Agyhullámok és Mentális Zavarok: A Legkorábbi Jelek Feltárása
Nagy Ádám1, Gubics Flórián2, Dombi József1, Szabó Zoltán1, Viharos Zsolt János3,4, Anh Tuan Hoang3, Bilicki Vilmos1 és Szendi István1
1 Szegedi Tudományegyetem, Szoftverfejlesztési Tanszék
2 Szegedi Tudományegyetem, Orvosi Genetikai Intézet, Interdiszciplináris Doktori Képzés
3 HUN-REN Európa Kiválósági Központja az információ-technológia és az automatizálás területén (EPIC), MTA
4 Neumann János Egyetem - Pénzügyi és Gazdasági Kar
A szkizofrénia és bipoláris zavar olyan mentális betegségek, amelyek élettartam-prevalenciája a népesség körében 5-6%. Mindkét betegség súlyos negatív hatást gyakorol egyéni és társadalmi szinten. A tünetek változatossága és átfedése, valamint az elavult diagnosztikai módszerek miatt a diagnózis és a kezelés nehézkes, nem elég hatékony, és jelentős erőforrásokat igényel. Mindkét betegség az idegrendszeri fejlődést érinti, így a korai, még tünetmentes, úgynevezett “prodrómás” állapot felismerése felbecsülhetetlen jelentőséggel bírhat a korai kezelés megkezdése, vagy akár a prevenció szempontjából. Ezáltal a betegek életszínvonala hosszú távon megőrizhető, és állapotuk nem romlik folyamatosan.
Kutatásunk célja olyan biomarkerek azonosítása, amelyek segítségével még a súlyos tünetek megjelenése előtt felismerhető a veszélyeztetett populáció. A kutatás alanyai olyan egyetemisták, akik egészségesek, de szkizotípia vagy bipolaritás felmérő tesztek alapján a szórásban helyezkednek el, így tünetmentes, prodrómális kockázati csoportba sorolhatók. Ezek mellett a kontrollcsoportot olyan hallgatók alkotják, akik minden teszten negatív eredményt értek el.
A két kockázati és kontrollcsoport körében számos felmérést és adatgyűjtést végeztünk. Eddig aktigráfia és EEG jelek feldolgozásával foglalkoztunk, amelyekből biomarkereket generáltunk, majd innovatív módszertannal vizsgáltuk, melynek alapját tanuló algoritmusok képzik. A legjobb eredményeket EEG biomarkerek felhasználásával értük el: a bipoláris hajlamú csoportot 90%-os, míg a szkizotípia hajlamú csoportot 80%-os pontossággal sikerült elkülöníteni.
A tanuló algoritmusoknak olyan kihívásokkal kellett szembenézniük, mint a nagy dimenzionalitás és az alacsony mintaszám. Ezt úgy kezeltük, hogy bizonyos metrikák alapján potenciálisan optimális változókat csoportosítottunk, így csökkentve a dimenzionalitást. Az így kialakított csoportokat krosszvalidációval tanítottuk, számos modellt létrehozva. Az alacsony mintaszám torzító hatásainak további minimalizálása érdekében modellmagyarázó metrikákat, úgynevezett Shapley értékeket is számoltunk. Ezek betekintést engednek a modellek belső működésébe, megmutatva, mely biomarkerek milyen szerepet játszanak, akár egymáshoz viszonyítva is. Az eredmények teljesebb értelmezése érdekében aggregáltuk a jól teljesítő algoritmusok Shapley értékeit, csökkentve a véletlenszerű hatásokat és kiemelve az esetleges anomáliákat, ahol a biomarkerek egymásnak ellentmondó szerepeket tölthetnek be.
Az EEG adatok elemzésével mindkét hajlamcsoport esetén sikerült jól elkülöníthető, konzisztens frekvencia- és téreloszlású biomarkereket azonosítani, amelyek összhangban vannak a szakirodalomban leírt kóros agyi elváltozásokkal. Ezen felül a két hajlamcsoport elkülönítése során kiemelkedő, 92%-os pontosságot értünk el, ami még előrehaladott állapotú betegségek esetén is kihívást jelenthet. Korábbi elemzéseinkben az aktigráf adatokkal kevésbé pontos algoritmusokat kaptunk, és néha egymásnak ellentmondó biomarkereket is találtunk. Mind az EEG, mind az aktigráfia további, mélyebb elemzése szükséges, hogy élesebb képet kapjunk a betegségekről és azok kialakulásáról. Ezenkívül a populációtól származó további adatformákat is elemezzük, mint például a szemmozgás-felvételek, szelfágencia, és biokémiai adatok.
