به تشکیل پاراهیپوکامپ چپ (lPHF) و قشر داخل جداری چپ (lIPC) به lPHF، و کاهش مهار از سمت راست (DFCMFrontal Formation) ). یک مدل رگرسیون لجستیک خالص الاستیک، آموزش‌دیده بر روی این پارامترها، تشخیص زوال عقل آینده را با ناحیه زیر منحنی (AUC) 0.824 پیش‌بینی کرد. تجزیه و تحلیل حساسیت با استفاده از مدل کامل 100 پارامتر، AUC کمی‌کاهش یافته 0.816 را به همراه داشت. اتصال موثر همچنین زمان تا تشخیص را پیش‌بینی می‌کرد. سی و هفت پارامتر اتصال با زمان تا تشخیص مرتبط بودند، از جمله سه تفاوت بزرگ. یک مدل رگرسیون خطی الاستیک خالص همبستگی مثبتی را بین زمان واقعی و پیش‌بینی‌شده تا زمان تشخیص نشان داد (Spearman's ρ = 0.53). تجزیه و تحلیل مقایسه ای با سایر نشانگرهای مبتنی بر MRI، از جمله داده‌های اتصال حجمی و عملکردی، نشان داد که پارامترهای اتصال موثر عملکرد تشخیصی برتری دارند. مدل‌های حجمی ارزش تشخیصی متوسط ​​(AUC 0.671) و پیش‌بینی در سطح شانس را به همراه داشتند. مدل‌های اتصال عملکردی در سطح شانس هم برای تشخیص و هم برای پیش آگهی انجام شد. داده‌های شناختی به تنهایی دارای عملکرد تشخیصی متوسط ​​(AUC 0.628) و پیش آگهی در سطح شانس بودند. تغییرات ارتباط موثر برای ارتباط با عوامل خطر زوال عقل مورد بررسی قرار گرفت. امتیاز خطر پلی ژنیک AD به شدت با شاخص اتصال موثر مرتبط است، که نشان می‌دهد این تغییرات منعکس کننده آسیب شناسی آلزایمر است. انزوای اجتماعی تنها عامل خطر قابل تغییر بود که به طور قابل توجهی با شاخص اتصال موثر مرتبط بود. تجزیه و تحلیل میانجی نشان داد که اتصال موثر DMN تا حدی رابطه بین خطر ژنتیکی و بروز زوال عقل و همچنین ارتباط بین انزوای اجتماعی و زوال عقل را واسطه می‌کند.

نتیجه گیری

این مطالعه نشان می‌دهد که یک مدل ارتباط موثر DMN که از نظر عصب‌بیولوژیکی آگاه است می‌تواند شروع زوال عقل را به دقت پیش‌بینی کند. این طبقه‌بندی بر اساس داده‌های اتصال حجمی و عملکردی و مدل‌های مبتنی بر MRI ساختاری گذشته بهتر عمل کرد. از نظر بالینی، rs-fMRI می‌تواند علائم اولیه زوال عقل را در شبکه عصبی شناسایی کند و به استفاده اولیه از داروهای اصلاح کننده بیماری کمک کند. اتصال موثر، پیشرفت زوال عقل و زمان تا تشخیص را بهتر از نشانگرهای زیستی سنتی پیش بینی می‌کند. این مطالعه همچنین تغییرات اتصال DMN را با خطر آلزایمر و انزوای اجتماعی مرتبط می‌کند و پتانسیل آن را به عنوان یک نشانگر زیستی تشخیص زودهنگام برجسته می‌کند.

پایان مطلب./