Hvordan kan tinnitus diagnostiseres og behandles med ny teknologi?

Tinnitus, en tilstand hvor man hører lyd uten en ekstern kilde, påvirker mellom 5 og 15% av verdens befolkning. Det kan oppstå på grunn av eksponering for høye lyder, feber, ototoksisitet eller midlertidige forstyrrelser i mellomøret. Tinnitus er et fenomen som kan oppleves av personer med normal hørsel så vel som de med hørselstap, og har et bredt spekter av årsaker og manifestasjoner.

Nylig har teknologiske fremskritt gjort det mulig å utvikle mer presise og tilpassede diagnostiske verktøy for tinnitus. Dette inkluderer systemer som bruker elektroencefalogram (EEG) for å overvåke hjernens respons på stimuli som kan fremkalle tinnitus, samt utvikling av maskinlæringsmodeller for å analysere fysiologiske signaler som kan gi innsikt i både tinnitusens årsak og potensielle behandlingsmetoder. Et slikt system kan analysere variasjoner i hjerneaktivitet, hørselstap, og andre fysiologiske signaler som er assosiert med tilstanden, for å gi mer presise diagnoser og skreddersydde behandlingsplaner.

En interessant tilnærming er bruken av event-relaterte desynkroniseringskart (ERD/ERS) for å vurdere tinnitusens effekt på hjernens aktivitet i sanntid. Dette kan bidra til å identifisere hvilke områder av hjernen som er spesielt påvirket av tinnitus og hjelpe til med utviklingen av målrettede terapier. Teknologi som involverer dyp læring, der maskiner trenes på å gjenkjenne mønstre i store datasett av fysiologiske signaler, har vist lovende resultater for å forbedre nøyaktigheten og hastigheten på tinnitusdiagnostisering.

Videre har forskning innenfor følelser og hvordan de relaterer seg til fysiologiske reaksjoner vært viktig for å forstå og behandle tinnitus. Studier har vist at emosjonell tilstand kan forsterke tinnitus-opplevelsen, og derfor er det et økende fokus på å integrere emosjonsgjenkjenningsteknikker i tinnitusbehandling. Dette kan for eksempel innebære bruk av systemer som registrerer kroppens fysiologiske respons på stress eller angst, som ofte er forbundet med tinnitusforverring.

Behandlingen av tinnitus har tradisjonelt vært basert på maskeringsterapi, der pasienten bruker lydterapi for å "maskere" de uønskede tinnituslydene. Men nyere metoder inkluderer nevromodulering, som bruker elektriske impulser for å påvirke hjernens aktivitet på en måte som reduserer eller til og med eliminerer tinnituslyden.

Ved å kombinere disse teknologiene og metodene har vi muligheten til å utvikle mer effektive behandlingsalternativer, og kanskje til og med tilpasse behandlingene for hver enkelt pasient, basert på deres spesifikke hjernesignaturer og fysiologiske reaksjoner.

Hvordan akutt smerte påvirker ytelsen til fNIRS-baserte BCI-er: En studie på hjernesignalers respons på smerte

Smerten er en kompleks og subjektiv opplevelse, som kan påvirkes av en rekke psykologiske og fysiologiske faktorer. Den har vært gjenstand for flere studier, som har forsøkt å forstå dens mekanismer og innvirkning på ulike kognitive og fysiske prosesser. Særlig i sammenheng med bruk av hjerne-kommunikasjonsgrensesnitt (BCI), har det blitt påpekt at smerte kan ha betydelig innvirkning på ytelsen til slike systemer. Dette gjelder spesielt når brukeren er utsatt for akutt smerte, en type smerte som er mer forstått når det gjelder nevrologiske mekanismer, men som fortsatt er dårlig standardisert i forhold til måling og behandling.

Akutt smerte skiller seg fra kronisk smerte ved at dens innvirkning på hjernens homeostatiske regulering er mye mer tydelig og umiddelbar. I teorien kan smerte, spesielt den som oppleves under trening eller tilpasning av BCI-enheter, føre til feilaktig signalbehandling og dermed redusert effektivitet. Et sentralt problem i denne sammenhengen er mangel på standardiserte metoder for å måle smerte. Til tross for flere forsøk på å utvikle spørreskjemaer og biomarkører som kan kvantifisere smerten, finnes det fortsatt ikke universelle standarder for hvordan man bør vurdere smerte under kliniske forhold.

I sammenheng med BCI-er, som benytter elektriske signaler fra hjernen til å kontrollere eksterne enheter, kan effekten av smerte på hjernesignalene være avgjørende for systemets ytelse. Når en pasient er utsatt for smerte under trening, kan dette føre til endringer i de elektriske signalene som samles inn av BCI-en, og dermed påvirke klassifiseringen av mentale oppgaver som utføres. Dette kan også føre til feil i funksjonen av enheten, da treningsfasen kan være smertefri, mens den praktiske bruken av BCI-en kan involvere smerte som endrer hjernesignalene.

Eksperimenter som undersøker virkningen av smerte på BCI-ytelse, har vist at hjernesignaler som registreres ved hjelp av teknologier som EEG og fNIRS (funktionell nær-infrarød spektroskopi) kan være følsomme for smerte. Dette har ført til et økt behov for modeller og funksjoner som er robuste nok til å håndtere effekten av smerte. I denne sammenhengen er det blitt undersøkt hvordan klassifiseringsmodeller som støttevektormaskiner (SVM) og dyp læring kan brukes til å identifisere om BCI-systemene er tilstrekkelig motstandsdyktige mot smertens påvirkning.

I et eksperiment utført ved Rutgers University ble fire friske deltagere utsatt for både smertefrie og smertefulle forhold under utførelsen av mentale oppgaver. Forsøkene involverte to typer mentale regneoppgaver, der deltagerne ble utsatt for termisk smerte via en varmekilde mens de utførte oppgavene. Formålet med eksperimentet var å undersøke hvordan smerte påvirker hjernesignalene som er registrert av fNIRS-systemet, og deretter vurdere hvordan disse signalene påvirker klassifiseringsnøyaktigheten i en BCI.

Det ble brukt to typer klassifikatorer i eksperimentet. Den første var en tradisjonell, overvåket læringsalgoritme (SVM), som er kjent for å være følsom for manuell valg av funksjoner, og den andre var et mer moderne system basert på dyp læring, nemlig et konvolusjonelt nevralt nettverk (CNN), som er i stand til å lære og trekke ut relevante funksjoner automatisk fra dataene. Dette eksperimentet ble gjennomført med hjelp av NIRx-systemet, som brukte spesiallagde hodeplagg for å registrere hjernesignaler fra både prefrontale og motoriske områder av hjernen.

I den smertefrie tilstanden ble deltagerne bedt om å utføre to mentale regneoppgaver, der de skulle subtrahere et to-sifret tall fra et tre-sifret tall og telle baklengs fra et gitt tall. Når deltagerne ble utsatt for smerte, ble smerten indusert ved hjelp av en termisk stimulator som påførte varme på venstre håndflate. Dette ble gjort i et kontrollert eksperimentelt oppsett for å sikre at smertens intensitet kunne justeres i henhold til deltagernes individuelle smertetoleranse.

Resultatene fra eksperimentene indikerte at både SVM og CNN-modellene hadde varierende grader av nøyaktighet når det gjaldt klassifisering av oppgavene under smerteforhold. Den mest interessante observasjonen var at den klassiske SVM-tilnærmingen, som involverte manuell funksjonsutvelgelse, var mer påvirket av smerte, mens CNN-modellen viste en bedre robusthet mot endringer i hjernesignalene forårsaket av smerte. Dette kan tyde på at mer avanserte metoder innen maskinlæring, som automatisk kan tilpasse seg endringer i hjernesignalene, kan være mer egnet for bruk i BCI-er som skal operere under smertefulle forhold.

Dette eksperimentet fremhever en kritisk utfordring innen BCI-forskning: behovet for å utvikle systemer som kan tilpasse seg endringer i hjernesignalene forårsaket av eksterne faktorer som smerte. Det er nødvendig å utvikle modeller som ikke bare er presise i kontrollsituasjoner, men som også kan håndtere det biologiske og psykologiske kompleksiteten som smerte bringer med seg. Den pågående forskningen på dette området kan potensielt lede til mer robuste BCI-teknologier, som vil være i stand til å fungere effektivt også under forhold der smerten er til stede.

Endelig er det viktig å merke seg at det å forstå smertens innvirkning på BCI-er er bare en del av et større bilde. Når man utvikler assistive teknologier som disse, er det avgjørende å ta hensyn til hvordan individuelle forskjeller i smerteopplevelse kan påvirke den teknologiske ytelsen, samt hvordan psykologiske faktorer som frykt og angst kan forsterke eller dempe smertens effekt på hjernesignalene.

Hvordan pulsasjonen i trommehinnen kan brukes til å overvåke intrakranielt trykk (ICP)

Pulsasjonen av trommehinnen kan være et nyttig verktøy for å overvåke intrakranielt trykk (ICP), som reflekterer den dynamiske bevegelsen av cerebrospinalvæske (CSF) gjennom hjernens ventrikler og hjernevev. I følge tidligere studier (Rodríguez-Boto et al., 2015) inneholder ICP-bølgen spesifikke kjennetegn knyttet til intracerebral ettergivenhet. Når ICP øker, gjennomgår bølgen karakteristiske endringer, som vist i figuren (Rodríguez-Boto et al., 2015). Tre distinkte topper kan observeres i ICP-bølgen: P1 (perkusjonsbølge), P2 (tidalbølge) og P3 (dikrotisk bølge). P1 antas å stamme fra arterielt trykk gjennom choroid plexus inn i ventriklene, mens P2 reflekterer hjernens ettergivenhet og kan være et tegn på endringer i intrakranialt trykk. P3 stammer trolig fra lukking av aortaklaffen (Rodríguez-Boto et al., 2015; Kirkness et al., 2000; Nag et al., 2019).

Spontan trommehinnens pulsasjon (TMp) har blitt ansett som en nyttig ikke-invasiv metode for å overvåke ICP ved hjelp av små trykksensorer plassert i øregangen. Evensen et al. (2018) undersøkte hvordan ICP-bølgen kan overføres til trommehinnen gjennom cochleae akvedukt, og hvordan dette kan forårsake bevegelse i de auditive benene som igjen påvirker trommehinnen. Denne fenomenet kan detekteres ved hjelp av passende sensorer som kan fange opp luftfluktuasjoner forårsaket av trommehinnens pulsasjon (TMp). Det er påvist at disse signalene kan ha diagnostiske verdier ettersom de formidler informasjon om ICP-bølgens egenskaper.

I tillegg har Evensen et al. (2018) brukt spesifikke overføringsfunksjoner for å estimere ICP basert på spontane TMp-signaler, og sammenlignet disse estimeringene med invasive målinger av ICP. Deres resultater viste at den generelle morfologien av ICP-bølgen fra TMp var lik den invasive målingen, men at det var variasjon i måleverdiene, spesielt på grunn av usikkerheter i målingene og lav-pass filtreringseffekten gjennom cochlear akvedukt. Til tross for dette, indikerte studien at TMp kan brukes som et ikke-invasivt verktøy for å estimere ICP med høy grad av pålitelighet.

Flere studier har undersøkt metodene for å endre ICP for å forstå hvordan TMp reagerer på endringer i trykket. For eksempel, ved å bruke hodet på skråstilling (som i Stettin et al., 2011), ble ICP bevisst økt for å observere hvordan TMp reagerte på trykkvariasjoner. Det ble bekreftet at endringer i TMp ble relatert til ICP-nivået, og ikke til spesifikke manøvrer eller stimuli. Dette understreker at TMp er et sensitivt mål på intracranialt trykk og kan være et potensielt diagnostisk verktøy for å overvåke tilstander som økt ICP.

I lys av disse funnene er det viktig å merke seg at selv om TMp har et stort potensial som et ikke-invasivt verktøy for å estimere ICP, er det fortsatt utfordringer knyttet til nøyaktigheten og påliteligheten av målingene, spesielt ved svært høye ICP-nivåer. Den teknologiske utviklingen av sensorer og analysemetoder vil kunne bidra til å forbedre presisjonen i fremtidige målinger, og dermed gjøre det lettere å bruke TMp i kliniske sammenhenger.