Новые ресурсы с открытым исходным кодом, которые помогут исследователям собирать и интерпретировать данные электроэнцефалографии (ЭЭГ) для измерения психического здоровья

Сегодня на Симпозиуме Sapien Labs мой коллега Влад Мискович представил идеи из Project Amber, раннего проекта в области психического здоровья в X. Небольшая команда Amber, состоящая из нейробиологов, инженеров по аппаратному и программному обеспечению, исследователей машинного обучения и экспертов по продуктам в области медицины, была разработка прототипов технологий для решения огромной и растущей проблемы плохого психического здоровья. После трех лет исследований мы недавно завершили нашу работу в X. Теперь мы делаем наши технологии и результаты исследований в свободном доступе в надежде, что психиатрическое сообщество сможет опираться на нашу работу.

Плохое психическое здоровье - огромная и растущая проблема во всем мире. По оценкам Всемирной организации здравоохранения в 2017 году, 322 миллиона человек во всем мире страдают от депрессии и 264 миллиона - от беспокойства. Пандемия COVID-19 вызывает широкий психологический стресс, от которого страдает еще больше людей.

Одна из проблем заключается в том, что действительно сложно оценить психическое здоровье как для людей, находящихся в бедственном положении, так и для медицинских работников, не являющихся экспертами в области психического здоровья. При наличии 1000 возможных комбинаций симптомов депрессия проявляется по-разному у разных людей. Сегодняшняя оценка психического здоровья в основном основана на том, чтобы задать людям ряд вопросов в беседе с врачом или с помощью опросов, таких как PHQ-9 или GAD-7, которые являются субъективными. Хотя важно зафиксировать субъективный опыт человека, живущего с проблемами психического здоровья, в этой области отсутствуют объективные меры, которые являются обычным явлением в других областях здоровья. Например, люди с диабетом и их врачи обычно измеряют уровень глюкозы в крови и используют эти данные для корректировки режима инсулина, диеты и физических упражнений, но нет эквивалента для депрессии или беспокойства.

Самоделка Эмбер: поиск биомаркера депрессии

Наше путешествие началось с вопроса: что, если бы мы могли сделать мозговые волны такими же легкими для измерения и интерпретации, как уровень глюкозы в крови, и использовать их в качестве объективного измерения депрессии? Наш подход заключался в том, чтобы объединить передовые методы машинного обучения с 96-летней технологией для измерения электрической активности мозга: электроэнцефалографией (ЭЭГ).

Нас вдохновили нейробиологические исследования, показавшие, что определенные модели электрической активности мозга соответствуют симптомам депрессии. Например, многие депрессивные люди обнаруживают, что вещи, которые когда-то приносили им удовольствие, перестают приносить им удовольствие; они не получают награды за положительный опыт. Разрабатывая определенные игровые задачи, которые люди выполняют, пока их мозговая активность измеряется с помощью ЭЭГ, ученые могут оценивать обработку в рамках системы вознаграждения мозга. Оказывается, что реакция мозга на победу в игре - потенциал, связанный с событием (ERP) - подавлен у людей, находящихся в депрессивном состоянии, по сравнению с теми, у кого нет.

Эта притупленная реакция мозга является надежным эффектом, который был продемонстрирован во многих исследованиях, которые мы воспроизвели в нашем собственном исследовании, проведенном в партнерстве с Грегом Хаджаком и его командой из Университета штата Флорида.

Однако эти исследования проводились в исследовательских лабораториях нейробиологии. Им требуется дорогостоящее специализированное оборудование и высококвалифицированные специалисты по ЭЭГ для сбора, обработки и интерпретации данных. Чтобы ЭЭГ вышла из лаборатории в реальный мир в качестве инструмента оценки психического здоровья в кабинете врача первичного звена, консультационном центре или психиатрической клинике, она должна стать более доступной и масштабной.

Наш проект в X фокусировался на трех областях:
1) Упрощение сбора данных ЭЭГ
2) Упрощение интерпретации данных ЭЭГ
3) Понимание того, как эта технология может быть применена в реальном мире

Остальная часть этого поста излагает нашу работу и идеи в каждой из этих областей.

Упрощение сбора данных ЭЭГ: система Amber EEG

Наша команда приступила к разработке простой в использовании, недорогой, портативной системы ЭЭГ исследовательского уровня .

Мы построили множество прототипов биоусилителей, гарнитур и датчиков и протестировали их в технико-экономических обоснованиях в X и в Университете штата Флорида.

В нашем последнем прототипе гарнитура надевается, как шапочка для плавания, и ее может надеть любой человек с минимальной подготовкой, на настройку уходит около трех минут. Он использует три сухих датчика, расположенных по средней линии в Fz, Cz, Pz, наиболее важных каналах для оценки ERP вознаграждения и когнитивной функции. Прилагаемый биоампер может поддерживать до 32 каналов, поэтому можно подключить стандартную гарнитуру с некоторыми модификациями. Систему Янтаря можно использовать для сбора данных ЭЭГ в состоянии покоя и связанных с событиями потенциалов с помощью нашего программного обеспечения, которое синхронизирует задачу с измерением ЭЭГ.

Упрощение интерпретации данных ЭЭГ: Применение методов машинного обучения к сигналу ЭЭГ

Наша команда также изучила, как новые подходы в машинном обучении могут быть применены к интерпретации данных ЭЭГ. Чтобы сделать данные ЭЭГ доступными для исследователей психического здоровья и клиницистов в более широком смысле, то есть за пределами лабораторий электрофизиологии и неврологических клиник, было бы полезно иметь автоматизированные способы шумоподавления сигналов в большом масштабе и определения релевантных аспектов сигнала ЭЭГ. Сотрудничая с командой DeepMind, мы адаптировали методы обучения репрезентации без учителя для решения этих проблем. Мы изложили наши выводы в документе, который будет представлен на конференции ICLR 2021 (ссылка на принятый документ добавлена ​​8 февраля 2021 года).

Во-первых, мы продемонстрировали, что подходы к репрезентативному обучению, такие как автоэнкодеры, могут быть использованы для эффективного шумоподавления сигналов ЭЭГ без участия человека-эксперта по ЭЭГ. Это важно для масштабной обработки данных ЭЭГ. Во-вторых, мы предлагаем доказательство того, что можно выделить интерпретируемые характеристики, относящиеся к психическому здоровью. Мы использовали эти характеристики, полученные от распутывания автоэнкодеров, для прогнозирования нескольких клинических признаков, таких как большое депрессивное расстройство и генерализованное тревожное расстройство, на основе клинического интервью, проведенного экспертом по психическому здоровью. В отличие от предыдущих исследований, мы смогли сделать это для отдельного участника (а не для группы), что важно для использования в клинических условиях. Эти методы были способны восстановить пригодные для использования представления сигналов из одиночных испытаний ЭЭГ. Это означает, что можно получить клинически полезную информацию из электрофизиологии мозга с гораздо меньшим количеством выборок данных, чем то, что традиционно используется в исследовательских лабораториях, которые часто полагаются на сотни экспериментальных исследований.

Понимание того, как эту технологию можно применить в реальном мире: выводы из исследований пользователей

За время работы над проектом мы провели более 250 интервью с потенциальными пользователями этой технологии. Мы поговорили с людьми, имеющими жизненный опыт проблем с психическим здоровьем, и с клиницистами всех категорий, включая консультантов, терапевтов, психиатров, клинических психологов, социальных работников, практикующих врачей первичного звена и педиатров. Мы проверили, как предложение Эмбер о введении нового, более объективного метода измерения депрессии и тревоги находит отклик у них, как они могут использовать его в своей повседневной жизни и профессиональной практике и какие проблемы могут возникнуть при внедрении такого радикального нового подхода.

Вот три ключевых вывода из нашего исследования пользователей:

  1. Измерение психического здоровья остается нерешенной проблемой. Несмотря на наличие множества обследований и шкал психического здоровья, они не получили широкого распространения, особенно в учреждениях первичной медико-санитарной помощи и консультирования. Причины варьируются от бремени (У меня нет на это времени) до скептицизма (Использование шкалы не лучше, чем использование моего клинического суждения) до отсутствия доверия (Я не думаю, что мой клиент заполняет это честно и Я не хочу так много рассказывать своему консультанту ). Эти результаты согласуются с литературой по охране психического здоровья, основанной на измерениях. Любой новый инструмент измерения должен преодолеть эти барьеры, создавая очевидную ценность как для человека с жизненным опытом, так и для клинициста.
  2. Есть ценность в сочетании субъективных и объективных данных. Люди с жизненным опытом и врачи приветствовали введение объективных показателей, но не в качестве замены субъективной оценки и выяснения у людей их опыта и чувств. Сочетание субъективных и объективных показателей было сочтено особенно действенным. Объективные метрики могут подтвердить субъективный опыт; или если они расходятся, это само по себе является интересным открытием, которое обеспечивает отправную точку для разговора.
  3. Есть несколько вариантов использования новых технологий измерения. Наша первоначальная гипотеза заключалась в том, что клиницисты могут использовать тест мозговых волн в качестве диагностического средства. Однако эта концепция получила теплый прием. Эксперты в области психического здоровья, такие как психиатры и клинические психологи, были уверены в своей способности ставить диагноз с помощью клинического собеседования. Врачи первичной медико-санитарной помощи считали, что ЭЭГ-тест может быть полезен, но только в том случае, если его проводит фельдшер до консультации с пациентом, как и тест артериального давления. Консультанты и социальные работники не занимаются диагностикой в ​​своей практике, поэтому для них это не имело значения. Некоторым людям с жизненным опытом не нравилась идея о том, что машина заклеймит их депрессивными. Напротив, наблюдался особенно сильный интерес к использованию технологий в качестве инструмента для постоянного мониторинга - фиксации изменений в состоянии психического здоровья с течением времени - чтобы узнать, что происходит между посещениями. Многие клиницисты спрашивали, могут ли они отправить систему ЭЭГ домой, чтобы их пациенты и клиенты могли повторить тест самостоятельно. Их также очень интересовали потенциальные прогностические качества ЭЭГ, например прогнозирование того, кто, скорее всего, впадет в депрессию в будущем. Необходимы дополнительные исследования, чтобы определить, как такой инструмент, как ЭЭГ, лучше всего использовать в клинических условиях и при консультировании, в том числе как его можно комбинировать с другими измерительными технологиями, такими как цифровое фенотипирование.

Большая часть наших исследований проводилась в США и Великобритании в партнерстве с лондонской некоммерческой организацией Shift. Этот отчет Shift подробно описывает исследование и результаты. (Отчет добавлен 15 декабря 2020 г.)

Открытие Эмбер миру

Нам не удалось найти единого биомаркера депрессии и тревоги. Маловероятно, что он существует, учитывая сложность психического здоровья. Тем не менее, нет никаких сомнений в том, что перед технологиями открываются огромные возможности для улучшения измерений.

Это позволит людям и их медицинским работникам лучше согласовывать варианты вмешательства с потребностями человека, измерять влияние этих вмешательств и, в конечном итоге, способствовать лучшему психическому здоровью. Хотя перспективы новых методов измерения, таких как ЭЭГ / ERP и цифровое фенотипирование, очень впечатляют, это еще не все. На пути к тому, чтобы измерения психического здоровья с помощью технологий работали в реальном мире, есть много подводных камней, и необходимо провести дополнительные исследования.

По этой причине мы решили сделать технологии и идеи Amber доступными для глобального сообщества специалистов по охране психического здоровья. Мы верим, что сможем быстрее и сильнее повлиять на эту огромную проблему, если будем свободно делиться своей работой.

Сегодня мы открываем исходный код наших аппаратных решений, визуализатора и программного обеспечения для создания прототипа ЭЭГ-системы Amber и размещаем код на Github. Мы также обязуемся бесплатно использовать наши патенты и приложения, перечисленные в этом патентном залоге. Мы делаем эти ресурсы доступными, чтобы исследователи психического здоровья имели все спецификации, код и разрешения, которые потребуются им для восстановления нашей системы ЭЭГ или разработки своей собственной на ее основе. Кроме того, мы пожертвовали 50 собранных прототипов устройств Amber компании Sapien Labs для использования исследователями всего мира в рамках их Проекта разнообразия человеческого мозга, который поддерживает исследования ЭЭГ во всем мире с упором на страны с низким уровнем дохода и недостаточно представленные группы.

Мы надеемся, что открытый исходный код нашей системы ЭЭГ и публикация наших методов машинного обучения будут полезны не только для экспертов по ЭЭГ, но и для более широкого сообщества исследователей психического здоровья, которых раньше, возможно, отталкивали сложность и стоимость работы с ЭЭГ. Решение сегодняшних проблем потребует новых партнерских отношений между учеными, клиницистами, технологами, политиками и людьми с жизненным опытом. Сейчас, более чем когда-либо, необходимы более разнообразные голоса, более широкое междисциплинарное сотрудничество и более открытый обмен знаниями, чтобы улучшить психическое здоровье для всех.

Чтобы узнать больше о технологиях Amber и исследованиях пользователей, перейдите по следующим ссылкам:

Обратите внимание: система Amber EEG является прототипом исследовательского устройства и не оценивалась Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США или каким-либо другим регулирующим органом для каких-либо целей, включая медицинские.

Этот блог был впервые опубликован 2 ноября 2002 г. и обновлен 15 декабря 2020 г. со ссылкой на отчет об исследовании пользователей Shift, а 8 февраля 2021 г. - со ссылкой на документ ML, принятый ICLR.