8 februari 2021 – Een nieuwe onderzoek onder leiding van een onderzoeker van de Universiteit van Buffalo heeft vastgesteld hoe specifieke communicatie tussen verschillende hersenregio’s, bekend als hersenconnectiviteit, kan dienen als een biomarker voor Attention Deficit Hyperactivity Disorder (ADHD). Het onderzoek was gebaseerd op een diepgaande architectuur met behulp van classificatoren voor machine-learning om met 99% nauwkeurigheid die volwassenen te identificeren die vele jaren eerder de diagnose ADHD hadden gekregen.
“Dit suggereert dat hersenconnectiviteit een stabiele biomarker is voor ADHD, in ieder geval tot in de kindertijd, zelfs wanneer het gedrag van een individu meer typerend was geworden, misschien door verschillende strategieën aan te passen die de onderliggende stoornis verdoezelen”, aldus Chris McNorgan, een assistent-professor in de psychologie in het UB College of Arts and Sciences, en de hoofdauteur van het onderzoek.
De bevindingen, gepubliceerd in het tijdschrift Frontiers in Physiology, hebben niet alleen implicaties voor het detecteren van ADHD, een veel voorkomende maar diagnostisch lastige aandoening die moeilijk te identificeren is, maar kunnen clinici ook helpen bij het bepalen van behandelingen. “Omdat bepaalde geneesmiddelen via bepaalde routes reageren, kan het begrijpen van de verschillende soorten ADHD helpen bij het nemen van beslissingen over de ene medicatie of de andere”, zegt McNorgan, een expert in neuroimaging en computermodellering. ADHD is de meest algemeen gediagnosticeerde psychische stoornis bij schoolgaande kinderen, maar meerdere subtypes bemoeilijken een klinische definitie van ADHD. Een klinische diagnose van ADHD bij een patiënt kan veranderen wanneer diezelfde patiënt terugkeert voor een volgende afspraak.”Een patiënt kan de ene dag gedragssymptomen vertonen die consistent zijn met ADHD, maar zelfs dagen later vertonen ze die symptomen misschien niet of in dezelfde mate”, zei McNorgan. “Het kan gewoon het verschil zijn tussen een goede dag en een slechte dag. “Maar de signatuur van ADHD in de hersenconnectiviteit lijkt stabieler te zijn. We zien de diagnostische wisselingen niet. ”
Het multidisciplinaire onderzoeksteam van UB-onderzoeksvrijwilligers Cary Judson van de afdeling Psychologie en Dakota Handzlik van de afdeling Computerwetenschappen en Engineering, en John G. Holden, een universitair hoofddocent psychologie aan de Universiteit van Cincinnati, gebruikten archief fMRI-gegevens van 80 volwassen deelnemers die als kinderen de diagnose ADHD hadden gekregen. Classificaties voor machine learning werden vervolgens toegepast op vier momentopnames van activiteit tijdens een taak die was ontworpen om het vermogen van de proefpersoon om een automatische reactie om te remmen te testen. Bij de gerichte analyse van individuen was v 91% diagnostisch nauwkeurig, terwijl de collectieve analyse bijna 99% bedroeg. “Het is verreweg het hoogste nauwkeurigheidspercentage dat ik waar dan ook heb gezien bij een gedragsbeoordeling,” zei McNorgan.
Eerder onderzoek dat een verband suggereert tussen hersenconnectiviteit en ADHD, gebruikte directe lineaire classificatie. Dit onderzoek kijkt naar relaties tussen iets en wat dat iets voorspelt, zoals koffie en prestatie. Voor veel onderzoek is directe lineaire classificatie effectief, maar de relatie tussen koffie en prestatie, zoals gedragssymptomen en ADHD, is niet lineair. Een of twee kopjes koffie kunnen de prestaties verbeteren, maar op een gegeven moment kan de cafeïne de prestaties nadelig beïnvloeden. Volgens McNorgan bestaan er niet-lineaire relaties als je “te weinig of te veel van het goede” kunt hebben. Deep learning-netwerken zijn zeer geschikt voor het detecteren van voorwaardelijke relaties, die niet-lineair zijn. In het geval van de huidige studie werd ADHD voorspeld op basis van de communicatiepatronen tussen groepen hersengebieden, bijvoorbeeld A, B en C. Als regio’s A en B sterk verbonden waren, zou dat voorspellend kunnen zijn voor ADHD, maar niet als deze regio’s ook sterk verbonden waren met regio C. Dit soort relaties is problematisch voor de meest gebruikte technieken, maar niet voor deep-learning classifiers. Het model van McNorgan gaat verder door ook onderscheid te maken tussen personen met ADHD die typische of atypische prestaties leveren bij de Iowa Gambling Task (IGT). De IGT is een gedragsparadigma vergelijkbaar met een casinokaartspel dat zowel opties met een hoog als een laag risico biedt, en dat vaak wordt gebruikt om ADHD te bestuderen en te diagnosticeren.
Traditionele technieken kunnen niet meer dan één classificatie tegelijk maken. De aanpak van McNorgan koppelt op elegante wijze ADHD-diagnose aan prestaties op de IGT om een mogelijke brug te bieden die verklaart waarom beiden verband houden met de bedrading van de hersenen. Ook al maken mensen met ADHD de neiging om risicovollere keuzes te maken tijdens de IGT, het is geen universele determinant. Sommige mensen zonder ADHD maken ook riskantere keuzes dan anderen. “Deze benadering door beide dimensies te differentiëren, biedt een mechanisme om mensen met ADHD onder te verdelen op een manier die gerichte behandelingen mogelijk maakt”, aldus McNorgan. “We kunnen zien waar mensen zich op het continuüm bevinden.” Omdat verschillende hersennetwerken betrokken zijn bij mensen aan beide uiteinden van het continuüm, opent deze methode de deur voor het ontwikkelen van therapieën die zich richten op specifieke hersennetwerken, voegde hij eraan toe.
Bron: buffalo.edu
Dit bericht is 4384 keer gelezen.
