Alai

Introduction

Intrakraniaalinen elektroenkefalografia (IEEG) ylittää monet päänahan elektroenkefalografian (EEG) ja magnetoenkefalografian (MEG) fyysiset rajat tallentamalla signaaleja suoraan aivokudoksesta. Tietojenkäsittelyn nopea kehitys viime vuosikymmeninä on lisännyt ohjelmisto- ja laitteistokapasiteettia, mikä mahdollistaa samanaikaisen tallentamisen sadoista kallonsisäisistä paikoista mikrosekunnin tarkkuudella. Nämä ajallisen ja spatiaalisen resoluution lisäykset ovat parantaneet diagnostista tarkkuutta kohtausten lokalisoinnissa (Andrews ym., 2019; Cuello Oderiz ym., 2019) ja johtaneet ihmisen kallonsisäisen neurofysiologian tutkimuksen kiihtymiseen (Chang, 2015; Parvizi ja Kastner, 2018).

Yhteydessä kehittyvien laskennallisten työkalujen ja massiivisten tietokokonaisuuksien analyysikapasiteettien kehittymiseen neurotieteellisten mahdollisuuksien ja potentiaalisten löydösten rikkaus on lupaava. Ihmisen kallonsisäisten tallenteiden signaalianalyysiin liittyy kuitenkin luontaisia sudenkuoppia, joita oletettavasti käsitellään mutta jotka tunnustetaan minimaalisesti monissa ihmispotilaiden neurofysiologisissa tutkimuksissa – nimittäin interiktaaliset epileptiformiset purkaukset (IED). IED:t ovat ohimeneviä aktiivisuuspurkauksia, joita tuottavat neuroniryhmät, jotka ovat patologisesti yhteydessä toisiinsa epilepsian vuoksi, ja jotka johtavat erillisiin ja näkyviin aaltomuotoihin IEEG-tallenteiden aikana (kuva 1A). Tässä näkökulmassa kiinnitetään huomiota IED-vaaroihin, mahdollisiin vaikutuksiin yleisiin analyysistrategioihin ja kuvataan yleisiä strategioita niiden välttämiseksi, jotta ihmisen neurofysiologian kasvava löytöaalto etenee toivottavasti ilman harha-askeleita.

IED-vaarojen luonne ihmisen IEEG-neurofysiologiassa

Näkemyksemme ydin on, että ihmisen kallonsisäisen neurofysiologian paradigma altistaa hyvää tarkoittavat tutkijat virheellisten tulosten riskeille, jotka johtuvat kahdesta päätekijästä:

(1) Elektrodit istutetaan ihmisen aivojen alueille, joiden katsotaan todennäköisesti paljastavan epilepsian neurofysiologisia merkkejä sekä ictal- että interictal-konteksteissa – jotka ovat usein teräviä suuren amplitudin aaltomuotoja.

(2) Ihmisen neurofysiologiassa yleisesti käytetyt signaalinkäsittelyanalyysit ovat erittäin herkkiä kohdassa 1 kuvatuille teräville suuren amplitudin aaltomuodoille, jotka aiheuttavat virheellisiä tuloksia.

Sen vuoksi IEEG-tietokannat sisältävät yleisesti epilepsian sähköisiä piirteitä, jotka aiheuttavat riskin vääristyneille tuloksille, kun ne sisällytetään tavallisiin signaalianalyyseihin, kuten teho- ja koherenssimittauksiin, ja niihin liittyviin menetelmiin, kuten tehon ja vaiheen yhteismodulaatioon (Kramer et al, 2008). Yksi tapa ottaa huomioon tämä ongelma on, että monet hermosignaalien käsittelymenetelmät, kuten Fourier-, Wavelet- ja Hilbert-pohjaiset analyysit, olettavat sinimuotoisen data-alustan (van Drongelen, 2018). Suurten amplitudiaaltojen tai terävien poikkeamien (suuri tai jopa pieni amplitudi) konvoluutio altistaa siksi monien taajuuksien edustuksille, jotka voivat olla suurelta osin virheellisiä, koska monet peräkkäiset sinimuotoiset funktiot voivat sopia näihin aaltomuodon elementteihin. Kuvissa 1B-D näytämme esimerkkejä siitä, miten IED:t voivat helposti vääristää neurofysiologisia signaaleja tällä tavoin yleisesti käytetyillä Hilbert-, Wavelet- ja Fourier-muunnosten spektrimenetelmillä. Alemmilla taajuuskaistoilla sekä IED:ien terävät että hitaiden aaltojen komponentit voivat aiheuttaa tehon nousun millä tahansa taajuudella, joka sopii näihin piirteisiin. Korkeammilla taajuuskaistoilla tämä silmiinpistävä tehopurkaus laajoilla alueilla jatkuvilla taajuustasoilla tulee vieläkin selvemmäksi, ja sitä voidaan kutsua soinnutukseksi tai spektrivuodoksi (Scheffer-Teixeira et al., 2013). Tämä voi olla ilmeistä koko korkealla gammakaistalla (50-200 Hz tai muu vastaava alue), mikä on huolestuttava asia, kun otetaan huomioon, että monet neurofysiologian laboratoriot hyödyntävät korkeaa gamma-aktiivisuutta, koska sillä on potentiaalista arvoa paikallisen hermotoiminnan korvikkeena (Ray et al., 2008). Kuvan 1H esimerkki osoittaa, miten piikkejä sisältävien kokeiden kumulatiivinen sisällyttäminen (kuvat 1E-G) lisää vääränlaista vaihtelua (väärän negatiivisen riskin riski) tai vaikuttaa muuten tilastolliseen merkitsevyyteen (väärän positiivisen riskin riski).

Tämä ongelma voi olla yleisempi kuin EEG- tai MEG-tallenteissa johtuen suorasta hermokudoskontaktista, joka voi välittää suuremmat piikkien amplitudit ja jyrkemmät poikkeamat erityisesti IED-räjähdysaineita käytettäessä, ja se voi kontaminoida neurofysiologiset analyysit. Lisäksi kallonsisäiset elektrodit sijoitetaan erityisesti alueille, jotka todennäköisesti liittyvät kliinisesti epileptisen kohtauksen fokukseen, mikä johtaa voimakkaisiin ja/tai usein esiintyviin IED:iin joissakin IEEG-tietoaineistoissa.

Anecdotaalisesti suurin osa ihmisen neurofysiologian tutkijoista on samaa mieltä siitä, että IED:ien aiheuttama datan kontaminaatio on yleisesti tiedossa oleva asia, vaikkakin sen vaikutus voi vaihdella tietyntyyppisissä analyyseissä (Meisler et al., 2019). Itse asiassa voisi olettaa, että monilla tutkimuslaboratorioilla on käytössä strategioita tämän ongelman kiertämiseksi tai ainakin minimoimiseksi. Käytännössä arvioituna tämä ongelma ja sen mahdolliset seuraukset voivat kuitenkin olla paljon ennakoitua yleisempiä. Kolmas hankaloittava tekijä voi havainnollistaa, miten näin voi olla:

(3) Neurofysiologian tutkijat (erityisesti harjoittelun alkuvaiheessa olevat tutkijat, kuten opiskelijat ja tutkijat, jotka ovat väitelleet tohtorin tutkinnon suorittamisen jälkeen) eivät välttämättä saa suoraa koulutusta IED:iden tai sähköisten artefaktien tunnistamisesta. Lisäksi mahdollisten IED-morfologioiden kirjo ja se, miten niiden erilaisten piirteiden voidaan olettaa saastuttavan signaalianalyysejä, ei välttämättä ole vakiintunut vakiokoulutuksen piiriin.

Lisäkomplikaationa voidaan todeta, että IED:n havaitsemiseen liittyvä arvioijien välinen yksimielisyys IED:n havaitsemisessa on yllättävän heikko jopa täysin koulutettujen epileptologien keskuudessa (Barkmeier ym., ), 2012; Janca et al., 2015).

STRATEGIAT IED:ien KÄSITTELYYN

Kohdattaessa IED:iä aineistossa on olemassa erilaisia lähestymistapoja, jotka voivat riippua tai olla riippuvaisia niiden nopeudesta ja alueellisesta laajuudesta (esimerkiksi tutkija ei ehkä ole taipuvainen kuraattoroimaan ja ”siivoamaan” tietokokonaisuutta yhdestä piikistä minuutissa mutta voi olla sitä 10 piikin kohdalla minuutissa). Tislasimme tutkijoiden mahdolliset lähestymistavat neljään päästrategiaan. Ensimmäinen on tunnistaa ja poistaa manuaalisesti kaikki kokeet tai jaksot, joiden aikana IED:tä esiintyy, ja tätä kutsutaan tässä strategiaksi 1. Tiedot seulotaan tarkastelemalla tallennettujen tietojen piirroksia jonkinlaisella esikäsittelyllä (lovi- ja/tai kaistanpäästösuodatus) tai ilman sitä, ja IED:tä sisältävät datan segmentit merkitään, jotta kaikki näiden segmenttien kanssa päällekkäiset kokeet voidaan jättää analyysien ulkopuolelle tai muuntaa puuttuviksi arvoiksi.

Tietyillä tutkijoilla on muodollinen kliininen koulutus EEG:n/iEEG:n lukemiseen, vaikkakin tämä on harvinaisempaa monien ei-kliinisten tutkijoiden kohdalla, jotka koulutetaan akateemisten jatkotutkintojen kautta. Monet ovat saaneet joko didaktista ja/tai henkilökohtaista koulutusta IED-kokeiden tunnistamisesta ja poistamisesta tietokokonaisuuksista, mutta jotkut eivät ehkä ole saaneet. Asiaa mutkistaa se, että IEEG-tietokannat eivät ole läheskään standardoituja tallennuserojen vuoksi: kohtauksia aiheuttavien verkostojen asettelu vaihtelee potilaskohtauksittain, mikä johtaa vaihtelevaan elektrodien määrään, puhumattakaan yksilöllisistä eroista neuroanatomiassa ja implantaation lateraalisuudessa. Käytössä on eri tiheydeltään vaihtelevia kosketustapoja (ruudut, kaistaleet, syvyydet) sekä kanavien räätälöityjä järjestyksiä (montaaseja). Kaikki nämä tekijät lisäävät IEEG-analyysien tulkintavaikeuksia erityisesti niille, jotka eivät ole saaneet riittävää (virallista tai epävirallista) koulutusta IED:n tunnistamiseen näissä tallennusasetelmissa. Lopuksi, tallenteiden keston kasvaessa strategian 1 käytännöllisyys vähenee ajan ja vaivannäön rajoitteiden vuoksi.

Viime vuosikymmeninä on kehitetty tietokoneistettuja piikkien havaitsemisalgoritmeja, joiden tarkoituksena on varustaa seuraavan sukupolven tutkijat tehokkailla ja standardoiduilla piikkien havaitsemisominaisuuksilla, säästää aikaa ja kiertää inhimilliset virheet. IED-ilmaisimien käyttö ja asianomaisten kokeiden/tietojen poistaminen automatisoidusti muodostavat toisen lähestymistavan, jota kutsumme strategiaksi 2. Onneksi IED: llä on yleensä ominaisuuksia, jotka ovat usein silmiinpistäviä monille algoritmeille: suurten amplitudien, terävien komponenttien ja toisinaan patofysiologisten korkeataajuisten värähtelyjen kanssa, joita esiintyy harvemmin normaaleissa aivoissa (ks. tosin Frauscher et ai., 2018b). Ihannetapauksessa algoritmi maksimoi sekä herkkyyden että spesifisyyden samalla kun se vähentää tai poistaa käyttäjältä vaadittavan panoksen (valvonta, kuten kynnysarvon asettaminen). Tätä toivomuslistaa on kuitenkin vaikea täyttää täysin, ja siksi monia algoritmeja on kehitetty käyttäen erilaisia automaattisia ja valvomattomia lähestymistapoja. Näitä ovat muun muassa EEG-johdannaiset (White et al., 2006), viivanpituus- ja tehomuunnokset (Esteller et al., 2001; Bergstrom et al., 2013), adaptiiviset suunnatut siirtofunktiot (Wilke et al., 2009), spatiaaliset suodattimet (Liu et al., 2015) ja piikkimallien yhteensovittamisalgoritmit, kuten spatiotemporaalinen regressio (Tousseyn et al., 2014) ja einegatiivisen matriisin faktorisointi (Baud et al., 2018), monien muiden lähestymistapojen lisäksi. Kaikilla välineillä on herkkyys- ja spesifisyyskompromisseja; mikään lähestymistapa ei tarjoa 100-prosenttista varmuutta, ja tätä vaikeuttaa entisestään luotettavan inhimillisen kultaisen standardin puuttuminen. Erityisesti edellä mainittu manuaalisen havaitsemisen huono keskinäinen yhteisymmärrys hyvin koulutettujen henkilöiden välillä ja pienten kyseenalaisten IED-räjähteiden ”kvantitatiivinen harmaa vyöhyke”, jonka he saattavat jättää huomiotta, ovat perustavanlaatuisia varoituksia algoritmien testaamiselle. Lopuksi, vaikka lähes kaikkia uusia menetelmiä verrataan manuaaliseen havaitsemiseen tai johonkin muuhun automatisoituun menetelmään, laaja vertailu useimpien tai kaikkien automatisoitujen menetelmien välillä on vaikeaa, koska on teknisiä haasteita toteuttaa kukin menetelmä vuorollaan riittävän suureen tietokokonaisuuteen (Westover et al., 2017). Kuitenkin interiktaalisten piikkien automaattinen poistaminen valvomattomilla ja/tai valvotuilla lähestymistavoilla voi säästää aikaa, lähestyä standardointia ja parantaa neurofysiologisen datan laatua.

Automaattisten havaitsemisalgoritmien varoittelujen (ja mahdollisten virheellisyyksien) vuoksi jotkut tutkijat, jotka käyttävät niitä, saattavat epäröidä antaa täyttä harkintavaltaa tälle mekanismille. Koska automatisoidut havaintomenetelmät voivat lisätä tehokkuutta huomattavasti suurimmassa osassa ilmeisiä havaintoja, kolmas strategia (strategia 3) on strategioiden 1 ja 2 hybridi lähestymistapa, jossa automatisoidut havainnot seulotaan myös manuaalisesti (usein tässä järjestyksessä, vaikka myös päinvastaista järjestystä tai useita iteraatioita voidaan soveltaa). Esimerkki tästä hybridistä on morfologisten piirteiden jakaumien käyttö (esim. kaltevuus, tehomitat jne.), joihin voidaan soveltaa kynnysarvoa, minkä jälkeen tarkastetaan manuaalisesti mahdollisten väärien positiivisten ja/tai negatiivisten löydösten varalta.

Kun otetaan huomioon tämän arvokkaan datan keräämisen monimutkaisuus ja siihen liittyvä niukkuus, strategioille 1, 2 tai 3 yhteisenä haittapuolena on se, että kokeilujen poistaminen vähentää tilastollista tehoa. Näin ollen toinen vinoutuma – useampien tutkimusten säilyttäminen – mahdollistaa useampien mahdollisten väärän signaalin antaneiden tulosten käyttöönoton, mikä lisää edellä kuvattujen väärien negatiivisten ja positiivisten tulosten riskiä.

Mahdollisimman monien tutkimusten säilyttämisen suosiminen johtaa erilaiseen strategiaan IED:ien käsittelemiseksi: agnostisismiin, jossa IED:t jätetään huomiotta (niitä ei arvioida) eikä yhtään koetta poisteta (strategia 4). Voidaan luonnollisesti olettaa, että IED:n vahingoittamat tiedot ovat riittävän harvinaisia ja satunnaisia, jotta kyseiset aikapisteet sulautuvat keskiarvosignaalin taustalle ja lisäävät vaihtelua, mutta eivät merkittävästi vääristä tuloksia. Sillä välin tehtävään liittyvät neurofysiologiset merkit toivottavasti nousevat esiin analyysistä ja ovat vallitsevia, jos niitä esiintyy, niiden johdonmukaisuuden ansiosta eri kokeissa. Signaali-kohina-ongelmana tämä oletus voi olla pätevä harvoin esiintyville IED:ille, erityisesti silloin, kun kokeellisen vaikutuksen koko on voimakas (vaikka ei-parametristen tilastojen käyttäminen lisäturvakerroksena voi olla suositeltavaa). Useammin esiintyvät (kuvat 1E-H) ja/tai suuremmat tai terävämmät IED:t voivat kuitenkin heikentää tätä lähestymistapaa. Vahva tilastollinen teho on kuitenkin aina parempi vaihtoehto, ja se edellyttää usein suurta määrää kokeita, jotka todennäköisemmin saavutetaan strategian 4 agnostisella lähestymistavalla, erityisesti kun kyseessä on hienovarainen vaikutuskoko. Itse asiassa eräässä äskettäisessä tutkimuksessa (Meisler et ai., 2019) arvioitiin virallisesti, vaikuttivatko IED:ien manuaalinen, automaattinen tai ei poistettu IED:ien poisto niiden neurofysiologisiin havaintoihin episodimuistitehtävässä – he eivät havainneet mitään selkeää vaikutusta millään lähestymistavalla, vaikkakin korostivat riittävien koemäärien merkitystä. Tähän liittyen uudemmat koneoppimisanalyysit vaativat suuria määriä harjoitusdataa tarkkojen mallien rakentamiseksi – nämä ja syväoppimismenetelmät voivat oppia erottamaan normaalit neurofysiologiset signaalit ja patologiset IED-aaltomuodot toisistaan edellyttäen, että aiemmat harjoitusdatat on merkitty tarkasti (usein manuaalisesti). Näin ollen agnostisella strategialla on tietty vetovoima (mukaan lukien vähäinen työmäärä), ja se voisi olla hyvä oletusarvo joissakin tutkimuksissa, olettaen, että dataa on riittävästi sen käyttämiseen.

Nykykäytännöt IEEG-tutkijoiden keskuudessa

Kun nämä erilaiset yleiset strategiat on otettu huomioon, miten ihmisen neurofysiologian tutkijat käsittelevät tällä hetkellä IED:tä? Arvioimme tätä ”nykyisiä käytäntöjä” koskevaa kysymystä tekemällä ensin yhteenvedon siitä, miten tutkijat kuvaavat menetelmiään julkaistussa kirjallisuudessa. Haimme PubMedistä käyttäen kahta laajaa kyselyä: (intracranial AND eeg; electrocorticography) ja suodatimme tulokset siten, että ne sisälsivät vain vuonna 2018 julkaistut tutkimukset. Rajasimme hakutulokset tarkastelemalla jokaista artikkelia (613 ainutlaatuista artikkelia) ja otimme mukaan vain ne, joissa mitattiin kallonsisäisiä neurofysiologisia signaaleja ihmisillä ja joissa näytettiin tekevän johtopäätöksiä normaalista neurofysiologiasta (yhteensä 91). Vaikka nämä hakuehdot eivät ole tyhjentäviä, ne tarjoavat ajankohtaisen tilannekuvan eri ryhmistä maailmanlaajuisesti, jotka tutkivat ihmisen normaalia neurofysiologiaa in vivo. Havaitsimme, että suurin osa näistä julkaisuista viittasi manuaalisten menetelmien käyttöön (kuva 2A), mukaan lukien IED:ien suora tunnistaminen, tai samankaltaiseen (mutta konservatiivisempaan) lähestymistapaan, jossa tunnistetaan ja suljetaan pois ne elektrodit, jotka peittävät kohtauspesäkkeet. Alle 5 prosentissa käsikirjoituksista käytettiin täysin automatisoituja menetelmiä, eikä yksikään mukana olleista artikkeleista käyttänyt agnostista lähestymistapaa (strategia 4). Tässäkin tapauksessa otoksemme mukaan otetuista artikkeleista oli rajallinen, eivätkä nämä tulokset välttämättä edusta täysin alaa.

Koska IED:ien käsittelymenetelmiä ei nähtävästi kuvattu yksityiskohtaisesti monissa artikkeleissa, arvioimme ”Nykykäytännöt”-kysymystämme tarkemmin suunnittelemalla anonyymin kyselyn. Tämä kysely (noin ~ 2 min) koostui kysymyksistä, jotka koskivat uratasoa, sitä, tunsivatko he IED:t IEEG:ssä ja oliko heillä muodollista tai epävirallista tai ei lainkaan koulutusta IED:ien tunnistamisesta ja poistamisesta, sekä valintaa siitä, mitä edellä mainituista strategioista (1-4) he pyrkivät käyttämään (tai muita). Lähetimme sähköpostia edellä kuvattujen artikkeleiden vastaaville kirjoittajille (yhteensä 79, koska joissakin artikkeleissa oli päällekkäisyyksiä tai useita vastaavia kirjoittajia) ja pyysimme heitä osallistumaan vapaaehtoisesti, ja pyysimme heitä osallistumaan nimettömänä (vapautettu IRB:n vaatimuksista UCSF:n IRB-toimiston mukaan). Pyysimme näitä henkilöitä lähettämään kyselyn eteenpäin myös muille kollegoille ja työtovereille.

Saimme 44 prosentin vastausprosentin, ja kyselyyn vastanneet painottuivat tohtorintutkinnon jälkeisiin tutkijoihin ja tiedekunnan jäseniin, mikä johtui todennäköisesti otantaharhasta vastaavien kirjoittajien populaation sähköpostiviestien välityksellä (kuva 2B). Huomattakoon, että näiden vanhempien laboratorion jäsenten vastaukset saattavat todennäköisesti edustaa koko laboratorion käytäntöä IED-strategiassaan, vaikka tämä ei päde yhtä hyvin IED-tuntemusta ja koulutusta koskeviin kysymyksiin. Kaikki vastaajat ilmoittivat tuntevansa IED:t, mikä on rauhoittava tulos, vaikka kyselyn luonne saattoikin vaikuttaa siihen. IED-räjähteiden tunnistamista ja käsittelymenetelmää (-menetelmiä) koskevan koulutuksen osalta suurin osa oli saanut epävirallista koulutusta (kuva 2C), ja joitakin ei ollut koulutettu lainkaan. Ei ole yllättävää, että ne, jotka ilmoittivat saaneensa virallisen koulutuksen, olivat nuorempia ja vanhempia opettajia, mikä vastaa useimmissa yhteyksissä virallisen EEG-koulutuksen kliinisiä vaatimuksia. Suurin osa vastaajista käytti joko manuaalista lähestymistapaa joko yksinään tai manuaalisen ja automatisoidun menetelmän yhdistelmänä (strategiat 1 ja 3; kuva 2D), mikä on yleisesti ottaen odotetusti verrattavissa kirjallisuuskatsaukseen (kuva 2A). Mielenkiintoista on, että emme löytäneet yhtään artikkelia, jossa olisi nimenomaisesti mainittu strategian 4 (”agnostic”) käyttö, vaikka 9 prosenttia vastaajista ilmoitti käyttävänsä sitä, ja automatisoitujen menetelmien sisällyttäminen (strategiat 2 ja 3) oli kyselyvastauksissa laajemmin edustettuna (55 prosenttia) kuin kirjallisuuskatsauksessa (14 prosenttia). Nämä eroavaisuudet voidaan kuitenkin selittää raportointivääristymillä, kun otetaan huomioon käsikirjoitusmenetelmien ja suoran kyselyn erilaiset kontekstit, sekä otantavääristymillä (kyselyn vastausprosentti).

Lisäpohdintoja

Tässä artikkelissa keskitytään ensisijaisesti IED:iin, mutta tässä kuvattuja vaaratekijöitä ja strategioita voidaan ja tulisi laajentaa koskemaan muitakin sähkösyöttöisiä tai muita kuin fysiologisia artefakteja (kaapeleiden liikkeet, elektrodien paukahtelut, vahvistimen kyllästyminen ja niin edelleen), koska ne voivat liittyä samankaltaisiin jyrkkiin ja suurten amplitudien aiheuttamiin deflekteihin. Kanavien poissulkemisen osalta kanavat, joissa on runsaasti IED:tä, ovat erityisen ongelmallisia automaattisille menetelmille, jotka perustuvat taustaestimaatteihin. Lisäksi, jos halutaan tutkia normaalia neurofysiologiaa, nämä kanavat ja kaikki sellaiset kanavat, joiden tiedetään olevan vaurioituneessa kudoksessa, olisi suljettava suoralta kädeltä pois (Frauscher ym., ), 2018a); tämä käytäntö näkyi noin kolmasosassa kirjallisuuskatsauksemme käsikirjoituksista (kuva 2A).

Kunnollisen kokeellisen valvonnan osalta on usein ensiarvoisen tärkeää, että IED-merkintä suoritetaan sokkoutettuna tehtävätapahtumille ja kokeellisille olosuhteille (olennaisinta manuaalisille strategioille 1 ja 3), jotta estetään vääristymät, jotka voisivat vaikuttaa tutkimustuloksiin (esim. sellaisten kokeiden poistaminen, joissa on IED:tä useammin yhdestä ehdosta kuin toisesta). Mitä tulee mahdollisiin häiriötekijöihin kokeisiin perustuvissa tutkimuksissa, IED:ien oletetaan usein esiintyvän ennalta arvaamattomasti, jopa satunnaisuuteen asti: tämä oletus on suotuisa, jos IED:t jätetään aineistoon (strategia 4), koska väärät positiiviset ja negatiiviset tulokset vähenisivät kokeiden keskiarvoistamisen avulla, mikä parantaa neurofysiologista signaali-kohinasuhdetta. On kuitenkin huomattava, että IED:ien ajoitus ei välttämättä ole satunnainen käyttäytymistehtävässä. Tehtävästä riippuvainen IED:ien ajoituksen tai määrän modulointi on kuvattu (Matsumoto et al., 2013), mikä voi mahdollisesti sekoittaa tuloksia painottamalla mieluummin vääränlaisia tuloksia tietyissä koejaksoissa enemmän kuin toisissa. Tämä puhuisi strategian 4 käyttöä vastaan, vaikka jälleen kerran kokeilujen lukumäärän ja tilastollisen tehon ongelma voi olla ongelmallinen, kuten edellä todettiin.

Viimeiseksi, signaalinkäsittelyn vaikutusten lisäksi on syytä mainita, että IED: t voivat myös häiritä ohimenevästi paikallista neuraalista toimintahäiriötä alueella, jossa ne esiintyvät (Krauss et ai., 1997; Kleen et ai., 2013; Horak et ai., 2017; Ung et ai., 2017). Tämä voi johtaa kognitiivisiin virheisiin, jotka voivat vaikuttaa koepohjaisiin ja muihin analyyseihin, mikä muodostaa erillisen argumentin IED:tä sisältävien kokeiden poissulkemiselle, kun tehdään johtopäätöksiä ”normaalista” kognitiivisesta prosessoinnista.

Johtopäätökset

Henkilön kallonsisäisen neurofysiologian kiihtyvyys viestii suuresta innostuksesta tuleviin löytöihin ja mahdollisuuksiin, mukaan luettuna neurologisten perusteiden laajentaminen, kliinisen terapian parantaminen ja aivojen ja koneen välisten käyttöliittymien kehittäminen. Sisäiset aivosähkötutkimukset aiheuttavat kuitenkin vääränlaisiin tuloksiin liittyviä vaaroja, joita on vaikea välttää sen in vivo -epileptisen kudoksen luonteen vuoksi, josta tiedot tallennetaan. Tarvitaan suurempaa valppautta, jotta IED:t voidaan tarvittaessa ja tarvittaessa välttää tiedoissa, mikä voidaan saavuttaa ottamalla huomioon ja käyttämällä edellä lueteltuja strategioita. Ehdotamme myös, että keskitason ja vanhempien tutkijoiden olisi pyrittävä parantamaan ja tarjoamaan laboratorioissaan standardoituja koulutusesityksiä tai simulaatioita IED:n tunnistamis-, havaitsemis- ja poistomenetelmistä. Tämä antaa nuoremmille tutkijoille tärkeät taidot ymmärtää ja tarkastella rakentavasti omia ja muiden tutkijoiden tietoja. Lisäksi tarvitaan parannuksia tieteellisessä viestinnässä (Suthana et al., 2018), niin että ihmisen normaalia neurofysiologiaa käsittelevien käsikirjoitusten tulisi selkeästi välittää IED:ien käsittelyssä käytetty lähestymistapa ja sen perustelut tutkimuksensa yhteydessä. Tällaiset lisääntyneen valppauden ja selkeän viestinnän käytännöt toivottavasti parantavat toistettavuutta, jotta ala voi jatkaa kiihtymistään ilman ennakoitavissa olevia takaiskuja.

Data Availability Statement

Tässä artikkelissa esitetyt tutkimustiedot ovat ladattavissa osoitteesta doi: 10.5281/zenodo.3626105.

Eettiset lausunnot

Tutkimukset, joissa oli mukana ihmisosallistujia, tarkistettiin ja hyväksyttiin Kalifornian yliopiston San Franciscon institutionaalisessa arviointilautakunnassa. Kirjallista tietoon perustuvaa suostumusta osallistumisesta ei vaadittu tähän tutkimukseen kansallisen lainsäädännön ja laitoksen vaatimusten mukaisesti.

Tekijöiden panos

SA ja JK kehittivät käsikirjoituksen konseptin, loivat ja jakoivat kyselyn, suorittivat kirjallisuushaun ja kirjoittivat käsikirjoituksen. ML ja EC antoivat merkittävää palautetta ja muokkasivat käsikirjoitusta. Kaikki kirjoittajat lukivat ja hyväksyivät toimitetun käsikirjoituksen.

Rahoitus

SA:ta rahoitettiin NIH:n Diversity Supplement-ohjelmalla R01-DC012379. JK:ta rahoitti National Institutes of Health/National Institute of Neurological Disorders and Stroke (NIH/NINDS) apurahat R25NS070680 ja K23NS110920. ML:ää rahoittivat NIH:n apurahat R01-DC015504, F32-DC013486 ja Kavli Institute for Brain and Mind sekä DARPA-sopimus N66001-17-2-4008. EC:tä rahoittivat NIH:n apurahat (R01-DC012379, R00-NS065120 ja DP2-OD00862) sekä Esther A. and Joseph Klingenstein Fund.

Interintäristiriita

Tekijät ilmoittavat, että tutkimus suoritettiin ilman kaupallisia tai taloudellisia suhteita, jotka voitaisiin tulkita mahdolliseksi eturistiriidaksi.

Kiitokset

Kiitämme Maxime Baudia ja Han Yitä heidän hyödyllisistä keskusteluistaan ja kommenteistaan tämän käsikirjoituksen laatimisen aikana.