Forskningspresentasjon av artiklene "Visually guided associative learning in pediatric and adult migraine without aura" og "Predicting Stimulus Modality and Working Memory Load During Visual- and Audiovisual-Acquired Equivalence Learning".
András Puszta: Bruk av nye metoder og kunstig intelligens innen forskning på migrene, læring og hukommelse
I denne oppsummeringen vil jeg presentere en nevrokognitiv test - en såkalt ervervet ekvivalensprøve/"acquired equivalence test" og våre resultater publisert i samarbeid med University of Szeged, Ungarn. Jeg vil presentere de grunnleggende funksjonene i denne testen og våre siste resultater hos migrenepasienter.
Til tross for siste årets utfordringer klarte vi bl.a å publisere to tidligere studier sammen med min tidligere forskningsenhet ved Universitetet i Szeged, Ungarn. De to studiene beskrevet nedenfor er også viktige fordi vi ved Nevropsykologisk avdeling ved Senter for psykisk helse og rus Mosjøen i 2020 lanserte en studie som skal undersøke voksne med ADHD. Innenfor studien, med arbeidstittel Kognitiv kontroll hos voksne med ADHD vil vi registrere EEG (elektroencefalogram) mens deltakeren utfører oppgaver som krever ulike kognitive funksjoner, som bl.a. arbeidshukommelse og konsentrasjon. En av oppgavene vil være lik testen som ble brukt i de publiserte studiene.
Først må vi avklare noen begreper. Migrene er en type lidelse som kan forårsake alvorlige bankende smerter eller en pulserende følelse, vanligvis på den ene siden av hodet. Det ledsages ofte av kvalme, oppkast og ekstrem følsomhet for lys og lyd. Migreneanfall kan vare i timer til dager, og smertene kan være så alvorlige at det forstyrrer dine daglige aktiviteter.
For noen mennesker oppstår et advarselssymptom kjent som aura før eller med hodepine. En aura kan omfatte synsforstyrrelser, for eksempel lysglimt eller blinde flekker, eller andre forstyrrelser, som prikking på den ene siden av ansiktet eller i en arm eller et bein og vanskeligheter med å snakke.
Vår forskning fokuserte på migrene uten aura.
Rutgers ervervet ekvivalensprøve er et visuelt læringsparadigme som involverer regelinnhenting og generalisering (lære regler basert på mønstre og deretter bruke regelen i nye situasjoner). Tidligere (Acquired equivalence and related memory processes in migraine without aura) fant vi nedsatt ytelse i dette paradigmet blant voksne med migrene uten aura.
Barn som lever med migrene uten aura
Målet med studien var å undersøke om lignende funksjonsnedsettelser allerede finnes hos barn med denne sykdommen, og å sammenligne ytelsen til den pediatriske populasjonen med den hos en voksen populasjon. Et utvalg med 27 barn og ungdommer som nylig ble diagnostisert med migrene uten aura og 27 kontroller ble testet med Rutgers ervervet ekvivalensprøve
Vi fant at i motsetning til redusert ytelse hos voksne pasienter som gjennomførte testen, ble det ikke funnet noen signifikant forskjell mellom barn og unge pasienter og kontroller i noen fase av testen.
Barn som lever med migrene uten aura, viser således ikke de samme kognitive utfordringene målt i Rutgers ervervet ekvivalensprøve som deres voksne kolleger. Det kan antas at nedsatt læring ikke er et iboende trekk i den kognitive profilen ved migrene, snarere et resultat av forstyrrelsen sykdommen gir til den normale utvikling.
Vi fant at i motsetning til redusert ytelse hos voksne pasienter som gjennomførte testen, ble det ikke funnet noen signifikant forskjell mellom barn og unge pasienter og kontroller i noen fase av testen.
Til det brukte vi en såkalt maskinlæringsalgoritme.
Men hva er denne "maskinlæringen" egentlig?
Maskinlæring er et rammeverk for kunstig intelligens, som gjør at programmer kan bli mer nøyaktige når det gjelder å forutsi resultater basert på tidligere erfaringer. Vi må avklare de to hovedtypene av variabler som brukes i maskinlæring: prediktorene og målvariabelen. Prediktorer er variabler som kan være nyttige og som er relevante for utfallet. Målet er en variabel som bare måler utfallet.
La oss ha et enkelt eksempel for å demonstrere maskinlæringsalgoritmen. La oss anta at vi er i ferd med å lage en kake, men vi vet ikke hvordan vi skal gjøre det (hva er det riktige forholdet mellom ingrediensene eller riktig temperatur på ovnen). Deretter prøver vi å lage lage kaker med ulike blandingsforhold mellom ingrediensene og variasjon i ovnstemperaturen . I dette tilfellet var prediktorene ingrediensene og ovnens varme, og målet er utfallet av kaken (god/dårlig).
I maskinlæringsalgoritme deler vi datasettet i to. La oss si at vi har bakt kaken 10 ganger, så deler vi den 8-2. Hoveddelen vil bli brukt til å lage den matematiske modellen for å forutsi utfallet av kaken. Den andre delen av datasettet vil bli brukt til å teste denne algoritmen. Vi forutsier resultatet ved hjelp av den matematiske modellen, og deretter sammenligner vi dette spådde utfallet av det faktiske utfallet. Dette kalles forutsigelsesnøyaktighet. Etter å ha brukt maskinlæring på datasettet vårt nå, er vi i stand til å 1. Optimalisere forholdet mellom ingrediensene og ovnens varme 2. Velg de viktige prediktorene (for eksempel kan ikke oppvarming av ovnen være like viktig som melet) og 3 .hva er sjansene for at hvis vi bruker de optimale prediktorene, vil kaken vår være god.
Så maskinlæring kan også brukes ikke bare for å optimalisere våre bakeferdigheter, men også for å forbedre forskningsresultatene. I studien vår brukte vi elektroencefalogram (EEG) for å måle hjernens elektriske aktivitet, mens deltakerne utførte en spesiell test.
Oppgaven var en kognitiv test som undersøker lærings- og minnefunksjoner. Antall assosiasjoner som må opprettholdes (med andre ord: arbeidsminnebelastning) øker under testen. Vår gruppe modifiserte denne testen for å kople audiovisuelle og rent visuelle assosiasjoner. Målet med studien var å registrere hjernens elektriske aktivitet ved hjelp av EEG under testen, og basert på dette utvikle en algoritme som kan fortelle først om antall assosiasjoner (arbeidsminnebelastning) som ble opprettholdt og dernest om modaliteten til assosiasjonene (rent visuelt eller audiovisuelt).
Det var 18 friske unge frivillige som deltok i studien, og vi registrerte 64 kanals-EEG mens de utførte den kognitive testen. Under analysen brukte vi støttevektormaskin (en form av maskinlæring) for å forutsi arbeidsminnekapasiteten og sammensetningen (modaliteten) av disse.
Generelt klarte vi å oppnå høy nøyaktighet i å forutsi arbeidsminnebelastningen og modaliteten fra forskjellige parametere i det registrerte EEG.
Disse resultatene belyser også noen spesifikke parametere for hjerneaktiviteten som er spesifikke for arbeidsminnet og modaliteten til assosiasjonene i den nåværende testen. Disse parameterne kan deretter testes i andre kliniske populasjoner, for eksempel ADHD.
Av: András Puszta, lege/post.doc., Nevropsykologisk avdeling, Senter for psykisk helse og rus Mosjøen