روانشناسی
یکی از روشهای موثر در کاهش وقوع تشنج در بیماران مبتلا به صرع مقاوم به دارو یکی از روشهای موثر در کاهش شیوع تشنج در بیماران مبتلا به صرع مقاوم به دارو است .
مطالعات قبلی نویسندگان نشان داد که افزایش هدایت پوستی در بیماران مبتلا به صرع میتواند تحریکپذیری نورونهای حرکتی را آرام کند و انتقال پوستی با تغییرات منطقهای در فعالیت مغز همراه باشد .
در مطالعه حاضر , نویسندگان بررسی کردند که آیا بیوفیدبک به شبکههای پیچیده وظایف عصبی باز میگردد که اغلب در بیماران مبتلا به صرع انجام میشود . آنها دادههای آزمایش بالینی را از هشت بیمار مبتلا به صرع لوب گیجگاهی که سه بار در هفته به مدت چهار هفته و سه بار در هفته تمرین کردند , بررسی کردند .
نویسندگان گزارش میدهند که یک ماه آموزش بیوفیدبک به طور متوسط در همه بیماران , شیوع تشنج را کاهش میدهد . افزایش اتصال شبکه در نواحی مغز مسئول تحریک هیجانی و کنترل قشر حرکتی مشاهده شد .
یوکو میگوید : " یافتههای ما نشان میدهد که بیوفیدبک یک درمان رایگان , غیردارویی و جانبی برای بیماران مبتلا به صرع مقاوم به دارو است . "
مطالعه دوم یک موج ناشناخته پیشین مرتبط با استفاده از گوشیهای هوشمند را آشکار میکند . محققان کلینیک مایو در ارتباط با همکاران در مرکز پزشکی دانشگاه , شکل موج را در طول نظارت بر eeg بیماران مبتلا به صرع در موسسات فلوریدا و ایلینویز تشخیص دادهاند .
با دوبله شدن " ریتم نوشتاری " , شکل موج از طریق پیامهای متنی فعال القا میشود و تولید قابل تکرار , محرک - فراخوانده شده, شکل موج برشی تعمیمیافته را ایجاد میکند . شکل موج در طول تماسهای صوتی یا در طول فعالیتهای غیر نوشتاری شامل شناخت , گفتار و یا حرکت در یک بازوی مطالعه مشاهده نشده است . با توجه به مولفان , شکل موج ممکن است بازتاب شبکه عصبی مشاهدهشده در طول ارتباطات غیر شنوایی باشد و اهمیت آن باید در مطالعات بیشتر ارزیابی شود .
" این یافتهها شواهدی عینی ارائه میدهند مبنی بر اینکه استفاده از گوشیهای هوشمند قادر به تغییر است . این ویژگی از eeg میتواند نشاندهنده یک رابط مغزی - تکنولوژی منحصر به فرد باشد که میتواند درک ما از روشی را که برخی افراد بدون بیان کلامی یا نشانههای بصری ارتباط برقرار میکنند , بیشتر کند . " ویلیام تتوم " , یک متخصص اعصاب در کلینیک مایو در فلوریدا میگوید : " از نقطهنظر عملی , یک معیار عینی در مغز فراهم میکند که میتواند به طور بالقوه در وظایفی که نیاز به توجه کامل دارند , دخالت کند . "
در مطالعه سوم , محققان از دادههای دانشگاه جانز هاپکینز در زمان واقعی برای آموزش الگوریتم یادگیری ماشین برای تشخیص حمله استفاده کردند . فنآوری کمی میتواند به بیماران در مورد حمله قریبالوقوع به علت تغییرات گسترده در الگوهای شروع حمله و مناطقی که تشنج در مغز رخ میدهد , هشدار دهد . تکنولوژیهای تشخیص حمله مدرن بر الگوریتمهای یادگیری ماشین تکیه میکنند تا ویژگیهای eeg را در رخدادهای تشنجی یا غیر تشنجی ایجاد کنند, اما دادههای بالینی مورد نیاز برای ایجاد الگوریتمهای دقیق و بیمار میتوانند مشکل باشند .
منبع سایت علم روز