Wissenschaft und künstliche Intelligenz könnten dazu beitragen, die Hirnstimulation für Raucher zu personalisieren

Wissenschaft und künstliche Intelligenz an der Medical University of South Carolina in einer Studie, die zu einer personalisierten sich wiederholenden transkraniellen magnetischen Stimulation oder RTMs für Raucher führen könnte, die aufhören möchten.

Wir möchten die Wirksamkeit und Spezifität von RTMs verbessern und Nebenwirkungen verringern. „

Xingbao Li, MD, Studienleiter

Er ist Associate Professor in der Abteilung für Psychiatrie und Verhaltenswissenschaften, die umfangreiche Untersuchungen zu TMS durchgeführt hat.

Sein Team veröffentlichte seine Ergebnisse in der Zeitschrift Brain Connectivity.

TMS verwendet elektromagnetische Impulse, um die Gehirnaktivität zu beeinflussen, und kann für seine Rolle bei der Behandlung von Depressionen und Zwangsstörungen bekannt sein. Nebenwirkungen sind Beschwerden an der Stimulationsstelle und Kopfschmerzen.

TMS wurde auch von der Food and Drug Administration für das Rauchen zugelassen. Musc Health war der erste Ort in South Carolina, der Rauchern TMS anbot. Untersuchungen haben gezeigt, dass mehrere RTM -Sitzungen, insbesondere über den linken dorsolateralen präfrontalen Kortex des Gehirns, das Verlangen und den Zigarettenkonsum schneiden können.

Die neue MUSC -Studie wird noch zielgerichteter und unter Verwendung einer Form von KI, die als maschinelles Lernen bezeichnet wird, um Bilder aus den neuronalen Netzwerken des Gehirns zu analysieren, um festzustellen, ob es möglich ist, vorherzusagen, welche Raucher wahrscheinlich von mehreren Sitzungen von RTMs profitieren, die auch als sich wiederholende TMS bezeichnet werden.

Zu diesem Zweck verwendeten die Forscher die funktionelle Magnetresonanztomographie (fMRI), um Änderungen des Blutflusses zu erkennen, um die Gehirnaktivität zu messen. Sie sahen sich neuronale Netzwerke an, als die Teilnehmer in einem Ruhezustand waren, entspannten sich mit geschlossenen Augen und als sie dem Rauchen von Fotos ausgesetzt waren.

Diese Analyse ergab, dass ein neuronales Netzwerk hervorging: das Salience -Netzwerk. Es filtert Informationen, um zu bestimmen, worauf sich herausstellt oder wichtig ist, um sich zu konzentrieren. In der Studie war die Konnektivität im Salience -Netzwerk der beste Prädiktor für die RTMS -Effektivität.

„Die Studie bietet uns eine Roadmap, um personalisierte RTMs zu erweitern und eine fMRI- und multimodale Biomarker -Pipeline zu erstellen. Die Methoden können auch für andere Substanzkonsumstörungen verwendet werden“, sagte Li.

„Historische Studien konzentrieren sich auf das Belohnungsnetzwerk in Zigarettenrauchern“, fuhr er fort und bezog sich auf die Teile des Gehirns, die an Motivation und Vergnügen beteiligt sind.

„Wir waren überrascht, dass das Salience -Netzwerk eine so entscheidende Rolle beim Rauchverhalten spielt. Dies macht das Salience -Netzwerk zu einer mechanistischen Brücke zwischen RTMS -Neuromodulation und erfolgreicher Raucherentwöhnung.“

Sie fanden diese Brücke mit Hilfe des maschinellen Lernens. Im maschinellen Lernen analysieren und lernen Computer aus Daten, ohne dafür programmiert zu werden. Sie verwenden Algorithmen, die statistische Muster erkennen und sich an sie anpassen können. Damit können die Forscher diesen Teil ihrer Arbeit automatisieren und die Genauigkeit verbessert.

In diesem Fall analysierte maschinelles Lernen Daten, die während einer früheren Musc -Studie zu TMS bei Rauchern gesammelt wurden.

So wurde diese frühere Studie eingerichtet. Die Forscher rekrutierten 42 Personen, die mit dem Rauchen aufhören wollten. Sie wurden in zwei Gruppen aufgeteilt. Eine Gruppe hat echte TMS. Der andere bekam Schein -TMS, die sich real anfühlten. Sie alle verbrachten eineinhalb Minuten, bevor jede TMS-Sitzung mit Dingen wie Zigaretten und Aschenbechern interagierte und dann während der TMS, Real oder Sham, Videos von Menschen, die rauchten. Es gab 10 Sitzungen pro Person über einen Zeitraum von zwei Wochen.

Am Ende fanden die Forscher die Teilnehmer, die die echten TMS „während der zweiwöchigen Behandlung deutlich weniger Zigaretten pro Tag geraucht haben“, mit größerer Wahrscheinlichkeit nach ihrem Zieldatum kündigten und hatten niedrigere Verlangen nach Tabak.

Li sagte, dank der fMRI -Scans, die ebenfalls Teil dieser Arbeit waren, konnte die neuere Studie auf seinen Ergebnissen aufbauen. „Verwenden Sie maschinelles Lernen, um das dysfunktionale Gehirnnetzwerk einer Person zu identifizieren und anschließend RTMs auf das dysfunktionale Netzwerk anzuwenden.

Die Studie wurde durch ein Zuschuss der National Institutes of Health unterstützt. Die Autoren meldeten keine Interessenkonflikte. Das Forschungsteam umfasst Kevin Caulfield, Ph.D.; Andrew Chen, Ph.D.; Christopher McMahan, Ph.D.; Karen Hartwell, MD; Kathleen Brady, MD, Ph.D.; und Mark George, MD

Li sagte, ihre relativ kleine Studie legt die Grundlage für größere Studien, um gezielte TMS für Raucher weiter zu untersuchen. „Dies zeigt, dass MUSC-Forscher neuartige und hochwirksame Technologien verwenden können, um die Stimulation der festen Ziele über die Präzisionsneuromodulation hinaus zu bewegen.“

Quellen: