Alai

Introduction

Az intrakraniális elektroenkefalográfia (IEEG) az agyszövetből történő közvetlen jelfelvétel révén túllép a fejbőr elektroenkefalográfia (EEG) és a magnetoencefalográfia (MEG) számos fizikai korlátján. Az elmúlt évtizedekben a számítógépes feldolgozásban elért gyors fejlődés a szoftver- és hardverkapacitások bővülésével lehetővé tette a több száz intrakraniális helyről mikroszekundumos pontossággal történő egyidejű felvételeket. Az időbeli és térbeli felbontás ezen növekedése növelte a rohamlokalizáció diagnosztikai pontosságát (Andrews et al., 2019; Cuello Oderiz et al., 2019), és a humán intrakraniális neurofiziológiai kutatások felgyorsulásához vezetett (Chang, 2015; Parvizi and Kastner, 2018).

A tömeges adathalmazok elemzéséhez szükséges új számítógépes eszközökkel és kapacitásokkal együtt az idegtudományi lehetőségek és potenciális felfedezések gazdagsága ígéretes. Az emberi intrakraniális felvételeken végzett jelelemzés azonban olyan inherens buktatókat idéz elő, amelyekkel feltehetően foglalkoznak, de amelyeket az emberi betegek számos neurofiziológiai vizsgálatában minimálisan ismernek el – nevezetesen az interiktális epileptiform kisülések (IED). Az IED-k olyan átmeneti aktivitáskitörések, amelyeket az epilepszia miatt kórosan összekapcsolt neuroncsoportok produkálnak, és amelyek az IEEG-felvételek során különálló és feltűnő hullámformákat eredményeznek (1A. ábra). Ez a Perspektíva felhívja a figyelmet az IED veszélyekre, az általános elemzési stratégiákra gyakorolt lehetséges hatásokra, és leírja az ezek elkerülésére szolgáló általános stratégiákat, hogy a humán neurofiziológia felfedezéseinek növekvő hulláma remélhetőleg tévedések nélkül haladjon tovább.

Az IED-veszélyek természete az emberi IEEG neurofiziológiában

A nézetünk lényege, hogy az emberi intrakraniális neurofiziológia paradigmája két fő tényező miatt teszi ki a jó szándékú tudósokat a hibás eredmények kockázatának:

(1) Az elektródákat az emberi agy olyan régióiba ültetik be, amelyeket valószínűnek tartanak, hogy mind ictalis, mind interictalis kontextusban az epilepszia neurofiziológiai szignatúráit mutatják – amelyek gyakran éles, nagy amplitúdójú hullámformák.

(2) A humán neurofiziológiában általánosan használt jelfeldolgozási elemzések rendkívül érzékenyek az 1. pontban leírt éles, nagy amplitúdójú hullámformákra, amelyek hamis eredményeket okoznak.

Ezért az IEEG-adatkészletek általában tartalmazzák az epilepszia elektromos szignáljait, amelyek torzított eredmények kockázatát hordozzák, amikor olyan általános jelelemzésekbe kerülnek, mint a teljesítmény- és koherencia-mérések, valamint a kapcsolódó módszerek, például a teljesítmény-fázis ko-moduláció (Kramer et al, 2008). Ennek a problémának az egyik módja az, hogy számos neurális jelfeldolgozási módszer, például a Fourier-, Wavelet- és Hilbert-alapú elemzések szinuszos adathordozót feltételeznek (van Drongelen, 2018). A nagy amplitúdójú hullámok vagy éles kitérések (nagy vagy akár kis amplitúdójú) konvolválása ezért sok frekvencia reprezentációjára hajlamosít, amelyek nagyrészt hamisak lehetnek, mivel sok egymást követő szinuszos függvény illeszkedhet a hullámforma ezen elemeihez. Az 1B-D ábrákon példákat mutatunk arra, hogy a Hilbert-, a Wavelet- és a Fourier-transzformáció általánosan használt spektrális módszereivel az IED-k könnyen tévesen ábrázolhatják a neurofiziológiai jeleket ilyen módon. Az alacsonyabb frekvenciasávokban az IED-k mind az éles, mind a lassú hullámú komponensek teljesítménynövekedést idézhetnek elő bármely olyan frekvencián, amely megfelel ezeknek a jellemzőknek. A magasabb frekvenciasávokban ez a szembetűnő teljesítménykitörés a folyamatos frekvenciaszintek hatalmas szakaszain még nyilvánvalóbbá válik, és csengésnek vagy spektrális szivárgásnak nevezhető (Scheffer-Teixeira et al., 2013). Ez a teljes magas gamma-sávban (50-200 Hz vagy más hasonló tartomány) nyilvánvaló lehet, ami aggasztó kérdés, mivel sok neurofiziológiai laboratórium használja a magas gamma-aktivitást, tekintettel annak potenciális értékére, mint a helyi neurális aktivitás helyettesítőjére (Ray et al., 2008). Az 1H ábrán látható példa azt mutatja, hogy a tüskéket tartalmazó próbák kumulatív bevonása (1E-G ábrák) hogyan növeli a hamis variabilitást (hamis negatív kockázat) vagy más módon befolyásolja a statisztikai szignifikanciát (hamis pozitív kockázat).

Ez a probléma áthatóbb lehet, mint az EEG vagy MEG felvételeknél, a közvetlen idegszöveti érintkezés miatt, amely nagyobb tüskeamplitúdókat és élesebb eltéréseket közvetíthet, különösen az IED-k esetében, szennyezve a neurofiziológiai elemzéseket. Ezenkívül az intrakraniális elektródákat kifejezetten olyan régiókban helyezik el, amelyek klinikailag valószínűleg az epilepsziás rohamfókuszhoz kapcsolódnak, ami egyes IEEG-adatkészletekben erős és/vagy gyakori IED-khez vezet.

Az emberi neurofiziológia legtöbb kutatója egyetért azzal, hogy az IED-k által okozott adatszennyezés közismert, bár ennek hatása bizonyos típusú elemzések esetében eltérő lehet (Meisler et al., 2019). Valójában azt várnánk, hogy sok kutatólaboratóriumnak vannak stratégiái ennek a problémának a megkerülésére vagy legalábbis minimalizálására. A gyakorlatban értékelve azonban ez a probléma és annak lehetséges következményei a vártnál sokkal elterjedtebbek lehetnek. Egy harmadik bonyolító tényező is szemléltetheti, hogyan lehet ez így:

(3) A neurofiziológiai kutatók (különösen a korai gyakornokok, például a hallgatók és a posztdoktori kutatók) nem kaphatnak közvetlen képzést az IED-k vagy az elektromos műtárgyak azonosítására. Ezenkívül a lehetséges IED-morfológiák spektrumát, valamint azt, hogy ezek eltérő jellemzői várhatóan hogyan szennyezik a jelelemzéseket, nem feltétlenül rögzítik a standard képzésben.

Egy további komplikáció, hogy az IED-felismerésre vonatkozó értékelések közötti egyezés meglepően gyenge, még a teljesen képzett epileptológusok körében is (Barkmeier et al, 2012; Janca et al., 2015).

Stratégiák az IED-k kezelésére

Az IED-kkel való találkozáskor az adatokban többféle megközelítés létezik, amelyek függhetnek vagy nem függhetnek azok sebességétől és térbeli kiterjedésétől (például egy kutató nem biztos, hogy hajlandó egy adathalmazt percenként egy tüske miatt kuratírozni és “megtisztítani”, de percenként 10 tüske miatt igen). A kutatók lehetséges megközelítéseit négy fő stratégiába desztilláltuk. Az első az, hogy manuálisan azonosítják és eltávolítják azokat a kísérleteket vagy időszakokat, amelyek során IED-k fordulnak elő, amelyet itt 1. stratégiának nevezünk. Az adatokat átvizsgálják a rögzített adatok ábráinak vizsgálatával, némi előfeldolgozással vagy anélkül (bevágás és / vagy sávszűrés), és az IED-ket tartalmazó adatok szegmensei megjelölik, hogy az ezekkel a szegmensekkel átfedő vizsgálatok elhagyhatók az elemzésekből vagy hiányzó értékekké alakíthatók.

Egyes kutatók hivatalos klinikai képzésben részesültek az EEG / iEEG olvasásában, bár ez kevésbé gyakori sok nem klinikai kutató számára, akiket a graduális tudományos akadémiai pályákon keresztül képeznek. Míg sokan kaptak didaktikai és/vagy egyéni képzést arról, hogyan kell azonosítani és eltávolítani az IED-kísérleteket az adatkészletekből, néhányan talán nem. Az ügyet bonyolítja, hogy az IEEG-adatkészletek a rögzítési különbségek miatt messze nem szabványosítottak: a rohamokat generáló hálózatok elrendezése minden egyes betegnél eltérő, ami változó számú elektródát eredményez, nem is beszélve a neuroanatómia és az implantáció lateralitásának egyéni különbségeiről. Vannak vegyes, különböző sűrűségű érintkezési módok (rácsok, csíkok, mélységek), valamint a csatornák testre szabott elrendezése (montázsok). Ezek a tényezők mind az IEEG-elemzések értelmezésének megnövekedett nehézségéhez vezetnek, különösen azok számára, akik nem kaptak megfelelő (formális vagy informális) képzést az IED azonosítására ezekben a felvételi elrendezésekben. Végül, ahogy a felvételek időtartama növekszik, az 1. stratégia gyakorlatiassága az idő- és erőfeszítésbeli korlátok miatt csökken.

A számítógépes tüskefelismerő algoritmusokat az elmúlt évtizedekben fejlesztették ki, hogy a tudósok következő generációját hatékony és szabványosított tüskefelismerő képességekkel ruházzák fel, időt takarítsanak meg, és megkerüljék az emberi hibákat. Az IED detektorok használata és az érintett kísérletek/adatok automatizált módon történő eltávolítása egy másik megközelítést jelent, amelyet 2. stratégiának fogunk nevezni. Szerencsére az IED-k általában olyan jellemzőkkel rendelkeznek, amelyek sok algoritmus számára gyakran kiemelkedőek: nagy amplitúdójú, éles komponensek, és időnként patofiziológiai magas frekvenciájú oszcillációkkal, amelyek ritkábban fordulnak elő a normál agyban (bár lásd Frauscher et al., 2018b). Ideális esetben egy algoritmus maximalizálja mind az érzékenységet, mind a specificitást, miközben csökkenti vagy megszünteti a felhasználó részéről szükséges hozzájárulást (felügyelet, például küszöbérték-beállítás). Ezt a kívánságlistát azonban nehéz teljes mértékben kielégíteni, ezért számos algoritmust fejlesztettek ki különböző automatizált és felügyelet nélküli megközelítésekkel. Ezek közé tartoznak az EEG-levezetések (White et al., 2006), a vonalhossz- és teljesítménytranszformációk (Esteller et al., 2001; Bergstrom et al., 2013), adaptív irányított átviteli függvények (Wilke et al., 2009), térbeli szűrők (Liu et al., 2015) és a spike-mintázat-illesztési algoritmusok, például a spatiotemporális regresszió (Tousseyn et al., 2014) és a nem-negatív mátrix-faktorizáció (Baud et al., 2018) sok más megközelítés mellett. Minden eszköz érzékenységi és specificitási kompromisszumokkal jár; egyik megközelítés sem nyújt 100%-os bizonyosságot, és ezt tovább bonyolítja a megbízható emberi arany standard hiánya. Konkrétan, a kézi észlelés fent említett, magasan képzett egyének közötti rossz minősítésű egyezés, valamint az általuk esetleg figyelmen kívül hagyott kis, megkérdőjelezhető IED-k “mennyiségi szürke zónája” alapvető fenntartásokat jelent az algoritmusok tesztelése szempontjából. Végül, bár szinte minden új módszert összehasonlítanak a kézi észleléssel vagy egy másik automatizált módszerrel, a legtöbb vagy az összes automatizált módszer széles körű összehasonlítása nehéz a technikai kihívások miatt, amelyeket az egyes módszerek kellően nagy adathalmazon történő végrehajtása jelent (Westover et al., 2017). Mindazonáltal az interiktális tüskék automatizált eltávolítása nem felügyelt és/vagy felügyelt megközelítésekkel időt takaríthat meg, megközelítheti a szabványosítást, és javíthatja a neurofiziológiai adatok minőségét.

Az automatizált észlelési algoritmusok fenntartásai (és lehetséges tévedései) miatt egyes kutatók, akik alkalmazzák őket, habozhatnak, hogy teljes diszkréciót engedjenek ennek a mechanizmusnak. Mivel az automatizált észlelési megközelítések drasztikusan növelhetik a hatékonyságot a nyilvánvaló észlelések nagy részénél, a harmadik stratégia (3. stratégia) az 1. és 2. stratégia hibrid megközelítése, amelyben az automatizált észleléseket kézzel is átvizsgálják (gyakran ebben a sorrendben, bár az ellenkező sorrend vagy többszörös iteráció is alkalmazható). Erre a hibridre példa a morfológiai jellemzők (pl. meredekség, teljesítménymérők stb.) eloszlásainak használata, amelyekre egy küszöbértéket lehet alkalmazni, majd kézi ellenőrzés következik a potenciális hamis pozitív és/vagy negatív eredmények tekintetében.

Az értékes adatok gyűjtésének összetettségét és az ezzel járó szűkösséget tekintve az 1., 2. vagy 3. stratégiák közös hátránya, hogy a próbák eltávolítása csökkenti a statisztikai erőt. Ennek megfelelően egy másik torzítás – a több vizsgálat megtartása – lehetővé teszi, hogy több potenciális hamis jeleredmény kerüljön be, ami növeli a hamis negatív és pozitív eredmények kockázatát a fent leírtak szerint.

A minél több vizsgálat megtartásának preferálása egy másik stratégiát vezet be az IED-k kezelésére: az agnoszticizmust, amelyben az IED-ket figyelmen kívül hagyják (nem értékelik), és nem távolítanak el vizsgálatokat (4. stratégia). Természetesen feltételezhetjük, hogy az IED-k által érintett adatok elég ritkák és véletlenszerűek lesznek ahhoz, hogy az érintett időpontok beleolvadjanak az átlagolt jel hátterébe, ami növeli a változékonyságot, de nem torzítja jelentősen az eredményeket. Eközben a feladattal kapcsolatos neurofiziológiai jelek remélhetőleg kiemelkednek az elemzésből, és ha jelen vannak, akkor a kísérletek közötti konzisztenciájuk révén érvényesülnek. Mint jel-zaj probléma, ez a feltételezés érvényes lehet a ritkán előforduló IED-kre, különösen erős kísérleti hatásméret esetén (bár a nemparametrikus statisztikák használatának további biztonsági rétege tanácsos lehet). A gyakoribb (1E-H ábrák) és/vagy nagyobb vagy élesebb IED-k azonban alááshatják ezt a megközelítést. Mindazonáltal a robusztus statisztikai teljesítmény mindig előnyben részesül, és gyakran nagy számú vizsgálatot igényel, amelyet a 4. stratégia agnosztikus megközelítésével valószínűbb elérni, különösen a finom hatásméret esetében. Valójában egy közelmúltbeli tanulmány (Meisler et al., 2019) hivatalosan értékelte, hogy az IED-k manuális, automatizált vagy nem eltávolítása befolyásolja-e neurofiziológiai eredményeiket egy epizodikus memóriafeladatban – egyik megközelítésnek sem találtak egyértelmű hatást, bár hangsúlyozták az elegendő számú kísérlet fontosságát. Ezzel kapcsolatban az újabb gépi tanulási elemzések nagy mennyiségű képzési adatot igényelnek a pontos modellek felépítéséhez – ezek a mély tanulási megközelítésekkel együtt megtanulhatják megkülönböztetni a normális neurofiziológiai jeleket és a kóros IED hullámformákat, feltéve, hogy a korábbi képzési adatokat pontosan megjelölik (gyakran kézzel). Így az agnosztikus stratégiának van egy bizonyos vonzereje (beleértve az alacsony erőfeszítést), és jó alapértelmezett lehet néhány tanulmány számára, feltéve, hogy elegendő adat áll rendelkezésre az alkalmazásához.

A jelenlegi gyakorlatok az IEEG-kutatók körében

Ezeket a különböző általános stratégiákat szem előtt tartva, hogyan kezelik jelenleg az IED-ket az emberi neurofiziológiai kutatók? A “jelenlegi gyakorlatok” kérdését úgy értékeltük, hogy először is összefoglaltuk, hogyan írják le a kutatók a módszereiket a publikált szakirodalomban. Két átfogó lekérdezéssel kerestünk a PubMedben: (intrakraniális ÉS eeg; elektrokortikográfia), és úgy szűrtük az eredményeket, hogy csak a 2018-ban megjelent tanulmányokat tartalmazza. A keresési eredményeket úgy korlátoztuk, hogy minden egyes cikket megvizsgáltunk (613 egyedi cikk), és csak azokat vettük fel, amelyek intrakraniális neurofiziológiai jeleket mértek embereken, és úgy tűnt, hogy következtetéseket vonnak le a normális neurofiziológiára vonatkozóan (összesen 91). Bár ezek a keresési feltételek nem kimerítőek, kortárs pillanatképet nyújtanak a világszerte működő különböző csoportokról, amelyek a normál emberi neurofiziológiát in vivo tanulmányozzák. Azt találtuk, hogy e publikációk többsége kézi módszerek alkalmazására utalt (2A. ábra), beleértve az IED-k közvetlen azonosítását, vagy egy hasonló (de konzervatívabb) megközelítést, amely a rohamfókuszokat fedő elektródák azonosítására és kizárására irányult. A kéziratok kevesebb mint 5%-a használt teljesen automatizált módszereket, és a bevont cikkek egyike sem alkalmazta az agnosztikus megközelítést (4. stratégia). Ismétlem, a bevont cikkekből vett mintánk korlátozott volt, és ezek az eredmények nem feltétlenül reprezentálják teljes mértékben a területet.

Mivel úgy tűnt, hogy az IED-kezelési módszereket nem sok cikkben írták le részletesen, tovább értékeltük a “Jelenlegi gyakorlatok” kérdésünket egy anonim felmérés megtervezésével. Ez a felmérés (kb. ~2 perc) a karrier szintjére vonatkozó kérdésekből állt, hogy ismerik-e az IED-ket az IEEG-ben, és rendelkeznek-e formális vagy informális vagy semmilyen képzéssel az IED azonosítására és eltávolítására vonatkozóan, valamint abból, hogy a fenti stratégiák (1-4) közül melyiket (vagy másikat) hajlamosak használni. A fent leírt cikkek (összesen 79, mivel néhány cikk átfedésben volt, vagy több levelező szerzője volt) levelező szerzőinek e-mailben kértük önkéntes részvételüket, amelyet anonimizáltunk (az UCSF IRB irodája szerint mentesül az IRB követelményei alól). Megkértük ezeket a személyeket, hogy továbbítsák a felmérést más kollégáknak és munkatársaknak is.

44%-os válaszadási arányt kaptunk, a felmérésre válaszolók súlyozottan a posztdoktori és a kar tagjai felé, valószínűleg a megfelelő szerzők populációjának e-mailben történő mintavételi torzítás miatt (2B ábra). Megjegyzendő, hogy ezektől a vezető laboratóriumi tagoktól származó válaszok valószínűleg a laboratóriumuk egészének gyakorlatát képviselik az IED-stratégiájukkal kapcsolatban, bár ez kevésbé alkalmazható az IED ismeretére és a képzésre vonatkozó kérdésekre. Minden válaszadó jelezte, hogy ismeri az IED-ket, ami megnyugtató eredmény, bár a felmérés jellege valószínűleg befolyásolta. Ami az IED-k felismerésére és a kezelési módszer(ek)re vonatkozó képzést illeti, a többség informális képzést kapott (2C. ábra), néhányan pedig egyáltalán nem kaptak képzést. Nem meglepő módon azok, akik formálisan képzettnek vallották magukat, junior és senior oktatók voltak, ami összhangban van a legtöbb kontextusban a formális EEG-képzés ösztöndíjas szintű klinikai követelményeivel. A válaszadók többsége manuális megközelítést alkalmazott, akár önmagában, akár manuális-automatizált hibridként (1. és 3. stratégia; 2D ábra), ami a várakozásoknak megfelelően általában összehasonlítható a szakirodalmi áttekintéssel (2A ábra). Érdekes módon nem találtunk olyan cikket, amely kifejezetten a 4. stratégia (“agnosztikus”) alkalmazását jelölte volna meg, annak ellenére, hogy a válaszadók 9%-a így azonosította magát, és az automatizált módszerek (2. és 3. stratégia) beépítése nagyobb arányban volt jelen a felmérés válaszaiban (55%), mint az irodalmi áttekintésben (14%). Ezek az eltérések azonban a kéziratos módszerek és a közvetlen felmérés eltérő kontextusa, valamint a mintavételi torzítás (a felmérés válaszadási aránya) miatt a jelentés torzításával magyarázhatók.

További megfontolások

Míg ez a cikk elsősorban az IED-kre összpontosít, az itt leírt veszélyeket és stratégiákat ki lehet és ki kell terjeszteni más elektromos vagy nem fiziológiai műtermékek (kábelmozgások, elektródapattanások, erősítő telítettsége stb.), mivel ezek hasonló éles, nagy amplitúdójú eltérésekkel járhatnak. Ami a csatornák kizárását illeti, a bőséges IED-vel rendelkező csatornák különösen problematikusak a háttérbecslésekre támaszkodó automatizált módszerek számára. Továbbá, ha normális neurofiziológiát kívánunk vizsgálni, ezeket a csatornákat és azokat, amelyekről ismert, hogy léziós szövetben vannak, egyenesen ki kell zárni (Frauscher et al., 2018a); ez a gyakorlat az irodalmi áttekintésünkben szereplő kéziratok körülbelül egyharmadában tükröződött (2A ábra).

A megfelelő kísérleti kontroll tekintetében gyakran kiemelkedően fontos, hogy az IED-jelölést a feladateseményekre és a kísérleti körülményekre vakon végezzük (leginkább az 1. és 3. kézi stratégiák esetében releváns), hogy elkerüljük a vizsgálati eredményeket befolyásoló torzításokat (pl. az IED-ket gyakrabban tartalmazó kísérletek eltávolítása az egyik feltételből, mint a másikból). Ami a kísérletalapú vizsgálatok potenciális zavaró tényezőit illeti, az IED-kről gyakran feltételezik, hogy kiszámíthatatlanul fordulnak elő, akár a véletlenszerűségig: ez a feltételezés kedvező, ha az IED-ket az adatokban hagyják (4. stratégia), mivel a hamis pozitív és negatív eredmények a kísérletek átlagolásával csökkennének, ami javítja a neurofiziológiai jel-zaj arányt. Meg kell azonban jegyezni, hogy az IED-k időzítése nem feltétlenül véletlenszerű egy viselkedési feladatban. Az IED-k időzítésének vagy mennyiségének feladatfüggő modulációját leírták (Matsumoto et al., 2013), ami potenciálisan megzavarhatja az eredményeket azáltal, hogy bizonyos próbaszegmensekben a hamis eredményeket jobban súlyozza, mint másokban. Ez a 4. stratégia alkalmazása ellen szólna, bár ismét a próbaszámok és a statisztikai teljesítmény problémás lehet, amint azt fentebb említettük.

Végezetül, a jelfeldolgozási következmények mellett érdemes megemlíteni, hogy az IED-k átmenetileg megzavarhatják annak a régiónak a helyi neurális diszfunkcióját is, amelyben előfordulnak (Krauss et al., 1997; Kleen et al., 2013; Horak et al., 2017; Ung et al., 2017). Ez olyan kognitív hibákhoz vezethet, amelyek befolyásolhatják a vizsgálaton alapuló és egyéb elemzéseket, külön érvet szolgáltatva az IED-vel végzett vizsgálatok kizárása mellett a “normális” kognitív feldolgozásra vonatkozó következtetések levonásakor.

Következtetések

A humán intrakraniális neurofiziológia felgyorsulása nagy izgalmat közvetít a közelgő felfedezések és képességek tekintetében, beleértve az alapvető idegtudományok bővítését, a klinikai terápiák javítását és az agy-gép interfészek fejlesztését. Az IED-k azonban a hamis eredmények buktatóit jelentik, amelyeket nehéz elkerülni annak az in vivo epilepsziás szövetnek a természete miatt, amelyből az adatokat rögzítik. Fokozott éberségre van szükség az IED-k elkerülése érdekében az adatokban, ha/amikor szükséges, ami a fent felsorolt stratégiák megfontolásával és alkalmazásával biztosítható. Javasoljuk továbbá, hogy a középszintű és vezető kutatók tegyenek kísérletet arra, hogy laboratóriumaikban az IED azonosítására, felderítésére és eltávolítására szolgáló módszerek szabványosított képzési előadásokat vagy szimulációkat fejlesszenek és biztosítsanak. Ez fontos készségekkel ruházza fel a fiatalabb kutatókat, hogy megértsék és konstruktívan megvizsgálják saját és mások adatait. Ezenkívül a tudományos kommunikáció javítására van szükség (Suthana et al., 2018), így a normál emberi neurofiziológiáról szóló kéziratoknak egyértelműen közvetíteniük kell az IED-k kezelésére használt megközelítést és annak indokoltságát a tanulmányuk összefüggésében. A fokozott éberség és az egyértelmű kommunikáció ilyen gyakorlata remélhetőleg javítani fogja a reprodukálhatóságot, hogy a terület előrelátható visszaesések nélkül folytathassa gyorsulását.

Adatok elérhetőségi nyilatkozata

A jelen cikkben szereplő felmérési adatok letölthetők a doi: 10.5281/zenodo.3626105.

Etikai nyilatkozat

A humán résztvevőkkel végzett vizsgálatokat a University of California San Francisco Institutional Review Board felülvizsgálta és jóváhagyta. A nemzeti jogszabályoknak és az intézményi követelményeknek megfelelően a vizsgálatban való részvételhez nem volt szükség írásbeli beleegyezésre.

A szerzők hozzájárulása

SA és JK kidolgozta a kézirat koncepcióját, létrehozta és terjesztette a felmérést, elvégezte az irodalomkutatást és megírta a kéziratot. ML és EC jelentős visszajelzést és szerkesztést nyújtott a kézirathoz. Minden szerző elolvasta és jóváhagyta a benyújtott kéziratot.

Finanszírozás

SA-t az NIH Diversity Supplement R01-DC012379 keretében finanszírozta. JK-t a National Institutes of Health/National Institute of Neurological Disorders and Stroke (NIH/NINDS) R25NS070680 és K23NS110920 támogatásaiból finanszírozta. ML-t az NIH R01-DC015504, F32-DC013486 és a Kavli Institute for Brain and Mind, valamint a DARPA N66001-17-2-4008 szerződése támogatta. EC-t az NIH Grants (R01-DC012379, R00-NS065120 és DP2-OD00862) és az Esther A. and Joseph Klingenstein Fund finanszírozta.

Conflict of Interest

A szerzők kijelentik, hogy a kutatást olyan kereskedelmi vagy pénzügyi kapcsolatok hiányában végezték, amelyek potenciális összeférhetetlenségként értelmezhetők.

Köszönet

Köszönjük Maxime Baud-nak és Han Yi-nek a hasznos megbeszéléseket és észrevételeket a kézirat elkészítése során.