Giriş
Dijital EEG, büyük bir hızla geleneksel EEG veri kaydetme yöntemlerinin yerini almaktadır. Dijital sinyal analizleri gerçekleştiren sistemler analog dalga formlarının çevrilmeyi kısıtlayan oranlarda numunelerini alırlar ve tuğla-duvar dijital filtrelerin kullanımı da sinyal örtüşmesi ihtimalini önemli ölçüde düşürürler. Dijital EEG’nin geleneksel EEG’ye göre fazladan avantajları da var. Dijital sinyaller bilgisayarda sayısal değerlerle temsil edilirler ve bu da verilerin doğrudan istatistiksel analizinin yapılmasını sağlar. Uzun süredir EEG kompozisyonuna daha derinlikli bir bakış sağladığı bilinen EEG’nin nicelikselliğinin (QEEG) popülerliğinin artışta olması ve klinik nöroloji, psikiyatri ve nöro-psikoloji alanlarında genel olarak kabul görmeye devam etmesi şaşırtıcı değildir.
Grass ve Gibbs en eski niceliksel EEG analizini 1939’da gerçekleştirdiler. İkinci elli yıl da bugünün EEG yoğunluğuna neden olan belli alanlarda önemli gelişmelere sahne olmuştur: önce, bilgisayar teknolojisinin hızla gelişmesi; ikinci olarak 1965 yılında Hızlı Fourier Dönüşümü’nün sinyal dalga formlarının doğru şekilde analizine olanak sağlaması; üçüncü olarak ise, EEG’nin nöro-psikolojik temelinin daha da iyi anlaşılması.
Geçtiğimiz 20 yılda, araştırmacılar ve klinisyenler QEEG’nin küçük beyin rahatsızlıklarının yanı sıra önemli ve büyük beyin rahatsızlıklarında da klinik verimliliğini ispatladılar. Artık bir QEEG literatürü mevcuttur ve bunun küçük bir kısmı da bu kılavuzun sonuç bölümünde verilmiştir.
NÖROMETRİ NEDİR?
Nörometri, bir referans veri tabanı ile karşılaştırmak üzere bir EEG kaydından yüksek sayıda niceliksel özellik çıkarmak için öznel bilgisayar algoritmaları kullanan bir QEEG analiz yöntemidir. Analiz için seçilen EEG, FFT analizine tabi tutulur ve buradan da EEG’nin güç dağılımı (genişlik) ve frekans kompozisyonu elde edilir. Nörometride, elde edilen her özellik bir istatistik değerlendirmeye tabi tutulur ve çok değişkenli istatistik prosedürleri kullanılarak normal bir veri tabanında gözlemlenen aynı değerlerin dağılımı ile karşılaştırılır (John ve diğerleri, 1977). Bu karşılaştırma her gözlemi değerin normal referans dağılımından olma ihtimalinin tahmini ile değiştirir. Gözlem istatistiksel olarak ne kadar alışılmadık olursa, bu skorun elde edilmesini sağlayan beyin sisteminin işlevsel olarak bozuk veya anormal olması ihtimali de o kadar yüksektir.
Bireyin kompozit niceliksel profili, skor değerlerinin özel şablonu temelinde istatistiksel olarak tanımlanabilir. Belirli gruplardaki skor değerlerinin devamlı kombinasyonları temelinde oluşturulan ayırt edici çok değişkenli profiller, beyin işlev bozukluklarının bir ‘sayısal taksonomi’sinin hazırlanabileceğini çağrıştırır (John ve diğerleri, 1980). Hazırlanmış ve değerleri belirtilmiş profiller önceden sınıflandırılmamış bireyleri değerlendirmek için kullanılabilir; grup üyeliğini Nörometrik profilin bilinen teşhis grupları ile istatistiksel benzerliğinin derecesinin bir işlevi olarak tanımlayan karşılaştırma.
Gerilimin alenen rasgele olan değişimlerine rağmen, normatif çalışmalar (Matousek ve Peterson, 1972; John ve diğerleri, 1980, 1988a) spontane verilere dayanan EEG’nin istatistiksel olarak oldukça sıradan ve kuraldışı bir işlem olduğunu göstermiştir. Bu bulgular, bebeklik çağından yaşlılık dönemlerine kadar her yaştan normal bireylerin uluslararası 10/20 sistemindeki her elektrot pozisyonunda EEG’nin delta, teta, alfa ve beta frekans bantlarının genel frekansını, gerçek ve göreceli gücünü, kapsamını ve simetrisini tanımlayan elde edilen bütün özelliklerin dağılımının tahmini yapan ve modelleyen normatif denklemlerin kurulması için temel oluşturmuştur (John ve diğerleri, 1987). Elde edilen bulgular her beyin bölgesindeki veya bilateral simetrik (homolog) bölüm çiftlerindeki EEG’yi niceliksel olarak tarif eder. Nörometride bu özelliklere tek değişkenli özellikler denmektedir. Nörometri bu özelliklerin önceden farklı olan fiziksel boyutlarını (gerilim, frekans, faz, vb.) yaygın olasılık boyutuna yeniden ölçeklendirdiğinden (Z-skorları kullanarak), farklı tek değişkenli alt küme özellikleri değişkenlikleri göz önünde bulundurularak kompozit özelliklerde bir araya getirilebilirler. Kompozit özellikler seçilmiş beyin bölgeleri (örneğin, sol lob veya serebral beyin kökünün ortasının sıvı kısmı) içerisinde ve arasındaki ilişkilerin organizasyonunu niceliksel olarak tarif ederler ve bunlara çok değişkenli özellikler olarak refere edilir. Bu beyin fonksiyonları için de normatif denklemler geliştirilmiştir (John ve diğerleri, 1987a).
Tarif edici istatistiksel denklemlerin kullanımı bireyin yaşının bir işlevi olarak her Nörometrik değişken için beklenen skor değerlerinin tahminini sağlar. Beklenen skor değerleri, bireysel test çıktılarının istatistiksel olarak değerlendirilebileceği bir referans dizisi olarak kullanılabilir. Beklenen değerlerden sapmalar, bunların anormal olma ihtimallerinin derecesi olarak değerlendirilebilir; bireyler arasında özgün ve farklılıklar bulunan bir dizi anormalliğin gelişimi, bu bireylerin oluşturduğu grubu matematiksel olarak tanımlayan ayırt edici bir fonksiyon oluşturmak için kullanılabilir. Bu türden karşılaştırmalar normal ile anormalin birbirinden ayırt edilebilmesini sağlarlar ve şablonun bilinen bir nörolojik veya psikiyatrik rahatsızlığı bulunan bireylerde (veya gruplarda) bulunan bilinen şablonlar ile tutarlı olmasını tanımlamak için kullanılabilir.
Normal bireylerin EEG’lerinin Nörometrik analizlerinin yaşlarına göre tahmin edilen değerlerden istatistiksel olarak önemli boyutta sapmalar gösterdiği gözlemlenmiştir. Ortaya çıkan sapmalar tipik olarak tesadüfi veya rasgele seviyelerde gözlemlenmiş ve genellikle meydana geldiği frekans veya sıklık ile tutarlılık göstermemiştir. Öte yandan, nörolojik veya psikiyatrik rahatsızlıkları olan hastaların kendi yaşlarındaki bireyler için normal tahmini değerlerden istatistiksel açıdan önemli boyutlarda sapma gösterme oranının yüksek olduğu gözlemlenmiştir. Sapmaların şablonu genellikle bu bireyin anormallik profili olarak değerlendirilmektedir.
Çeşitli rahatsızlıklar için anormallik profilleri istatistiksel olarak birbirinden farklıdır (Prichep, 1987; John ve diğerleri, 1988a, 1988b).
NÖROMETRİNİN GELİŞİMİ
Dr. E Roy John ve Beyin Araştırma Laboratuarları’ndan (New York Üniversitesi Tıp Merkezi, Psikiyatri Ana Bilim Dalı) meslektaşları 20 yılın üzerinde bir sürede gerçekleştirdikleri araştırmalar ile nörometriyi geliştirdiler. Nörometri, bilgisayarlı veri geliştirme ve analiz etme yöntemleriyle ortaya çıkarılan ve nicelikleri ölçülen EEG özelliklerinin dağılımının niceliğini doğru şekilde ölçmek için en verimli ve önemli girişimdir. Nörometrinin teorisi, iyi şekilde belgelendirilmiş ve kabul edilmiş nöropsikoloji ilkeleri üzerine oturmaktadır. Varsayımlar açıkça belirtilmiş ve ampirik koşullar altında özel olarak belirtilmişlerdir. Operasyonel olarak tanımlanan konseptler ve değişim kaynaklarının kontrolü, nörometrik yöntemin köşe taşlarıdır.
Nörometrik analiz ile elde edilen bilginin zenginliği, istatistiksel olarak çok değişkenli prosedürler ile birtakım psikiyatrik ve nörolojik rahatsızlıkların anlaşılabilir ve istatistiksel olarak tanımlanabilir tariflerine indirgenmiştir. Dünyanın dört bir yanında gerçekleştirilen nörometrik çalışmalar, birbiri ardına nörometrik yöntemin bu hastalıkların beynin elektriksel faaliyetleri üzerindeki etkisini açıklamada bir yöntem olarak başarısını ispatlamıştır.
Nörometrinin temeli, standart hale getirilmiş veri toplama yöntemleri, potansiyel olarak bulaşıcı değişken kaynaklarının kontrol edilmesi, kapsamlı şekilde tanımlanmış normatif veri tabanının oluşturulması ve tek değişkenli ve çok değişkenli istatistiksel tekniklerin kullanımıyla bireylerin bu veri tabanı ile kıyaslanarak değerlendirilmeleridir. Nörometrik yöntemi anlamak, teşhis amaçlı değerlendirme ve tedavi seçimi için önemli bir değeri sağlayacak olan anlamlı bir istatistiksel araca erişimi gerektirmektedir.
John ve arkadaşları (1977) standart hale getirilmiş niceliksel EEG özelliklerinin normatif bir veri tabanı ile karşılaştırıldıklarında birtakım psikiyatrik ve nörolojik beyin rahatsızlıklarının değerlendirilmesi ve ayırt edilmesi için istatistiksel bir destek olarak kullanılabileceklerini savundular. Nörometrinin bir bireyin kaydının normalden sapmasının kesin ve önemli bir tahminini sağladığı da ileri sürülmüştür (John, 1990).
Nörometrinin başlangıçtaki amacı, algısal stimulinin yaşa bağıl gelişimi, işlevsel bütünlüğü, algıyı veya bilişsel değerlendirmeyi yansıtan beyin elektriksel faaliyetlerinin bir kısmının anormal olması ihtimalinin öznel bir değerlendirmesini sağlamaktı. “Anormal” EEG özellikleri, normatif bir referans grupta gözlemlenenlerden istatistiksel açıdan önemli ölçüde sapmalar gösteren özelliklerdir.
Bu amaca doğru en büyük adım, 1973 yılında ulusal bilim Kurumu’nun RANN (Ulusal İhtiyaçlar Araştırmaları) Programının sağladığı bütçeler ile elde edildi. İyi bir şekilde mali açıdan desteklenen proje, özellikle öğrenme sorunları olan çocuklarda EEG’nin bilgisayarlı analizleri ile hissel, algısal, ve bilişsel beyin işlev bozukluklarının erken ve öznel teşhisi için kullanışlı olabilecek bir teknoloji geliştirmeyi hedefliyordu. Davranış değerlendirmeleri, işlev bozukluğu olabilecek işlevleri yansıtan nörofizyolojik değerlendirmeler sayesinde gerçekleştirildi. Aynı davranışsal bozukluğun veya semptomun temelinde yatan patofizyolojik süreçlerin çokluğundan kaynaklandığı öne sürüldü.
Elektrofizyolojik özelliklerin niceliksel ve istatistiksel ölçümleri ile yapılan deneyler çoğaldıkça, daha geniş amaçların tanımlanabileceği ortaya çıktı. Niceliksel EEG analizi sadece çocuklarda beyin elektriksel faaliyetinin topografik haritasını ve istatistiksel verilerini vermekle kalmayıp, aynı zamanda yetişkinlerdeki birçok nörolojik ve psikiyatrik rahatsızlığın tedavisinde de çığır açtı. Ayrıca ince semptomların önceden teşhis edilmesi açısından da büyük fayda sağladı. Nörometri kapsamının bu genişletilmiş vizyonunu destekleyen veriler, QEEG anormalliklerinin bir takım nörolojik ve psikolojik hastalıklarda da gözlemlendiği çalışmalardan görülebilir: serebrovasküler rahatsızlıklar (Jonkman ve diğerleri, 1985); Felçlerin önceden tespiti (Nuwer ve diğerleri, 1987); baştan alınan yaralanmaların değerlendirilmesi (Thatcher ve diğerleri, 1989); komadan çıkışın değerlendirilmesi (John ve diğerleri, 1982); disleksi (Duffy ve diğerleri, 1980); öğrenme zorlukları (John ve diğerleri, 1983); obsesif kompülsif bozukluklar (Prichet ve diğerleri, 1991); madde bağımlılığı (Alper ve diğerleri, 1990); birinci dereceden duygusal düzensizlik (Pollock ve Schneider, 1990); bunama (John ve Prichep, 1990); şizofreni (Dierks ve diğerleri, 1989); migren (Hughes ve Robbins, 1990); panik atak (Abraham ve Duffy, 1991).
Üzerinde çalışılan rahatsızlıkların birçoğu farklı QEEG anormallikleri olarak yansıyan serebral işlev bozukluğunun ayırt edici şablonları olarak karakterize edilmiştir. Bu şablonlar, belli hastalıkların teşhis edildiği hastalar ile farklı hastalıkların teşhis edildiği hastalar ve herhangi bir rahatsızlığı olmayanlar (klinik semptomlarına göre) arasında ayrım yapmak için bilgisayar şablonları ile tanınan algoritmalar veya “ayırt edici işlevler” kullanılmasını sağlamak için yeterince ayırt ediciydi (John ve diğerleri, 1988a; Prichep ve diğerleri, 1990a).
Ardından QEEg ile yapılan klinik deneyler de belirli hastalıkların klinik semptomların birçoğunun muhtemelen çok belirleyenli olduğu fikrini pekiştirdi. Birkaç vakada, bir teşhis sınıfında QEEG tanımlı alt türler bulundu ve bu da her ne kadar klinik semptomlar aynı da olsa, alt türlerin önemli ölçüde farklı patofizyolojik profiller sergilediğini destekledi. Ek olarak, daha yeni bulgular da bu alt türlerin her birinden bireylerin farklı tedavilere farklı yanıtlar verdiğini veya farklı hastalık evrimi şablonları çizdiğini göstermiştir. Bu tür bulgular, şu noktalarda rapor edilmiştir: metilfenidat tepkimeler ile tepkime yapmayan ajanlar (Roemer ve diğerleri, 1991); OCD medikasyon tepkimeleri ile tepkime vermeyen ajanlar (Mas ve diğerleri, 1991; Prichep ve diğerleri, 1993) ve şizofrenik Haldol tepkimeleri (Czobor ve Volavka, 1991).
EEG’yi ve özellikle de nörometriyi analiz eden niceliksel yöntemler şu alanlarda büyük klinik başarıya sahiptir:
1. Birçok hastalığın erken teşhisi
2. Anormal beyin davranışlarının niceliksel değerlendirmesi,
3. Zaman içerisinde anormallik derecesinde görülen değişikliklerin izlenmesi,
4. Bir takım rahatsızlıkların bilgisayar destekli ayırt edici teşhislerinin yanı sıra normal ve anormal EEG’nin ayırt edilmesi,
5. Tedaviye verilecek yanıtın tahmin edilmesi ve
6. Tedavi sonuçlarının niceliksel olarak tahmin edilmesi.
EEG’NİN KÖKENİ
Kortikal yüzeye kaba bir şekilde rasgele dağılmış olan korteksteki piramit nöronların topluluklarının bütünlüklü postsinaptik potansiyelleri, büyük ölçüde EEG’nin temelini oluşturur (Gloor, 1985). Piamater ve saçlı kısmın yüzeylerinden elde edilen EEG bilgileri yüzey EEG’sinde potansiyel bir değişim tespit edilmeden önce yaklaşık 6 cm2 korteksin aktivasyonunun gerekli olduğu sonucunu destekledi. 120 normal denekte (John ve diğerleri, 1990) 10/20 sistemi ile elde edilen her sonucu diğer sonuçla karşılaştıran ortalama spektral tutarlılığı hesaplamaları EEG’nin bütün frekans spektrumunun yaklaşık % 60’ının korteksin tamamı üzerinde tutarlı olduğunu göstermiştir. Bu halde, EEG faaliyetleri, paylaşılan faaliyetlere ayrılmış beyin bölümlerini gösteriyordu. Tahminen geri kalan & 40'ta da bölgesel olarak gerçekleştirilen faaliyetler vardı.
Serebral beyaz maddenin yaklaşık % 95’i kortiko-kortikal bağlantılardan oluştuğundan, geri kalan % 5 de talamo-kortikal ve kortiko-talamik projeksiyonları yansıtmaktadır. EEG’deki yüksek tutarlılık seviyesi, korteks içerisindeki ortak osilasyon modunun temel olanlar Kortikal alanlar arasındaki ve korteks ile talamus arasındaki faaliyetleri yansıtıyordu. bu işlemler muhtemelen birkaç farklı nöroanatomik sistemin etkileşimlerini de içeriyordu. EEG'nin frekans kompozisyonu her bölge için normatif denklemler ile bir yaş özelliği olarak tahmin edilebildiğinden (John ve diğerleri, 1980, 1980a; Matousek ve Peterson, 1973; John ve Prichep, 1987), EEG aynı anda birçok beyin bölgesinden kayıt yaptı. Bu, normal gelişim ve ergenleşmenin yanı sıra, beynin fonksiyonel organizasyonunu anlayabilmemizi de sağlar.
Ek olarak, bu fonksiyonel nöroanatomik sistemler farklı nöro iletkenlerin kombinasyonlarına bağıl olduklarından, EEG bu işlevsel nöroanatomik sistemlerin durumu hakkında niceliği ölçülebilir bir indeks sunmaktadır. Tahmin edilen normal parametrelerden sapmalar, bu sistemler arasında nöro iletken üreten ve metabolize eden işlemlerin gerçekleştiği nöro kimyasal reaksiyonlar bulunduğuna işaret olabilir. Normalden tekil sapmaların tam olarak teşhis edilebilmesi, normal işlevsel dengeyi sağlamakla görevli birbirine bağıl homostatik sistemlerin içerisinde bunlara denk düşen niceliksel sapmalar olduğunu göstermektedir.
Potansiyel olarak, doğru niceliksel QEEG yöntemlerinin geliştirilmesi ve geliştirilen EEG özellikleri ile nörokimyasal anormallikler arasındaki ilişkinin aydınlatılması, daha optimal düzeyde tedavi seçimine ve hissel, algısal ve bilişsel süreçlerin temelindeki nörokimyasal dengesizlikleri azaltmak veya yok etmek için kullanılan ilaçların daha uygun kullanımı ile sonuçlanacaktır. Nörometri, bu amaca yaklaşan bir stratejik adımdır.
Olağandışı sayıda ‘hit’ sayısına sahip matrisler. Dahası, ‘hit’lerin şablonunun klinik teşhisin bir parçası olarak çeşitlilik gösterdiği ortaya çıktı. Sezgisel olarak bakıldığında, bu, farklı rahatsızlıkların “özelliğe göre bölge” nörometrik matrisinde farklı ‘hit’ kombinasyonları ile karakterize edildiği anlamına gelmekteydi. Normalden sapmanın karakteristik şablonları, klinik hastanın ‘anormallik profili’ olarak bilinmekteydi.
Aynı teşhis sınıflandırmasına sahip farklı bireyler test edildiğinde, aynı sınıftaki bireylerin ‘anormallik profilleri’nin benzer nörometrik karakteristikler taşıdıkları ortaya çıktı - yani, ‘hit’lerin “özelliğe göre bölge” matrisindeki dağılımı birbirine benziyordu. Bu gözlem, normal insanlardan ‘anormallik profilleri’ açısından istatistiksel olarak ayırt edilebilen klinik hastalar gruplarının kurulabilmesini sağladı.
Çok değişkenli istatistiksel prosedürler, özellikle adım temelli ayırt edici analizlerde, klinik ve normal gruplar arasındaki farkları daha fazla ortaya çıkarmak maksadıyla kullanıldı. Bu tür bir analizin sonucu da, gruplar arasındaki farklılığın büyük kısmını temsil eden değişkenleri belirten ‘ayırt edici işlev’ oldu. Ayırt edici işlev, uygun şekilde kullanıldığında ve yorumlandığında, ilerideki testlerin sonuçlarının karşılaştırılabileceği standart bir referans değer haline gelebilir. Nörometrik matris şablonları belli bir klinik grubun nörometrik matris şablonları ile örtüşen bireyler aynı işleve göre bölge şablonlarına sahiptirler. önceden de tahmin edilebileceği gibi bu temelinde yatan bazı patofizyolojik süreçlerden kaynaklanmaktadır.
Klinik açıdan, bu oldukça değerli bir klinik veri olabilir. Bu bilgi sadece bir hastalığın varlığı ile ilgili ampirik bilgi vermekle kalmayıp, aynı zamanda, hastanın semptomlarıyla ilgili sub-klinik işlev bozukluklarını da aydınlatabilir. Nörometrik bilgi hasta ile ilgili diğer klinik bilgileri tamamlar ve teşhis sürecine katkıda bulunur. Farklı rahatsızlıklar en iyi şekilde farklı tedavilere yanıt verdiklerinden, nörometri tedavi verimliliği için ampirik ispat olarak kullanılabilir ve hastanın ilerlemesini göstermek için görece daha çabuk ve ucuz bir yöntem olabilir. İlerideki bölümlerde bu başlık daha detaylı olarak tartışılmaktadır.
NÖROMETRİNİN KLİNİK KULLANIMI
Nicel EEG’nin Rolü
Nicel EEG’nin, ve özel olarak da Nörometrinin rolü, görsel olarak yorumlanmış olan EEG’den çıkarsanmış klinik izlenimlerin tamamlayıcısı olmaktır. Bir nörometrik analiz, şüpheli EEG kayıtlarını görüntülemek için kullanıldığında, nesnel deneyler ile elde edilen izlenimler hakkında sorular sormak için bir temel oluşturabilir ve teşhis sürecini daha da kolay ve kesin hale getirebilir. İkna edici olabilmesi ve kullanışlı bir klinik araç olarak kabul edilebilmesi için, tablolar ve topografik haritalardan elde edilen sonuçları hastanın klinik semptomları ile ilişkilendirmek pratisyenin sorumluluğundadır (John, Prichep ve Easton, 1987).
“nörometrinin EEG’nin geleneksel değerlendirilmesinin yerini alacak bir gelişim olmadığı akıldan çıkarılmamalıdır. Özellikle, nörometri, paroksimal faaliyetlerin görsel olarak muayenesinin yerini almak üzere geliştirilmemiştir. B, hastanın klinik değerlendirmesinin herhangi bir kısmının yerini almak amacıyla da geliştirilmemiştir, bu, hastanın toplam değerlendirmesini daha iyi bir hale getirmek ve beyin fonksiyonu ile ilgili öznel niceliksel bilgi sağlamak için geliştirilmiştir.” (John, 1990)
Nörometrinin üç Temel kullanımı, beyin işlev bozukluğunun veya hasarının değerlendirilmesi için bir görüntüleme prosedürü olarak, beynin işlevsel durumu hakkında bilgi vererek teşhis sürecine katkıda bulunmak (John, 1990) ve tedavinin verimliliğini kontrol etmenin bir yolu olarak.
Beyin Sinyal Aralığı Konsepti
Nörometri, bir hastadaki sayısız beyin işlevi dalgalarının niceliksel bir tanımını sağlar. Bu tanım, normatif bir veri tabanı ile karşılaştırılıp değerlendirildikten sonra, hastanın “beyin sinyal aralığı”nda bir nokta olarak temsil edilmesini sağlar. Bu sinyal aralığının boyutları sanaldır ve aynı normallik ve anormallik metrisini paylaşır. Bu boyutlardan veya boyut kombinasyonlarından her biri, bazı işlevsel nöroanatomik sistemlerin belirli bir nörokimyasal iletken veya bu nörokimyasal iletkenin kombinasyonları tarafından harekete geçirilmiş olan faaliyet seviyesini gösterir.
Anormallik Vektör Uzunluğu İşlev Bozukluğu Boyutunu Yansıtır
Anormallik vektörünün uzunluğu, işlev bozukluğunun veya rahatsızlığın klinik ciddiyetiyle doğru orantılıdır. Bir hastalığa duyarlı olan bu nörometrik özelliklerin klinik boyut ile ilişkileri kurulmalıdır. Örneğin, John ve Prichep (1993) altı yaşlı hasta grubunun EEG değerlerinin delta, teta, alfa ve beta bantlarının sahip olduğu kesin gücün ortalama Z-değerlerinin topografik haritalarını çıkardı. Bir disiplinler arası değerlendirme enstrümanı olan Evrensel Bozulma Ölçeği (GDS) kullanılarak hastaların bilişsel bozuklukları ölçüldü (Reisberg ve diğerleri, 1988). Serebrovasküler hastalık semptomları bulunan hastalar gruptan çıkarıldı. Altı grup GDS 1 (bozulma izi olmayanlar), GDS 2 (sadece işlev bozukluğu belirtileri gözlemlenenler), GDS 3 (hafif bilişsel bozulmalar)ve GDS 4-6 (hafif ve orta SDAT bunama) olarak gruplandırıldı. Not edilen GDS derecelerine göre, bozulma dereceleri arttıkça aşırı teta gücünün miktarında ve dağılımında artışlar oldu. Grup bir bütün olarak görüntülendiğinde, nörometrik verilerde bilişsel bozulmaları ile ilgili herhangi bir bölgede ayırt edici işlev bozukluğuna işaret eden Elektrofizyolojik bir kanıt bulunamadı. Bazı bireylerde bölgesel anormallikler varken, büyük çoğunluğunda grup ortalamasındaki yavaşlama vardı. Açık şekilde, normal yaşta kontrol denekleri ile karşılaştırıldıklarında, ayrılmış gruplardan elde edilen veriler EEG’nin genel olarak yavaşladığı - yani, alfanın teta frekans erimine kayması - görünümünü desteklemedi. Daha ileri bozulma seviyelerine ulaşılana kadar herhangi bir alfa izine rastlanmadı. Çok büyük yavaş dalga fazlalıkları gözlemlenen GDS 5 ve GDS 6 gruplarında, alfa kayıpları çok daha düşük seviyelerdeydi. Bu sonuçlar, alfa jeneratörlerden güç kaybından daha çok, patolojik teta jeneratörlerin sağladığı gücün yavaşça artması olarak yorumlanabilir.bu çalışmanın detaylı başka bir yerde verilmiştir (Prichep ve diğerleri, 1992a).
Anormallik Vektör Yörüngelerinin Tedavinin Değerlendirilmesi için Kullanılması
Anormallik vektörü uzunluğunun işlev bozukluğunun ciddiyeti ile doğru orantılı olmasından dolayı, bir hastalığın ilerlemesi veya doğru tedavinin sağladığı gelişim hakkında öznel bir veri sunabilir. Hastalığın ciddiyetinin artması vektörün uzamasına neden olur, uygun olmayan tedaviler yan etkiler veya terapötik olmayan değişikliklerden dolayı dönmesine neden olur ve etkili tedavi de vektörün kısalmasına ve sinyal alanının merkezine yaklaşmasına neden olur. Klinik iyileşme sırasında anormallik vektörünün küçüldüğü fakat yok olmadığı unutulmamalıdır. Bazı hastalıklarda, özellikle de psikiyatrik rahatsızlıklarda, anormallik vektörü biri durumu diğeri de karakteristiği yansıtan iki kısımdan oluşur şekilde görünür. Tedavi, dokunulmazlığı arttıran karakteristik bileşeni üzerinde hiçbir etki göstermeden durum bileşenini küçültebilir.
Anormallik Vektörünün Yönünün İşlev bozukluğunun Niteliğini Yansıtması
Sinyal alanının her ekseni, önceden de tahmin edilebileceği gibi denk düşen nörokimyasal denge bozukluğuna neden olan veya bunun neden olduğu ayrı bir patofizyolojik süreci, temsil eder. Patofizyolojik sürecin kombinasyonu değişiklik gösterdikçe, anormallik vektörün yönü de buna bağıl olarak değişiklik gösterir. Bu nedenle, anormallik vektörünün oryantasyonu hastalığın doğasını gösterir. Bir nörometrik araştırma anormallik eksenini gösterir ve burada sütunlar beyin bölgelerini veya bölge kombinasyonlarını ve satırlar da bölgede bulunan tek değişkenli veya çoklu değişkenli Elektrofizyolojik özellikleri temsil ederler. Bu matristeki her hücre, denk düşen ölçümün anormal olduğunu tahmin eder.
Belli bir hücredeki karakteristik bir bulgu, anormallik matrisinin birkaç sütununda veya satırında bir dizi anormal değerlerden oluşur. QEEG ve QERP özelliklerini birleştirirsek, nörometrik matris şu anda 40 sütun ve 50 satır içermektedir. Bir topogafi haritası, sadece anormallik matrisindeki bir satırın temsilidir. bir hastalığın profili, çoklu sütunlarda ve satırlardaki bulguların karmaşık bir şablonudur. Bu profil, hastanın nörometrik değerlendirme ile tahmin edilen durumunu gösteren anormallik vektörünün uzunluğunun yanı sıra oryantasyonu da sinyal alanındaki bir nokta olarak belirtmektedir.
Hastaların birçoğu sinyal alanındaki bir dizi nokta olarak gösterilebilir ve burada her nokta hastanın patofizyolojik durumunu tarif eder. Bu geometrik kavramsallaşmanın klinik ispat kazanması için, aynı hastalığa sahip hastaların anormallik vektörlerinin tek bir bölgenin aynı alanlarında bulunması ve farklı hastalıklara sahip hastalardakilerin de farklı alanlara yayılması gerekmektedir.
AYIRT EDİCİ SINIFLANDIRMALAR
Ayırt edici fonksiyonlar, bir test deneğinin nörometrik olarak tanımlanmış EEG değişken profili ile yoğun bir veri tabanı araştırması sonucunda hem normal hem de klinik özellikler gösteren farklı hastaların karakteristik şablonları arasında ayrım yapılması için niceliksel bir tahmin sağlarlar. Veri tabanı çalışmasının referans grupları dikkatli bir çalışma sonucunda oluşturulmuşlardır. Gönüllüler birtakım nörolojik ve psikiyatrik hastalıklar açısından ayrıntılı olarak incelenmişlerdir - bunun amacı, sonuca bağlamak için normatif gruptaki kişilerin hastalıklarını tespit etmek içindi, kendilerine şu rahatsızlıkları geçirip geçirmedikleri soruldu:
Kafa yaralanmaları
Nörolojik rahatsızlıklar
Önceden EEG
Konvülsiyon
Uyuşturucu kullanımı/bağımlılığı
Alkol kullanımı/bağımlılığı
Hafıza güçlükleri
Şuur kaybı
Depresyon
Delüzyon, halüsinasyon veya düşünce bulanıklıkları
Öğrenme zorlukları
Önceden EEG
Hiperaktivite, dikkat veya hareket kontrol sorunları
Veri tabanının geliştirilmesinde, araştırmacıların çeşitli karşılaştırmaların ayırt edici etmenlerini belirlemelerinde faydalı olan birtakım değişkenler tanımlandı. Örneğin, normatif referans grubunu oluşturacak olan kişileri QEEG profilleri nörolojik rahatsızlıkları, nörolojik bozuklukları, psikolojik sorunları olanlardan veya alkol veya uyuşturucu bağımlısı olanlardan önemli ölçüde farklılık gösteriyordu. Bu kişilerin klinik değerlendirmede bir grupta veya diğer grupta bulunmalarını belirleyecek olan değişkenler belirlenmeye başlandığında, klinik teşhisleri onaylamak maksadıyla, belirlenen ayırt edici özellik dizileri ayırt edici faktörlerin belirlenmesi için kullanıldı. Grup üyelerinin bu işlevler temelinde belirli gruplara atanmalarının doğruluğu, farklı klinik gruplar tarafından doğrulandı.
Ayırt edici işlevler, belirli bir deneğin nörometrik profilinin veri tabanı çalışmasında yer alan diğer deneklerin nörometrik profilleriyle uyma ihtimalinin niceliksel olarak değerlendirilmesi için kullanıldı. Grup üyeliği ihtimali daha sonra bir ihtimal sunumu olarak verildi (yani, p<.05, vb.). Özellik grubunun objektif şekilde ayrımı ve özellik grubu faktörünün analizler tarafından sağlanmış olan genel işlevler arasındaki genel ekseni, olası hasta sınıflandırmaları ve potansiyel teşhis kategorileri hakkında test edilebilir hipotezlere götüren hipoetik bulgular ile sonuçlandı.
Bazı ayırt edici etmenler başarılı bir şekilde grup üyeliğini belirlemedi ve hasta hakkında test edilebilir hipotezleri için temel de oluşturmadı. Fakat, ilişkilerin gücüne bağıl olarak, birkaç işlevden elde edilen bilgiyi hasta profili belirlemek ve diğerlerinden ayırt etmek için bir araya getirmek mümkün oldu. Bu bir araya getirilmiş işlevlere Nörometride “beyan edilmiş veriler” olarak değerlendiriliyordu. Beyan edilmiş veriler, hasta ile ilgili hastalığının temelinde yatabilecek farklı durumların tetkiki ile ilgili temeller oluşturmaktadır. Örneğin, alkolik beyan edilmiş verisi alkolikleri alkolik olmayanlardan güvenli bir şekilde ayırt etmek için yeterli olmuyordu, ancak depresyon ile ilgili ayırt edici işlevle birleştiklerinde, kombinasyon hastanın depresyonunu alkol kullanarak üzerinden attığını göstermektedir. Veya, depresyon alkolikliğinin ikincili olarak ortaya çıkmıştır.
Bütün ayırt edici işlevlerin belirli hastalıklara duyarlılıkları ve bağıllıkları test edildi. Sadece klinik açıdan kullanılma potansiyeli olan işlevler - yani, ampirik olarak belli bir hastalığa veya profil tipine bağıl olduğu tespit edilenler - nörometride kullanıldı. Bu işlevler sadece istatistiksel olarak elde edilmiş tanımlı profillere uygulandı ve belirtilen haricindeki durumlar için kullanılmaları mümkün değildi.
Normale karşı anormal filtresi daha geniş kapsamlı idi, bu nedenle de anormalliğin istatistiksel olarak tanımlanabilen dereceleriyle ilgiliydi ve şu soruyu cevaplamak için kullanılabilirdi: beyin elektriksel faaliyetli şablonu istatistiksel olarak normal miydi yoksa anormal miydi? Eğer anormal ise, bu klinik olarak test edilene kıyasla istatistiksel açıdan büyük farklılıklar gösteriyordu, eğer normal ise, bu bilgiyi üzerinde çalışılan hastanın diğer tıbbi bilgileriyle beraber değerlendirmek kullanıcının sorumluluğundaydı.
Bilgilendirilmiş Hasta Tanıma Algoritmalarının (Ayırt Edici İşlevler) Bilgisayar Destekli Teşhis için Kullanımı
Bir grup test deneği ile diğer grup test deneği arasında farklılıklar gösteren EEG değişken dizilerini belirtmek için bir adım adım ayırt edici işlev programı kullanıldı. Burada kullanılan yöntem, kişilik testine ve diğer psikolojik testlere benziyordu. Referans grup veri tabanında mevcut olan çeşitli istatistiksel olarak eşit veya farklı olarak tanımlanmış test deneği EEG özelliği ile istatistiksel değerlendirmeye yardımcı olan bir ilişki endeksi elde etmek için bu istatistiksel olarak tanımlanmış ‘profil’ diğer veri tabanı özelliği atanmış profiller ile ilişkilendirildi.
Yukarıda görselleştirilmiş QEEG bulguları farklı hastalıklar taşıyan hastalardaki anormallik vektörlerinin sinyal alanının farklı bölgelerde bulundukları temelindedir. Ayırt edici anormallik vektörleri farklı patofizyolojik profiller veya anormallik matrisinde farklı bulgular gösterir. Birçok istatistiksel şablon görüntüleme tekniği bu karmaşık şablonların objektif sınıflandırmasını yapmak için vardır ve bunların en yaygını adım adım çoklu ayırt edici analizdir.
Adım adım ayırt edici analizde, sınıflandırılacak her kategori her potansiyel gözlem kategorisi için eğitim veri dizisinden elde edilmiş noktaların dağılımının merkezi değerlerini tanımlayan nörometrik özelliklerin lineer kombinasyonu ile karakterize edilir. Elde edilmiş her matematiksel fonksiyonun değerlerinin dağılımı eğitim setindeki her kategorinin bütün üyeleri için kontrol edilir. Bağımsız sınıflandırma fonksiyonu için bir eşik belirlenir ve bir bireyin belirli bir kategoriye girmesi için bu eşiği aşması gereklidir. Eşikler ve sınıflandırılamayan değerler (“koruma bandı”) hatalı pozitif ve hatalı negatif seçimlerin oranlarını en aza indirgeyecek şekilde seçilir ve sınıflandırma doğruluk eğrilerinin hem hassaslığı hem de özgünlüğü optimize edilir (John ve diğerleri, 1988b). Herhangi bir ayırt edici işlevin geçerliliği, ayırt edici işlevin belirlenmesinde kullanılmayan yeni bir karma denek grubuyla (test grubu) doğrulanır.
Bilgilendirilmemiş Şablon Tanıma Algoritmalarının (Grup Analizi) Alt Tür sınıflandırılması için Kullanımı
Yukarıda verilen ayırt edici analizler, DSMIII-R kriteri kullanan bağımsız kişiler tarafından klinik semptomlar ve geçmişleri temelinde farklı psikiyatrik rahatsızlık kategorilerine ayrılan hastaların sadece nörometrik özellikleri kullanılarak yeterince tutarlı patofizyolojik profiller gösterdiğini ortaya koymaktadır. Bu yaklaşım beyin fonksiyonları ile davranışsal sonuçlar arasında birebir bir ilişki kurmaktadır ve bu da verilen bir dizi klinik semptomun, temellerinde yatan beyin fonksiyonlarına denk düşmesi gerektiğini göstermektedir. Buna rağmen genellikle birçok davranışın oldukça karmaşık beyin işlevleri ile tetiklendiği yönünde bir inanç hâkimdir ve bu da verilen bir davranış bozukluğunun, beynin sayısız bölümünden herhangi birindeki işlev bozukluğundan kaynaklanabileceğini öne sürer. Hastaları DSMIII-R klinik kriterleri uyarınca semptomlarına göre ayıran bir sınıflandırma sistemi, bu açıdan totolojik olabilir.
Fakat, her biri kendi semptomlarının listesine sahip önceden de var olan klinik kategoriler, objektif olarak türetilmiş ve tanımlanmış niceliksel özelliklerin ayrılması için gereken değişkenlerin önceden seçilmesini sağlayabilir.
Psikiyatrik hastaların birçoğunda bulunan objektif patofizyolojik profiller temelinde alternatif bir yapı tanımlanabilir. Belki de bu türden biyoloji temelli bir yapı aynı tedavileri gören ve semptomlar ve teşhis olarak homojen olan hasta örneklerinde gözlenen ayırt edici tepkimelerin aydınlatılması için faydalı olabilir. Buna bağıl olarak, nörometrik özellikler temelindeki grup analizi “patofizyolojik alt türlere ayırma” sürecini sağlayabilir. Bu yaklaşım, her alt türe özgü bir dizi ayırt edici özellik sunabilir ve bu şekilde de ayırt edici teşhis için bir temel oluşturabilir.
İki dizi klinik semptomun gözlemlendiği hastalar arasındaki patofizyolojik farklılıkların (“yuvarlak” ve “hastalıklar arası”) her hastalık için kabul edilmiş klinik kriterler temelinde tanımlanan eğitim numunelerinden türetilmiş bir şablona göre hazırlanmış çoklu ayırt edici işlev tarafından doğru şekilde ayırt edilmelerini sağlamaya yeterli olabilir. Aynı zamanda, nörometrik skorların ve profillerin grup analizi gibi sayısal taksonomik yöntemler kullanılarak tekdüze tanımlanması her biri aynı temel nedenlere dayalı çeşitli klinik semptomlara sahip hastalar içeren alt türlerin ve grupların varlığını ortaya koyabilir (John ve diğerleri, 1991c, 1992).
Alt Tür Üyeliği ile Tedavi Sonuçlarının İlişkisi
Çeşitli araştırmalar, ayırt edici patofizyolojik profiller temelinde benzer semptom temelli teşhisler konmuş hastaların alt gruplarda toplanmasının potansiyel faydasını göstermiştir. Roemer ve Shagass (19919 iki depresif hasta alt türü belirtmişlerdir; birinci alt türün küçük bir bölümü ECT’ye yanıt vermez, ikinci alt türün büyük bir bölümü ise ECT’den sonra gelişme gösterir. Prichep ve diğerleri (1992a), minimal bilişsel rahatsızlığı (GDS 2) olan yaşlı insanların iki alt türünü öne sürmüşlerdir: 5 yıllık takip sonrasında daha fazla bilişsel bozukluk gösterenler ve göstermeyenler. Prichep ve diğerleri (1990) beş tedavi edilmemiş kronik şizofren alt türü belirtmişlerdir ve bunlardan sadece biri haloperidol ile tedaviden sonra Genel Psikiyatrik Değerlendirme Skalasına göre % 25'ten daha fazla gelişim göstermiştir.
Ayırt Edici İşlevlerin Uygunsuz Kullanımı
NAS ayırt edici işlev analizleri, uygun olmayan şekillerde de kullanılabilir. Testi gerçekleştiren hekim veya teknisyen programı hatalı ayırt edici beyanlarla sunabilir veya sistematik olarak analiz için belirli bir EEG türü seçebilir (yani, belirtilen EEG veri türüne bağıl kalmak yerine bütün kısa dalga faaliyetleri veya bütün uzun dalga faaliyetleri) ve çalışmanın sonucunu normal bir şekilde değerlendirmeye alabilir. Bundan sakınmanın en makul yolu, bağımsız bir editöre orijinal ayarları okutmak ve veri seçiminde gerekli değişiklikleri yaptırmaktır. Alternatif olarak, Otomatik Düzeltme Seçeneği (Şu anda NAS’ta bulunmamaktadır), verinin uygunluğu konusunda objektif bir tanımda bulunmak üzere tahsis edilebilir. Teknisyenin veya hekimin yaptığı veri seçiminin EEG’nin bu değerlendirmesinden büyük ölçüde farklılık göstermesi durumunda, veri seçiminin uygunluğu hakkında sorular sorulabilir ve EEG’nin değerlendirmesi alınabilir. Otomatik düzeltme seçeneği hızlı, verimli ve doğru olacağından (kullanılan parametre ayarlarına bağıl olarak), bu adımın bir kalite güvencesi olarak EEG analiz programına eklenmesi oldukça faydalı olacaktır.
Topografik Haritalar
EEG verileri hem zamana hem de mekana yayılabilir. Saçlı deri üzerindeki gerilim değişimlerinin uzamsal görünümlerine topografik harita veya beyin haritası denir. Ekranlar statik (nörometride olduğu gibi, kesin güç, bağıl güç, güç asimetrisi ve bağlantı ölçümlerinin her birinin frekans bantlarındaki beyin elektriksel faaliyetlerinin özetini yansıtır) veya dinamik (gerilim değişimlerinin kağıt üzerinde renk kodlu harita şeklinde topografik olarak gösterilmesi şeklinde) olabilir.
NAS’ta verilen topografik haritalar, temel elektrot nokta değerlerine gelen noktaların gerilim değerlerini tanımlayan lineer bir algoritma kullanarak yapılandırılmıştır. Temel olarak, her tek değişkenli özellik verilen elektrot alanındaki FFT tanımlı EEG verilerini yansıtır. Bu veri, topografik haritada tek bir nokta veya piksel olarak gösterilir. Dört noktalı lineer algoritma bu veriye uygulandığında, ara piksel değerleri en yakında bulunan dört elektrot alanından (en yakın dört komşu) ve bu alanlarında kaydedilen değerlerinden farkları olarak hesaplanır.bir piksel verilen bir elektrota ne kadar yakınsa, bu elektrot pikselin ağırlığına o kadar fazla katkıda bulunur ve tahsis edilen piksel değeri de topografik haritalarda temsil edilen renk değerini belirlemek için kullanılır.
Topografik haritalar, saçlı deri üzerindeki elektriksel alanların kaydedilen elektrotlar ile aralarındaki eğimi görüntüler. Elde edilen resimli ekran ise, analog tek konturlu bir ekran olur. Gerilim değerlerine renk değerleri tahsis edilir ve düzlemsel görünümde veya düz bir haritada değişen renk değerlerinin görünümü boşluktaki voltaj içeriğinin varyasyonlarını gösterir.
NAS’ın renk kodlu ekranlarında iki türden veri vardır: Ham veri ve Z-skoru. Ham veri haritalarında asıl güç, bağıl güç, güç asimetrisi ve bağıllık ile ilgili FFT analiz sonuçları verilir. Z-skor haritalarında ise kayıt aktarımları, yaş gelişimi ve Z-skor oluşumları tamamlandıktan sonraki nörometrik analiz sonuçları verilir.
Birtakım çeşitli renk skalaları NAS tarafından sağlanmıştır ve kullanıcı kullanmak istediği sunumu seçmelidir (farklı renk skalalarına ulaşmak için Kullanma Kılavuzunu okuyun). Renk skala yapısını yöneten belirli kurallar yoktur, sadece renk değerleri tanımlanabilir gerilim veya Z-skoru değerleri ile birebir uyuşmalıdır. Birçok araştırmacı gri skalayı - artan ve azalan yoğunluk dereceleriyle beyazdan siyaha doğru ilerleyen siyah beyaz bir skala - tercih etmektedir.
Literatürde birkaç farklı türden renk skalası kullanılmıştır: (1) parlak açık mavilerden (soğuk) kırmızı, sarı ve beyazlara (sıcak) ilerleyen sıcaklık skalası. (2) orta renk değerlerinin normal değerleri temsil ettiği spektrumun tüm renklerine sahip gökkuşağı skalası. (3) Beyin Araştırma Laboratuarı Renk skalası üst kısımlarda kahverengi ve sarı renkler, alt kısımlarda ise yeşil ve mavi renkler kullanır. Orta taraf tipik olarak siyahtır ve renk olmayan alanlar da normaldir.
Topografik haritalar, veri tabanı normlarına refere edilmiş tek kutuplu EEG özelliklerinin Z-değerlerinin takip etmek için kullanılır. Dört güç frekansı bandının her biri için asıl güç ve bağıl gücün, güç asimetrisinin ve bağıllığın ölçümlerinin görsel ilişkilerini sunmasına ek olarak, haritalar toplam Asıl Gücü, Toplam Birleştirilmiş Bağıl Gücü, Toplam Asimetriyi ve Toplam Birleştirilmiş Bağıllığı da gösterir. Bu ileriki haritalar, EEG’nin çok değişkenli ölçümlerinin topografik sunumlarıdır. Haritaların sağ üst tarafındaki Z-değeri skalaları değerlendirme amaçlı olarak kullanılır. Bu skaladaki Z-değerleri -3 ila +3 arasında değişiklik gösterir. Haritaları oluşturmak için kullanılan EEG değişkeni değerleri, tek kutuplu Z-değeri tablolarında bulunabilir.
Z-skoru topografik beyin haritaları gerilim değil de olasılık birimleri temelinde yapılandırıldığı için, nörometrik özelliklerinin dağılımının şeklen gösterilmesi (asıl güç, bağıl güç, güç asimetrisi ve bağıllık gibi) her beyin bölgesindeki anormalliğin derecesinin doğru olarak temsil edilmesini sağlar.
EEG Nörometrik Analizinin Faydası
EEG için doğru ve güvenilir nörometrik göstergeler elde edilmesinin sayısız avantajı vardır. İlk olarak, beyin elektriksel faaliyetlerinin farklı yönleri ölçülebilir, objektif olarak değerlendirilebilir ve çok değişkenli istatistiksel analizlerin kullanımına izin veren bir şekilde birleştirilebilir.
Nörometrik incelemelerin en önemli amaçlarından birisi de, hastanın EEG’sinde Elektrofizyolojik anormallikler olup olmadığına karar vermektir. Her nörometrik göstergenin skalası normatif dağılımından standart sapmalar ile gösterildiğinden, “anormallik” uygun referans gruptan istatistiksel açıdan büyük ölüde sapma gösteren nörometrik değerlerin gözlemlenmesi olarak tanımlanabilir.
Normal erimin dışındaki bulguları değerlendirirken birkaç faktör göz önünde bulundurulmalıdır, bunlar genellikle P?0.05 veya ?1 olarak değerlendirilir. Öncelikle, bir tam QEEG incelemesi yaklaşık 1200 Z-skoru verir. Seçilmiş olan önem derecesine bağıl olarak, sadece tesadüfen 100 bulgu P?0.05 seviyesinde (P?0.01 seviyesinde 20 kadar) önemli bulunabilir. Fakat bu türden tesadüfler iç tutarlığı olan, yorumlanabilir anormallik profiline uygun değildir. İkincil olarak, anormal nörometrik değerlere neden olabilecek biyolojik faktörlerin tamamı bilinmemektedir. Klinik açıdan önemi olmayan birçok anormal bulgu, örneğin “gerçek” mevcut olabilir. Örneğin, AOG yapayları seçilip tutarlı bir şekilde analize girilirse, ön taraflarda nörometrik analizin fazladan delta göstereceği aşikardır.
Kullanıcı sürekli şu soruyu sormalıdır: “Anormal nörometrik bulguların şablonu hastanın klinik problemleriyle ilgili makul göstergeler veriyor mu?” Hatalı pozitif verme ihtimalleri sıfır olmadığından, nörometrik muayenenin normal popülasyonlar için görüntüleme amaçlı kullanılması tavsiye edilmemektedir. Fakat, CNS işlevinin birçok hatalı fonksiyonuna yüksek duyarlılığa sahiptir ve hafif semptomların temelinde yatan beyin işlemlerinin erken teşhisini sağlayabilirler. Nörometrinin doğru şekilde kullanımı için, kesin klinik yargı şarttır. Teşhis sürecine yardımcı olabilmesi için, nörometri test sonuçları daima hasta ile ilgili diğer klinik bilgilerle birleştirilerek kullanılmalıdır.
Bilgisayar destekli teşhis için nörometrik ayırt edici işlevlerinin klinik faydası, çift teşhisli, tedaviye karşı direnç veya teşhis zorluğu vakalarında ortaya çıkar. Bilgisayar destekli teşhis beyinde zorlanmalarla karşılaşan daha basit alanlar hatta teknoloji geliştikçe, çok daha fazla zorlamayla karşılaşan hastalarla ilgilenen uzmanlar açısından faydalı olacaktır.
Nörometrinin temel uzun erimli önemi muhtemelen hastaların teşhis sınıflandırmalarında değil klinik olarak ayırt edilememiş hastalarda farklı nörokimyasal dengesizliklerin tedavisinin seçimine yardımcı olmasında bulunacaktır.
Nörometrinin Avantajları ve Getirileri
Nörometrinin temel getirisi, bir kaydın her beyin bölgesinde devam eden normal faaliyet kompozisyonundan sapmasını daha kesin ve niceliksel bir şekilde ölçmek için çalışmasıdır. ayrıca küçük beyin anormalliklerinin tespiti için de objektif, verimli ve ekonomik bir yöntemdir. klinik bağlamda, nörometrinin kullanımı EEG'nin geleneksel görsel değerlendirmesine nazaran daha fazla objektiflik ve güvenilirlik sunduğu için tercih edilmektedir.
Nörometrinin bir diğer avantajı da, çeşitli beyin bölgeleri arasındaki ilişkiyi niceliksel olarak değerlendirip beyin organizasyonunun anormal şablonlarını niceliksel olarak tespit edip tanımlamasının mümkün olmasıdır. Hastalığın ciddiyetinin niceliksel olarak tanımlanması, tedavinin verimliliği için bir kriter sunmanın yanı sıra hastalığın ilerlemesi için de bir gösterge sağlamaktadır.
Nörometride kullanılan çok değişkenli istatistiksel yöntemler ayrıca farklı teşhis kategorilerine sahip grup profillerinin tanımlanmasını da sağlar. Bir hastanın nörometrik profilinin farklı klinik gruplar için geliştirilmiş olanlarla karşılaştırılmasıyla, birey ve grup arasındaki niceliksel benzerlikler ve farklılıklar gözlemlenebilir ve bu da klinik teşhise yardımcı olmak üzere kullanılabilir.
İstatistiksel tekniklerin kullanımıyla grubun alt gruplara ayrılması da mümkün olabilir - özellikle, klinik hastaların bir genel türü (örneğin, depresyon) içerisinde ayırt edici profil alt türlerinin (örneğin, tek kutuplu ve çift kutuplu depresyon) belirlenmesi mümkündür.bu nedenle, nörometri tedavi seçimi için kullanışlı bilgiler sunmaktadır.
Metodolojik konular
Son yıllarda, medikal piyasasına beyin elektriksel faaliyetlerinin QEEG analizi ve topografi haritasının hazırlanması için sayısız yöntem çıktı. Bu yöntemler, sadece stil açısından olmayan birçok açıdan niceliksel analizi gerçekleştirme yöntemlerinde farklılıklar göstermektedir. Belirli düşüşlerin yakalanamaması ve bazı istatistiksel değerlerin uygun şekilde karşılaştırılamaması, QEEG analizinin doğruluğunu büyük ölçüde etkiler ve hem hatalı pozitif hem de hatalı negatif sonuçlara neden olabilir. Nörometri analizinin aşağıda belirtilen her adımı, yüksek hassasiyette ve özgünlükte güvenilir ve anlamlı sonuçlar elde edilmek istendiğinde kesinlikle birbirinden ayrılamazlar.
Adım 1: Veri toplama
Veri toplama seçiminin kontrol edilmesi, nörometride önemli bir konudur. Kabul edilebilir kalitede yeterli ham EEG standartlaştırılmış şartlar altında toplanmalı ve doğru niceliksel analiz için yeterli miktarda yapay olmayan veri sunacak şekilde düzeltilmelidir. EEG’nin kapalı kulak montaj kullanarak (farklı bir montajda kaydedilmiş kapalı kulak montajı yeniden yapılandırmak yerine) ve yaklaşık 15 dakikalık EEG’nin alınması önemle tavsiye edilir. Bu 15 dakikadan sonra, en az iki dakikalık yapay olmayan EEG analiz için seçilmelidir. Nörometrik analizde kullanılan bütün veriler, New York Üniversitesi tıp Merkezi’nde standart koşullar altında toplanmıştır. Dünyanın farklı yerlerinde gerçekleştirilmiş bir dizi çalışma, nörometrik veri tabanının kullanışlılığı hakkında deliller sağlamıştır.
Uluslararası 10/20 Sisteminin 19 elektrotunu saçlı deriye elektrot macunu veya uygun olan farklı bir yöntemle yapıştırmak için geleneksel yöntemler kullanılmalıdır. Elektro-okülogramı (EOG) görüntülemek için, fazladan bir çift trans-orbital elektrot kullanılmalıdır. Ayrıca EKG’nin kaydedilmesi de tavsiye edilir. [‘nörometrik montaj’dan kaydedilen nörometri için gerekli olan bütün elektrotlar (A1 ve A2 de dahil olmak üzere) uygun bir formatta veri kaybı olmaksızın yeniden yapılandırılabiliyorsa, kapalı kulak referans montajına tümüyle kaydetmek kesinlikle şart değildir.]. Elektrot empedansları 5000 ohm’dan düşük olmalıdır.
EEG, bağıl kulaklara refere edilmiş tek kutuplu montaj ile, 10,000 olarak sabitlenmiş ve 0.5 ila 70 Hz (3 dB puanı) frekans yanıtına sahip amplifikatörler ile 60 Hz filtre kullanılarak kaydedilmelidir.amplifikatör ses seviyesi 2uV2 RMS olmalıdır. Amplifikatör yanıtı, 0.5 ila 25 Hz aralığında düz olmalıdır. Minimal olarak, 12 bit A/D dönüşümü gereklidir. orijinal araştırmalarda kullanılan erim kanal başına 100 Hz idi bugünkü dijital EEG sistemlerinin örnek toplama erimleri seçilebilmektedir ve 100, 200 ve 400 Hz erimleri tavsiye edilir. Fakat, NAS depolanmış EEG verilerini kullanarak çalıştığından, veri depolama oranının en az 100 Hz olması kesinlikle gereklidir.
Hastalar, dışarıdan gelecek tüm seslerin ve ışıkların yalıtıldığı standart bir EEG laboratuarı düzeninde test edileceklerdir. Hasta, testler sırasında rahat bir şekilde yatar veya oturur ve gözlerini de karanlık hale getirilmiş odada bir yerlere diker.
Adım 2: Veri seçimi
Nörometrinin gerekli bir diğer işlemi de, veri tabanının oluşturulmasında kullanılanlara benzer yöntemler kullanarak uygun EEG verilerinin belirlenmesi ve seçilmesidir.
Analiz için iki dakikalık yapaysız, gözler kapalı fakat uyanık EEG seçilmelidir (aşağıyı inceleyiniz). Veri seçiminden önce, tüm EEG kaydının bir “görsel inceleme”sinin yapılması gereklidir. Bunun birkaç nedeni vardır: öncelikle, EEG’nin okunması ile kaydın normal veya anormal olduğuna dair klinik bir yargıya varılabilir. İkinci olarak, muhtemelen anormal olan EEG’nin bulunduğu alanlar belirlenebilir, işaretlenebilir ve ileride tekrar muayene edilebilir. Üçüncü olarak, kayıttaki yapay alanlar ve yapay olabilecek alanlar belirlenip incelenebilir.
NAS’ta veri seçiminin gerçek süreci basit bir işken (Kullanma Kılavuzunu inceleyin), analizin kalitesinin veri seçimi kurallarına bağıl kalmakla yakından ilişkili olduğuna da dikkat edilmesi gereklidir. Kullanıcı, bunu da aklında tutarak, EEG’den gözler kapalı fakat uyanık evreleri seçmelidir. Değerlendirme için seçilen evreler en az 2.0 saniye uzunluğunda olmalıdır. NAS’ta, yapaylık olmadığı sürece her uzunlukta evreler seçebilirsiniz (yarım sayfa, tam sayfa veya birkaç sayfalık evreler de dahil olmak üzere). 2.0 saniyeden daha kısa süren evrelerin seçilmesi halinde, analizde bunlara yer verilmeyecektir.
NAS’ın, gözler kapalı ve uyanık bir hal dışında alınan EEG verilerini analiz etmek için de kullanılabileceğini akıldan çıkarmamak gerekiyor. Eğer kullanıcı kayıtta yer alan belli EEG'leri analiz etmek isterse, bunu gerçekleştirebilir, fakat analizin testleri sadece ham veri sonuçları olarak sunulacak ve değerlendirilecektir. Farklı EEG seçimlerinin analizlerini normatif veri tabanı ile karşılaştıramazsınız ve meydana gelebilecek anormal değerlere vurgu yapan NAS’ı hariç tutarak sadece ham hasta bilgilerine yoğunlaşmalısınız. Bunun sebebi oldukça basittir - farklı türlerden EEG seçimi - yani, gözler kapalı uyanık halde olmayan EEG - bu da, verilerin istatistiksel analizlerinde Tür I ve Tür II hataların ortaya çıkma ihtimalini arttıracaktır. Hatta, alternatif EEG evrelerini seçilmesi ile, hata ortaya çıkma ihtimali önemli ölçüde artacaktır. Analizde doğrudan sapan evrelerin değerlendirilmesi, çalışmanın sonuçlarını büyük ölçüde saptırabilir ve bundan kesinlikle kaçınılmalıdır.
Adım 3: Verilerin gözden geçirilmesi
NAS, kullanıcının nörometrik veri tabanında gerçekleştirilen analizlerin aynını yapmasını sağlar. Veri seçim prosedürünün kalite kontrolünün iyi bir şekilde yapılmasını sağlamak için kullanıcının analiz için seçtiği veriyi gözden geçirmesi büyük önem taşımaktadır. NAS kullanıcıya ayrıca veri seçim sürecinin bir kopyasını da verir (Kullanma Kılavuzunu inceleyin) ve her edit seansından kalan evre işaretlerini saklar. Bu özellik, EEG seçimi sürecinin bir kesitini sağlar ve kalite kontrol amaçlı olarak birkaç kişi tarafından incelemenin yapıldığı hallerde EEG seçimini değerlendirmek için kullanılır.
Yeterli ham Veri Miktarı
Literatürde, QEEG sonuçlarının yüksek test-yeniden test güvenilirliğini gösteren sayısız örnek vardır (John ve diğerleri, 1983; Fein ve diğerleri, 1986). Her ne kadar 10 saniyede yaklaşık tahminler alınabilse de, asıl ve bağıl güç değerlerinin doğru spektral tahminleri için en az 20 saniyelik yapay olmayan EEG gereklidir. Nörometrik frekans analizleri genel olarak 2.5 saniyelik 48 evreden, toplamda 120 saniyeden yapılır. Bağıllık ve güç asimetrisi ölçümleri daha az sabittir ve doğru ve güvenilir bir tahmin için 48 segment (120 saniye) gereklidir. Bütün analitik sonuçlarda analizin temelini oluşturan toplam süre gösterilmelidir ve daha küçük örneklerden elde edilen sonuçlar daha dikkatli incelenmelidir.
Kabul Edilebilir Ham Veri Kalitesi
Bilgisayar tarafından üretilmiş sayısal analizler ve renkli topografik beyin haritaları deneyimsiz gözlemci için yanıltıcı bir doğruluk hissi verir. Analiz edilen Elektrofizyolojik verilerin belirtilen kayır süresindeki beyin elektriksel faaliyetini gösterdiğine dair yeterli güvence olmalıdır. Analiz edilecek ham verinin toplanması sırasında gözden geçirilmesi ve analizden önce incelenmesi faydalı olacaktır. Bilgisayar çıktısı ile beraber, analizi yapılan ham bilginin kağıt üzerinde bir kopyası da bulunmalıdır.
Birçok çağdaş enstrüman sistemi yapay gelişime karşı önceden geliştirilmiş bir otomatik yapaylığı reddetme algoritması kullanır ve bu algoritmaların neredeyse hepsi kayıt seansının başında ayarlanan gerilim eşikleridir. Fakat nörometrik analiz gerçekleştirirken bu yöntemin tehlikeleri vardır: sinirli bir hasta, eşiğin ayarını etkileyen eş zamanlı olmayan bir EEG üretebilir ve kendisi rahatladığında ortaya çıkan hiper eşzamanlı alfa reddedilebilir. Normal alfanın reddedilmesi, EEG’de alfa kaydının olmadığı sonucuna götürebilir. Niceliksel analiz öncesinde, kaydedilen bütün EEG verileri deneyimli bir EEG teknolojisi uzmanı tarafından incelenmeli ve gerekirse yapaylık algoritması es geçilmelidir. Statik bir eşik, geçerli EEG verisi sunsa da yüksek iç gerilimleri reddedebilir; ve yapay algoritması küçük yapaylıkları gözden kaçırabilir. Bu nedenle, bilgisayarın algoritması yapay EEG’leri sadece belirleyip işaretlemeli fakat reddetmemeli ve bunu uzmanın incelemesi için verebilmelidir. NAS’ta, otomatik yapaylık seçicisi yoktur ve bu sayede bu olası hata kaynağını da ortadan kaldırmıştır.
Adım 4: Veri azaltma
Veri azaltma sürecinde, nörometrik analiz için seçilen veriler bir dizi işleme tabi tutulurlar. İlk işlem, çok kutuplu elektrot alanlarından gelen tek kutuplu ve çok değişkenli özellik dizilerinin elektrot kombinasyonlarının matematiksel olarak yapılandırılmasıdır. Bu özellik dizilerini oluşturmak için kullanılan elektrotlar aşağıda listelenmiştir. Veriler, bağıl kulaklıklara (A1 + A2) refere edilmiş standart 19 kanallı 10/20 montaj için toplanmıştır.
Çok kutuplu veriler “nokta kaynaklı” bilgi verirken tek kutuplu veriler de iki elektrot ile tanımlanan bölgedeki “güç içeriği” hakkında bilgi vermektedir; Çok değişkenli veriler, daha geniş bir alanda bilgi verirler (Nörometride, birleştirilmiş ve bölgesel değerlerin tümü çok değişkenli terimlerdir) ve burada değer yer alan tüm kaynakların ortalamasıdır. Çok değişkenli özellik dizileri tek değişkenli ve tek kutuplu değişkenlerin alt kümelerini birleştirerek oluşturulmuştur. Çok kutuplu, çok kutuplu çok değişkenli, tek kutuplu ve tek kutuplu çok değişkenli terimleri, aşağıdaki elektrot değişkenlerinden oluşturulmuştur:
Tek Değişkenli Türevler
1 Fp1*
2 Fp2*
3 F3
4 F4
5 C3
6 C4
7 P3
8 P4
9 O1
10 F7
11 F8
12 T3
13 T4
14 T5
15 T6
16 Fz
17 CZ
18 PZ
19 O2
* Göz hareketlerini kaydetmek için kullanılmışlardır
Çok değişkenli tek değişken türevleri
(tek değişkenli türevlerin kombinasyonları)
Çok değişkenli kombinasyonlar İçerdiği elektrotlar
20. Sol Lateral 9, 12, 14
21. Sağ Lateral 11, 16, 19
22. Sol Medial 1, 3, 5, 7, 9
23. Sağ Medial 2, 4, 6, 8, 10
24. Sol Anterior 1, 3, 10
25. Sağ Anterior 2, 4, 11
26. Sol Merkez 4, 12
27. Sağ Merkez 4, 13
28. Sol Üst 7, 9, 14
29. Sağ Üst 8, 11, 15
30. Sol Lob 1, 3, 5, 7, 9, 10, 12, 14
31. Sağ Lob 2, 4, 6, 8, 11, 13, 15, 19
32. Orta 16, 17, 18
33. Anterior 1, 2, 3, 4, 10, 11, 16
34. Merkez 5, 6, 13, 14, 17
35. Üst 7, 8, 9, 14, 15, 18, 19, 19
36. Bütün Kafa 1-19
Tek Kutuplu Türevler
1 CZC3
2 CZC4
3 T3T5
4 T4T6
5 O1P3
6 O2P4
7 T3F7
8 T4F8
Çok Değişkenli Tek Kutuplu Türevler
(tek kutuplu türevlerin kombinasyonu)
Çok değişkenli kombinasyon içerdiği elektrotlar
1. Bütün Kafa 1-8
2. Sol Lob 1, 3, 5, 7
3. Sağ Lob 2, 4, 6, 8
4. Anterior 3, 4, 7, 8
5. Üst 1, 2, 5, 6
Adım 5: Niceliksel Özelliklerin Çıkarsanması
Nörometrik özellik dizileri matematiksel olarak tanımlandığında, veriyi özetlemek ve tarif etmek bir dizi işlem daha gerçekleştirilir: seçilen evreleri birleştirerek EEG’den güç ve frekans bilgilerini almak için Fast Fourier Dönüşümleri kullanılır. Eğrilmiş değişken dağılımlarını normale çevirmek için logaritmik dönüşümler kullanılır. Yaşın bir sonucu olarak EEG’deki varyasyonları düzeltmek için regresyon analizi gerçekleştirilir. Sonra da bireyin nörometrik profilini çıkarmak için çok değişkenli istatistiksel prosedürlere tabi tutulmuş Z-skoru ölçümlerini elde etmek için veriler referans grubunkiler ile karşılaştırılır. Mahalanobis Mesafe İstatistiği kullanılarak gözlemin normalden uzaklığının ve yönünün doğru bir tahminini almak için bağlantıları elde etmek üzere çoklu değişken ölçümleri düzeltilir. Aşağıdaki bölümler, veri küçültme sürecini daha detaylı olarak tanımlamaktadır.
Fast Fourier Dönüşümleri
Yeterli miktarda düzeltilmiş EEG verisi hazırlandığında, başka bir yerde anlatıldığı şekilde spektral analizi yapılır (John ve diğerleri, 1987b). Asıl güç, bağıl güç, elektrotların homolog kısımları arasındaki bağlantı ve elektrotların homolog kısımları arasındaki simetri hesaplanır ve bunların her biri delta (1,5-3,5 Hz), teta (3,5-7,5 Hz), alfa (7,5-12,5 Hz) ve beta (12,5-25 Hz) frekans bantları kurşunları için hesaplanır.
Gauss (Normal) Dağıtımları ve Z hesaplamaları için dönüştürme
En niceliksel EEG özellikleri kesinlikle yüksek veya düşük değerlere doğru belirgin eğimler gösteren dağılımları Gauss olmayanlardır. Örneğin, homolog sapmalardan elde edilmiş özelliklerin güç simetrisinin yüksek olma ihtimali, düşük değerlerde olma ihtimalinden çok daha fazladır.
Gauss özelliği kazandırmak için kayıt dönüşümleri
Fizyolojik değişkenler eğimli, normal olmayan veya Gauss şeklinde dağılmış olabilirler. Eğimli dağılımları değerlendirmek için parametrik istatistikler uygulama çabaları, yüksek Tür I (hatalı pozitif) veya Tür II (hatalı negatif) hataları ile sonuçlanma riskine sahiptir. QEEG değişkenlerinin büyük çoğunluğu normal olmayan, eğimli bir dağılıma sahip olduğundan, bütün nörometrik ölçümler parametrik analize tabi tutulmadan önce gauss özelliği kazandırmak için dönüştürülür. Normal olmayan dağılımların birçoğu için, dönüşümler kabul edilebilir bir gauss dağılımı için gerçekleştirilebilir. Dönüşüm skorların dağılımını engeller (bu durumda, daha da normal hale getirerek) fakat skorlar arasındaki ilişkiyi değiştirmez.
Nörometride kullanılan dönüşümlerin tamamı (X’=log10X, X’=log10(X+1)) gözlemlenen verileri daha normal ve gauss bir şekle yeniden dağıtacak şekilde bağımsız olarak değerlendirilmiştir. Gauss olmadıkları için düzeltilmeleri, özellik değerlerinin normal veya anormal olmasını doğru şekilde belirleme ihtimalini arttırırken, Tür I ve Tür II hatalar yapma ihtimalini de düşürmektedir. Bu da nörometrik analizin hassasiyetini ve özgünlüğünü arttırmaktadır.
Logaritmik dönüşümler, bir dizi skorun spesifik karakteristiğini değiştirirken diğer karakteristiklerini aynı bırakmak için uygulanır. Yani, verilerin kayıt dönüşümünü yaparak, gözlemlerin görülür dağılımı değişirken değerler arasındaki ilişki yine aynı kalır.
Logaritmik dönüşümler üç temel nedenden dolayı kullanılır:
1. Hata değişkenliğinin homojenliğini sağlamak için
2. Tedavi seviyesi dağılımların veya hücre içi dağılımların normalliğini sağlamak için
3. Tedavi etkilerinin eklenmesini sağlamak için” (Kirk, 1992)
Logaritmik dönüşümler, gözlemlenen değişkenlerin geniş ve standart sapmasının QEEG değişkenlerinde olduğu gibi orantılı olma eğiliminde olması halinde uygulanmaktadır.
Z-skoru dönüşümleri
Bütün parametrik istatistiksel analizler ölçümlerin normal veya gauss olarak, çan şeklinde dağıldığı temelinde gerçekleştirilir. QEEG araçlarında şu anda en yaygın olarak kullanılan istatistiksel yöntem şudur:
Gözlemlenen değer - normatif değer
Z = -------------------------------------------
Normatif standart sapma
Z skorları
Bir gözlemin istatistiksel olarak beklenenden daha küçük veya daha büyük olduğunu gösteren istatistik, "standart normal skor” veya Z-skorudur. Z-skoru, bir deneğin test skoru değerini uygun bir referans grup ile karşılaştırdığımızda elde edilen değerdir ve referans grubun tanımlanır, veya Z = Xi - Xu/ s (burada Xi kişinin test skoru, Xu referans grubun skoru ve s da referans grubun standart sapmasıdır). Z skorlarının ortalaması 0, varyansı, s2 ve standart sapması (s) 1’dir. Z skorlarının karesinin toplamı daima N’e, veri dizisindeki gözlemlerin sayısına eşittir. Yani, eğer her gözlemi ele alıp buna denk düşen Z skorlarını bulur ve bu Z-skoru değerlerinin karesini toplarsanız, elde edeceğiniz sayı N olacaktır. Bunun bir sonucu olarak, Z-skorları ihtimal olarak veya yüzdelik olarak bir gözlemin beklenenden sapmasının ifade edilmesidir.
Nörometride, gözlemin yönü (>veya<) +/- Z-skoru değerleri olarak gösterilir. Z-skorunun eğilimi, referans olarak kullanılan popülasyonun ortalama değerinden olan mesafenin göstergesidir. Skor ne kadar sapmışsa kişinin gözlemi de o kadar sağmıştır ve durumun tesadüfi olması ihtimali sapma arttıkça azalır. Yani, gözlemin tesadüfi olması ihtimali düşüktür ve buna bağıl olarak beklenen, ortalama değerden büyük ölçüde farklıdır. Z-skoru değerinin eğilimi rahatsızlığın klinik ciddiyeti ile ilişkilidir.
Bu nedenle, Z-skorunun değeri ne kadar büyükse, klinik rahatsızlığın ciddiyeti de o kadar fazladır. Örneğin, bir 100 değeri ve 10 değerinde bir standart sapmada, 125, beklenenin 2.5 üzerinde bir Z-skoru olacaktır. Z-skoru inceleme tablosunda, bu değerin meydana gelme ihtimali 007 p değeri ile .01’den azdır (p<.01) - yani, dağılımdaki bütün skorların % 99.3’ü bu skorun altındadır ve sadece % 0.07’si bu skorun üzerindedir. Bir diğer deyişle, bin gözlemden sadece yedisinin tesadüfen bu değerin üzerinde olması beklenmektedir.
İstatistiksel Önem Seviyeleri: Olasılık Tahminleri
NAS programı, bireyin EEG özellik dizisi profilinin referans grubun profilinden istatistiksel açıdan büyük ölçüde farklılık göstermesi ihtimalinin ne oranda olduğu ile ilgili bir olasılık tahmininde bulunur ve gözlemlenen özellik dizisinin veri tabanındaki özellik dizileri ile aynı olması ihtimalinin ne kadar olduğu konusunda bir ihtimal tahmininde bulunur (örneğin, … bu gözlem dizisinin beklenenden farklı olma ihtimali, p<.05’tir). p değerinin < .05 bir gözlemin, sadece tesadüfi olarak % 5 normal olma ihtimali vardır.
Kayıt dönüşümlü veriler referans grup verileri ile karşılaştırılır ve sonuçlar Z-skorları olarak ifade edilir. Z’nin değeri gözlemlenen değerin normal bir popülasyonun bir üyesinden alınmış olması ihtimali ile ters orantılıdır, yani, Z’nin gerçek değeri ne kadar yüksekse, anormallik ihtimali de o kadar yüksektir. Eğer referans dağılım eğimliyse, iki farklı türden hata muhtemeldir. Normatif değerden bir yöne doğru eğimli olan değerlerin hatalı pozitif sonuç verme ihtimali yüksektir; normatif değerden aksi yöne doğru eğimli olan değerlerin ise hatalı negatif sonuç verme ihtimalleri yüksektir. Bu nedenlerle, Z dönüşümü öncesinde bütün nörometrik değerler gauss değerlerine dönüştürülür.
İstatistiksel olarak farklı nörolojik ve psikiyatrik işlev bozuklukları ile ilişkilendirilen sapmaların belirli şablonlarına (profil) sebebiyet veren, Z-skoru özellik dizisinin çok değişkenli analizidir. EEG’nin ve niceliksel olarak elde edilmiş skorların üstünkörü bir şekilde incelenmesi çoğu zaman bu skorları vermeyecek ve EEG de normal görünecektir. Nörometrik analiz ile, yaş regresyonu ve gauss dönüşümü yapılmış bir veri ile Z-skoru istatistiği beyin elektriksel faaliyeti ile tanımlanan referans grup arasındaki istatistiksel açıdan önemli sapmanın hassas bir göstergesi olacaktır.
İstatistiksel önem gösteren skor değerlerinin vurgulanması istatistiksel sapma gösteren skorların çabuk şekilde tanınmasını ve üzerilerinde durulmasını sağlar. Bunların, önem derecesine yaklaşan fakat ulaşmayan skorlar olduğuna da dikkat edin. Bunlar rapor oluşturucu ile vurgulanmamıştır, fakat sadece vurgulanan alanların gösterdiğinden daha fazla sapma bölgesi yansıtan alanların trendleri ile ilgili tanımlayıcı raporlardır. Benzer şekilde, istatistiksel açıdan önem taşımayan raporlar da klinik olarak kullanışlı olabilirler.
Yaş Regresyonu
Birçok niceliksel EEG özelliği yaş ile de alakalıdır. Farklı yaş aralıkları üzerinde yapılan normatif değer hesaplamaları, farklılıklar göstermektedir. İstatistiksel açıdan bu değerler ile karşılaştırılarak değerlendirilmiş olan değerler muhtemelen orta yaş aralığı için büyük önem taşıyacak fakat diğer taraf için de büyük önem taşıyacaktır. Hatta, arttırılmış standart sapma hatalı negatif bulguların da artmasına neden olacaktır. Bu nedenle, bütün nörometrik bulgular 6 ila 90 yaş aralığı için tahmin edilen normal dağılımda hem normal değerlerin hem de standart sapmanın yaş-regresyon değerlerinin denklemleri ile karşılaştırılarak değerlendirilir. Bu yaş-regresyon denklemleri birçok farklı ülkede bu yaş aralığının farklı kısımları için geliştirilmiştir ve etnik kökenden bağımsız olarak, her kültürde aynı olduğu gözlemlenmiştir (John ve diğerleri, 1989a).
Nörometride, tahmin edilen QEEG özellik değerleri test deneğinin yaşı ile sıkı sıkıya bağıldır. Bu teknik hata değişimini azalttığından, test sapan skorlara daha duyarlı bir hale gelmiştir. Bütün nörometrik değişkenler, her yaş için belirlenmiş genel ve standart sapma değerleri temelinde hesaplanmaktadır. Nörometrik veri tabanı 6 ila 90 yaş arası bireyler için yaşa göre ayarlanmış normatif skorlar sağlar. Bu normatif yaş-regresyon denklemleri bağımsız olarak geliştirilmiştir (John ve diğerleri, 1989a).
Ölçümler arasında İnterkorelasyon Düzeltmesi
Beyin yüksek derecede birbirine bağıl sistemlerden oluştuğundan, beyin elektriksel faaliyetlerinin niceliksel ölçümleri bölgeler içerisinde olduğu gibi bölgeler arasında da interkorelasyonları göstermektedir. Bir yandan, çoklu QEEG ölçümleri temelinde genel anormallik tahminleri interkorelasyon içerisindeki kısımlara dikkat edilmediğinde gereğinden fazla abartılacaktır, bazı çağdaş beyin görüntüleme sistemlerinde bu durum yaşanmaktadır. Beyin ölçümleri içerisinde istatistiksel bağımsızlık olduğunun varsayılması, Tür I hatanın önünü ciddi anlamda açmaktadır; yani, normal bir bölüme anormal denebilir. Öte yandan, QEEG ölçümlerinin interkorelasyonlar göstermesinin nedeni, tamamen bunun beyin ilişkilerinin organizasyonundan kaynaklanmasıdır. Ölçümler veya bölgeler arasında normal korelasyonlardan sapmalar, beyin organizasyonunda hassas rahatsızlıklar endeksi gösterebilir. Bu sistem organizasyonu konularını niceliksel olarak değerlendirebilme becerisi, geleneksel EEG ile nörometri arasındaki niteliksel bir farktır.
Bu Z-skorları sonuçlarının dağılımının çok değişkenli istatistiksel analizleri burada gerçekleştirilir. FFT analizinden elde edilmiş olan sonuçlar - 10/20 sisteminin 19 elektrot noktasındaki her elektrotunun her frekans bandındaki ( ?, ?, ?, ß,) asıl ve bağıl güç, güç asimetrisi, bağıllık, vb. - yaş ve regresyon için dönüştürülür ve kayıt dönüşümleri yapılır ve daha sonra Z-skorlarına dönüştürülecek olan tek kutuplu çiftler, bölgesel ve tüm kafa ölçümleri elde etmek için birleştirilirler. Yukarıdaki ölçümlerden elde edilen kişi skorlarını referans grubun uygun değeri ile karşılaştırarak, kişi için bir Z-skoru matrisi elde edilir. Z-skor matrisindeki skorlar, aralarındaki etkileşime bakılmaksızın bir skor değeri ile uygun olan referans grup skor değerinin karşılaştırılmasını sağlayacak olan Mahalanobis Mesafe İstatistiği, D2 kullanarak interkorelasyon açısından düzeltilir. İstatistik güvenilirlik aralığını yeniden tanımlar ve normal ve anormal değerler arasındaki farkın daha kesin bir sınırını koymakla beraber nörometrik analizin daha küçük beyin rahatsızlıklarına olan hassasiyetini de arttırır. +2D2’den daha büyük değerler büyük ölçüde önem taşımaktadır.
Çok değişkenli istatistiksel analizler elektrotlar ve elektrot alanları arasındaki ilişkiyi kontrol etmek için kullanılırlar. Ön, arka, sol, sağ, tüm kafa ve diğer çok değişkenli ölçümler tanımlanabilir. Buradan elde edilen Z-skoru dağılım dizileri daha sonra istatistiksel olarak türetilmiş önceden bilinen referans gruplarınkilerle karşılaştırılır. Hastanın Z-skor matrisi ile belli bir grubun Z-skor ortalaması arasında yüksek bir korelasyon, aralarında önemli ölçüde ortak nokta olduğu anlamına gelmektedir. Yani, benzerlikleri hastanın referans grubun bazı karakteristiklerine sahip olduğu ve bu ihtimalin doğrulanması için değerlendirilmesi gerektiği anlamına gelmektedir.
Bu türden bir bilginin görsel olarak muayene edilmiş bir EEG’den elde edilemeyeceği açık olduğundan - birinin EEG içerisindeki şablonlara olan hassasiyetine rağmen - korteksin farklı bölgeleri arasındaki küçük ilişkiler kolayca anlaşılamaz. Burada savunulan ise beyinde etkileşimli modüler yapısını yansıtan bir işlevsel faaliyetler şablonu olduğudur. Bu bölgeler arasında dengesizlik olduğunda, düşünce ve davranış bozuklukları daha açık hale gelir ve klinik sınıflandırma için temel oluştururlar. Nörometri, belirlenmiş ‘normal’ referans grubu ve çeşitli klinik referans grupları ile karşılaştırmalar temelinde sınıflandırma için ampirik bir taban sunmaktadır.
Hotelling’in T² testini kullanarak hipotez testi
NAS kullanıcıları bazen nörometrik analizin çıkışı ile tanımlanmış olan verinin sahibi gruplar arasında kendi karşılaştırmalarını yapabilirler. Kullanıcı tarafından yapılmış grup nörometrik profilleri hakkındaki hipotezi test etmek için, Hotelling T² testinin kullanılması tavsiye edilir. 1 ve 2 nüfuslarından sırasıyla n1 ve n2 boyutlarıyla rast gele örneklemenin varsayımları ve u1=u2 deney hipotezi altında, D² Mahalanobis Uzaklık İstatistiğinin kullanarak alınan gözlemlerin ara korelasyonunu alan çok değişkenli gözlemlerin iki takımı arasındaki farklılığı belirleyen F testi, Hotelling’in T² istatistiğini kullanan ilgili teste eşdeğerdir (Winer, 1962). Hotelling’in T² istatistiği iki ortalama arasındaki farklılıkların bir testinin çok değişkenliği analogudur. Bağımsızlığın bağıl dereceleriyle merkezi bir F dağıtımı olarak dağıtılır. F ve t'ye benzer bir usulde yorumlanırsa, sadece pozitif değerler kullanılır ve saha fazla farklılık ve daha büyük sapma ortaya çıkar. Genelde, gözlemlerin sayısı n = 30'a eşit yada daha büyük olduğu için, Merkezi Sınır Teoremi uygulanır. F'nin payı ve paydasındaki gözlemlerin sayısı n= 30’a eşit ya da daha büyük olduğunda F dağıtımı ve Hotelling’in T²sinin Z dağıtımına çok yaklaştığı açıkça ispatlanabilir. Mahalanobis Uzaklık İstatistiği, ilintilenmiş gözlemler arasındaki farklılıkların mesafesinin doğru bir hesabını verir.
SONUÇLAR
Bu değerlendirmelerin bir sonucu olarak, nörometrik muayeneler her beyin bölgesindeki ve farklı beyin bölgeleri arasındaki QEEG özellikleri arasındaki ilişkilerin normatif değişken matrisleri ile karşılaştırılarak Mahalanobis mesafesi olarak değerlendirilmesini sağlamak üzere tasarlanmıştır. Bu çok değişkenli yapısal ölçümler özellikle küçük beyin rahatsızlıklarının, mihraki işlevsizliklerden çok beyin işletimindeki sorunların neden olduğu anormalliklerin tespiti ve boyutlarının öğrenilmesi açısından faydalıdır. Nörometrik çok değişkenli ölçümlerin hassasiyetine bir örnek olarak, Jonkman ve diğerlerinin 1985’teki çalışması incelenebilir. Bu araştırmada, bölgesel Serebral kan akışı (rCBF) xenon-133 ölçümleri (frekans anormallikleri üzerine) ile çok değişkenli nörometrik ölçümler, serebrovasküler hastalıkları olan 4 grup ile karşılaştırıldı ve serebral iskemi klinik vakasının görülmesinden en az 14 gün sonra araştırıldı . Bu gruplardan ikisi halen semptomatikken (CS ve PNS), diğer ikisi asemptomatik haldeydi (RIND ve TIA) . Belirlenen “altın standart” uyarınca anormal olarak belirlenen her birinin rCBF ölçümü yüzdesi klinik semptomlar azaldıkça azaldı. Fakat çok değişkenli nörometrik ölçüm ile anormal olarak teşhis edilen grupların yüzdeleri yaklaşık % 90 seviyelerinde sabit kaldı. Görsel EEG değerlendirmesine göre toplan anormallik tespiti % 54 oranındaydı. Nörometrik hatalı pozitifler (anormal denen normaller) % 3 oranındaydı. Kişilerin nörometrik kayıtlarının dikkatlice incelenmesi sonucunda, TIA hastalarının birkaçında önemli boyutlarda tek değişkenli anormallikler tespit edildi. Nörometrik muayenenin bölgesel kan akışı sonuçlarından daha üstün olmasının nedeni, nörometrinin daha özel olan EEG ilişkilerine daha hassas olmasıydı.
Nörometrik Ölçümler
Dört frekans bandının her biri için, her iki çift kutuplu (referans), tek kutuplu ve çoklu değişkenli ölçümler hesaplanmıştır. Bu hesaplanan ölçümler, bir elektrot setine karşılık aktivitenin dağılımını gösteren asıl güç, bağıl güç, güç asimetrisi, tutarlılık ve kesin çokluk terimleridir.
Güç ölçümleri
Güç, bir EEG genişlik ölçüsüdür. Gerilim, bir zamanda verilen bir noktadaki EEG sinyal genişliğinin temel indeksidir ve genellikle mikrovolt, uV olarak belirtilir. Güç, gerilim karesidir, uv2, ve pikowatt olarak belirtilir. Nörometri dört temel frekans bandındaki gücü belirttiğinden, bir banttaki güç o bantta ölçülen gerilimin karesidir. FFT analizi her elektrot tarafında belirtildiği şekilde belirtilen iki frekans noktası arasındaki EEG’de ne kadar güç olduğunu tanımlar. Bu değerlerin çeşitli kombinasyonları gücün ve ilgili ölçümlerin tek kutuplu ve çoklu değişkenli ölçümlerini oluşturur. Gücün nörometrik ölçümleri analizde katkıda bulunan verili tüm evreler için belirtilen frekans bandındaki ortalama güç miktarının ifadesidir.
Asıl güç
Asıl güç, pikowatt (mikrovoltun karesi) uv2 şeklinde tanımlanan bir genişlik ifadesidir. Bu, sinyal kavramında analogdur - sinyal ne kadar güçlüyse, genişlik de o kadar fazladır. Nörometri verilen bir zamanda ( seçilmiş devirde) dört frekans bandının her birinde bulunan ortalama güç miktarını tarif eder ve bu değerleri daha ayrıntılı analizler için temel olarak kullanır.
Nörometride, ilgilenilen nokta gücün saç derisi üzerinde dağılımıdır. Çift kutuplu ölçümler belli bir elektrot alanında tespit edilen gücü değerlendirir ve burada güç erimleri delta, teta, alfa ve beta ( ?, ?, ?, ß,) olarak tarif edilir. Nörometride kullanılan frekans bant genişlikleri şöyledir:
Delta ? : 1.5-3.5 Hz
Teta ? : 3.5-7.5 Hz
Alfa ? : 7.5-12.5 Hz
Beta ß : 12.5-25.5 Hz
Çift kutuplu ölçümler, elektrotların tek kutuplu kısımları içerisindeki gücü değerlendirir. Yani, C2-C3 alfa gücü C2’de C3’ten daha güçlüyse (daha geniş), güç eğrisi ortadan kafanın yanlarına doğru inişe geçecektir.
Nörometrinin kullanımıyla dört frekans bandının her biri için beyin elektriksel faaliyetlerinin çift kutuplu, tek kutuplu ve çoklu değişkenli ölçümleri için bir normatif güç dağılımının tanımlanabileceği düşünülmektedir. Bu “normatif dağılımlar”, bir hastanın nörometrik test sonuçlarını değerlendirmek ve bu karşılaştırmanın bir sonucu olarak da korteksin yapısal ve işlevsel durumu hakkında bilgi vermek için kullanılır.
Bağıl Güç
Dört temel frekans bandının her birindeki gücü tahmin edebildiğimize göre, her tek kutuplu alandaki, tek kutuplu alandaki ve çoklu değişkenli elektrotlardaki toplam gücü bulmak ve her bağımsız bant genişliğine atanmış gücü hesaplamak da oldukça kolay hale geliyor. Yüzdelik güç endeksi EEG sinyalinin korteks üzerinde ifade edilmesinin frekans kompozisyonunun bir ölçümüdür. Bağıl güç haritaları, 0.0 ila 0.1 (% 0 ila% 100) arasında değişen aralıklarda ölçeklendirilmektedir.
Bağıl gücün çift kutuplu, tek kutuplu ve çoklu değişkenli bileşenleri hesaplanabilir. Çift kutuplu bağıl güç her elektrot alanının her frekans bandında bulunan toplam güç yüzdesini yansıtır. Tek kutuplu bağıl güç, tek kutuplu bir çiftin iki elektrotu arasındaki bağıl gücün eğiminin ifade edilmesidir. Örneğin, C3’te % 65 alfa ve C2’de de % 45 alfa varsa, bağıl gücün meyli yukarı doğru olacaktır ve tek taraflı konumlanmış C3'de merkezi konumlanmış C2’den daha fazla olacaktır. Bağıl gücün çoklu değişkenli bileşenleri çoklu değişkenler dizisinde bulunan elektrotların frekans bantlarının her biri için ortalama yüzdelik gücü gösterir.
Güç Asimetrisi
Homolog elektrotlar ( mesela başın karşılıklı iki yanında aynı pozisyonda duran elektrotlar( örneğin F3 ve F4 homolog bir elektrot çiftidir.) arasında delta, teta alfa ve beta güç dağılımları arasında bir dengesizlik olduğunda güç asimetrisi oluşur. Güç asimetrisi, bir çiftteki iki homolog elektrot arasında bulunan ve verili frekans bandında üst tarafı daha fazla güce sahip elektroda dönük olan bir güç eğimi olarak değerlendirilebilir. Güç asimetrisinin hesaplanması, her frekans bandında bir sol-sağ karşılaştırmasının yanı sıra homolog tek kutuplu kısımlar ile belirtilen çoklu değişkenli elektrot dizileri arasında da aynı karşılaştırmayı yapar ( örneğin sol loba karşılık sağ lobun güç asimetrisi) . Ayrıca loblar arası asimetriler de ( örneğin sol lobdaki ön kısmın sonraki kısma olan güç asimetrisi) tanımlanabilir.
Asimetri hesabının basit matematiksel formülü şu şekildedir: % Asimetri = (L-R/L+R) X 100. Burada L karşılaştırılan homolog elektrotlardan soldakini ifade ederken, R ise sağdaki homolog elektrotu ifade etmektedir. Veya, loblar arası asimetri hesaplanacaksa, bunun formülü de şu şekildedir: Loblar Arası Asimetri = (A-P/A+P) X 100, burada da, A alt tarafta kalan elektrotu ve P de daha üstte bulunan elektrotu belirtmektedir. Nörometrinin temel varsayımlarından birisi, karşılıklı ve içindekilere ait olmak üzere beynin elektriksel asimetrilerinin normatifi dağılımının ölçülmesinin ve niceliksel olarak değerlendirilmesinin mümkün olduğudur.
Tutarlılık
Tutarlılık ölçümü, homolog elektrot çiftleri arasındaki elektriksel faaliyetlerin birleşik varyasyonunu yansıtmaktadır. Yani, tutarlılık ölçümler, “paylaşılan varyans” –bir lobdaki güç dalgalanmalarının süresinin yüzdesi diğer lobdaki güç dalgalanmalarının tahmin edilmesinde olan kullanımının bir ifadesidir - ölçümleriyle benzerlik göstermektedir. Bir lobda bir zamandaki güç dalgalanmaları eğer biliniyorsa, bunlar makul bir doğruluk oranıyla diğer lobdaki dalgalanmaları da tahmin etmek için kullanılabilir. Referans gruptan elde edilen tutarlılık ölçümleri temelinde normatif değerler tanımlanmıştır. Artık, gözlemlenen ve önceden belirlenen normatif değerler arasındaki Z-skor farkını bulup karşılaştırmak oldukça basit bir iş haline gelir. Z-skor varyasyonları ortalama (beklenen değer) değerden iki standart hata tahminini geçtiğinde, bu değerler normalden istatistiksel açıdan önemli ölçüde normalden sapmıştır. Ortalamanın 2.0 üzerindeki varyasyonlar hiper tutarlı olur. Ortalamanın 2.0 altındaki varyasyonlar ise hipo tutarlı olur.
Hiper tutarlı ilişkiler, bir hemisferdeki EEGnin andan ana dalgalanmaları diğerindeki güç dalgalanmalarıyla istatistiksel olarak sağlam biçimde ilişkilendirilebiliyorsa vardır. Bu, faz açısı 180° (her birinin tam tersi - hemisferlerden birinde güç artarken diğerinde azalıyor) olsa bile hiper uyumlu ilişkiyle sonuçlanır. Bir hiper uyumlu ilişki, bir hemisferden diğerine güç dalgalanmalarının tahmin edilmesinin mümkün olmadığı durumlardan var olur (yani, birbirleriyle senkron halinde değillerken). Örneğin, bir hemisfere varan bilgide diğerine nazaran zaman gecikmesi varsa, homolog elektrot çiftleri arasındaki ilişki hiper uyumlu, ama faz dışı olabilir. Ancak güç farklılıkları arasındaki zaman içerisindeki ilişki tamamen asenkronize ve düzensizse, ilişki yokluğu hemisferler içindeki veya arasındaki paylaşılan kaynak jeneratörünün fonksiyonel serbest kalmasını gösterebilir.
Ortalama Frekans
Her özellik dizisi için ortalama (matematiksel ortalama) frekans, sadece analiz için seçilmiş olan evrelerin matematiksel ortalamasından ibarettir. Eğer 48 evre seçilmişse, her güç bant genişliğindeki ortalama frekans hesaplanır.
NÖROMETRİK ÖZELLİK DİZİSİ TARİFİ
Bir nörometrik analizin başarılı bir şekilde kullanımı ve doğru şekilde değerlendirilmesi, istatistiksel tablolarda ve topografik haritalarda gösterilen terimlerin tanımının ve anlamının doğru anlaşılmasına bağıldır. Burada, analiz sonuçlarını veren tablolarda ve haritalarda kullanılan nörometri terminolojisi açıklanmaktadır:
Tek kutuplu Ölçümler
Tek kutuplu Asıl Güç (uV2)
10-20 sistemindeki 19 elektrottan her biri için toplam güç ve her frekans bandındaki güç verilmiştir. Güç, pikowatt veya mikrovolt kare olarak verilir.Tek kutuplu asıl güç, verili bir frekans bandındaki ortalama EEG gerilimidir. Toplam asıl güç, her frekans bandındaki güçlerin toplamıdır.
Tek kutuplu Asıl Güç (Z)
Bu tabloda, Tek kutuplu Bağıl Güç Tablosunda bulunan bütün gözlemlerin Z-skorlarıyla beraber birleştirilmiş Z-skor ölçümü verilmektedir. Birleştirilmiş ölçüm, dört temel frekans bandının her biri için geçerli olan güç ölçümleri arasındaki ilişkinin çok değişkenli indeksinin birleştirilmiş ölçümüdür. Ek olarak, bu tabloda çeşitli çok değişkenli çiftler - LLat (Sol Lateral), RLat (Sağ Lateral), vb. verilmiştir. Takip eden terimler, Mahalanobis Mesafe İstatistikleridir. sadece pozitif değerler yorumlanacaktır.
Tek kutuplu Bağıl Güç (%)
Verilen herhangi bir banttaki yüzdelik güç, buradaki asıl gücün Toplam Asıl Güç çarpı 100 e bölünmüş halidir. Bu tabloda, 19 elektrot alanının her birindeki bant genişliklerindeki yüzde bağıl gücü göstermektedir. Tabloda ayrıca düşük bant ( ?+ ? ) gücünün yüzdesi de vardır. Bu birleştirilmiş terim, delta ve teta terimlerinin toplam güç miktarına bölünmesini de temsil etmektedir. Bu, farklı durumlarda fark edilmesi mümkün olmayan düşük dalga faaliyetlerindeki küçük artışları da değerlendirmek için de kullanışlıdır.
Tek kutuplu Bağıl güç (Z)
Burada verilen tek kutuplu bağıl güç(Z) tabloları, Z-skor değerlerinin Tek kutuplu Bağıl Güç tabloları ile ve “birleştirilmiş”, “en uygun” ve kişi 16 yaşının altındaysa “ergenlik formasyonu” ile ilişkilerini kurar. Ayrıca, korteksin farklı bölgeleri için rapor edilen birtakım çok değişkenli terimler de vardır. Takip eden terimler Mahalanobis Mesafe İstatistikleridir ve korteksin bu bölgesindeki her frekans bandındaki güç yüzdesi ilişkisinin dağılımı hakkında ortalama bir tahminde bulunmak için kullanılırlar.
Birleşik tek kutuplu bağıl güç skorları Mahalanobis Mesafe İstatistiklerdirler ve her elektrot sitesindeki dört bant genişliği boyunca güç dağılımı arasında var olan ilişkilere duyarlıdırlar. En-uygun terimler de Mahalanobis Mesafe istatistikleridirler ve bu bireyin nörometrik profilinin olgunlaşma ya da gelişme problemleri yaşayan bireye uyup uymadığını belirlemek için kullanılır. Olgunlaşmanın gecikmesi tahminleri, bu belirli profilin o yaştaki bireyler için referans grubu profilinin arkasında kaldığını belirten, yıl cinsinden bir zaman ölçütüdür. Dolayısıyla bu profilin gerçekten daha genç yaştan bir bireyle uyuştuğunu gösterir.
Tek kutuplu Ortalama frekans (Z)
Tek kutuplu Ortalama Frekans (Z) tabloları, bir önceki tabloda belirtilen değerlere denk düşen Z-skor ölçümlerini ve her bir frekans bandının ortalama frekansının ilişkisinin sapmasının değerlendirmesini yansıtan birleştirilmiş terimleri vermektedir. Ayrıca kafanın çeşitli bölümleri için çok değişenli kombinasyonlar da verilmiştir. Bu türden değerler, belirtilen bölgede bulunan elektrotların normal ilişkiden sapmalarının bir değerlendirmesidir. Kombinasyon değeri bir ortalama değer frekansını diğeri ile korteksin o bölümünde kıyaslama yaparken meydana gelen normal veya tipik durumdaki ilişkilerden kaynaklanan sapmayı açıklamakta kullanılan bir değerdir.
Tek kutuplu Loblar Arası Asimetri (Z)
Asimetri değerleri homolog elektrot çiftlerinin güç değerleri arasındaki farktır. Tek kutuplu loblar arası asimetri değerleri, sağ-sol karşılaştırmaları için bir temel oluştururlar. Sol lob güç değeri sağdan daha yüksekse pozitif ve sağ lob güç değeri soldan daha yüksekse negatif sonuç meydana gelir. Z-skor değeri, normalden sapma tahminini belirtir. Kombine edilmiş durumdaki asimetri , birleştirilmiş sol asimptodun sağa karşı olan elektrotunun bir açıklamasıdır. Bu, genel bir soldan sağa asimetri ölçümüdür.
Benzer biçimde, tüm sonraki elektrotlarda (ortaya bitişik olmayanlar), tüm ortadaki elektrotlarda (orta ve lateral elektrotlar arasında ortaya bitişik olanlar) önceki, merkezi ve sonraki homolog elektrot çiftlerinde sol sağ karşılaştırmaları yapmak mümkündür. Baş asimetri indeks değeri, baş boyunca asimetri tahminleri arasındaki farkı ifade eden Mahalanobis Mesafe İstatistikidir. Tüm diğer asimetri tahminlerini içeren bir kombinasyon terimidir.
Tek kutuplu Hemisfer içi Asimetri Eğim Z
Asimetri hemisfer içi ölçümleri aynı hemisferde belirlenmiş bir bölge içinde bulunan iki elektrot arasındaki güç farkını hesaplayarak yapılır.
İstatistikler, loblar arası asimetri skorlarını yorumladığınız şekilde yorumlanır.
Tek kutuplu Loblar Arası Eş Zamanlılık (Z)
Aynı lobdaki iki elektrot arasındaki anlık güç dalgalanmaları bu lob içerisinde tahmini bir faaliyet ilişkisi verecektir. Buna bağıl olarak, bir çiftteki elektrotlar arasındaki mesafe arttıkça, eğer çiftteki elektrotların ortak bir jeneratörleri yoksa veya loblar içerisinde veya loblar arasında uzun fiber yollarla birbirine bağlanmıyorlarsa, eş zamanlılık azalacaktır.
Çift Kutuplu Terimler
Çift Kutuplu Asıl Güç (uV2)
Tek kutuplu asıl güç (uV2), belirli bir elektrot çifti içerisinde verili bir frekans bandında mevcut toplam gücün tahmini değeridir.
Çift Kutuplu Asıl Güç (Z)
Tek kutuplu asıl güç (Z) verisi tek kutuplu asıl gücün önceki tahminlerinin normal değerlerden sapmasının değerlendirilmesidir. Bir negatif işaret beklenenden az güç olduğunu ve pozitif işaret de grup bulgularına kıyasla beklenenden fazla güç olduğunu gösterir. İstatistiksel sapmalar ancak 2.0 değerinin üzerinde olduğunda vurgulanır (kutu içine alınır).
Çift Kutuplu Bağıl Güç (%)
Verili bir frekans bant genişliğinde iki elektrot arasındaki meyilde bulunan gücün bu ikisi arasındaki toplam güce yüzde olarak oranı, tek kutuplu bağıl güç olarak ifade edilir. Meyil üzerindeki bütün frekans bantlarından geçen toplam güç miktarı da ayrıca verilmiştir. Gücün bölgesel dağılımları da verilmiştir. Bunlar, meyillerden geçerek ve meyilleri birleştirerek belirtilen bölgeden (sol, sağ, üst, alt ve tüm kafa) geçen her frekans bandındaki güç yüzdesini değerlendirirler. Ek olarak, bir birleştirici terim düşük dalga frekans bantlarından (delta ve teta) geçer ve bu geçişten kaynaklanan tek kutuplu meyildeki gücün yüzdesini tanımlar.
En Uygun Z-Skor Değerleri
En uygun Z-Skor Değerleri, gözlemlenen değerlerin bu yaşta bir birey için beklenen değerlere ne kadar uyduğunu gösterir. “Olgunlaşma gecikmesi”, kişinin gelişiminde gecikme gösterip göstermediğini belirtir (yani, kendi yaşındaki kişiler ile aynı gelişime sahip olup olmadığını). Nörometride, kişinin görünen fizyolojik yaşı ile kronolojik yaşı arasındaki fark (hastanın Z skoru değerlerinin gözlemlenen dağılımının, kendi yaşındaki kişiler ile aynı görünmeyip kendinden daha genç yaştaki kişilerden oluşan bir grup ile aynı olması) “olgunlaşma gecikmesi" olarak belirtilir. Eğer gözlemlenen fizyolojik yaş (Z skoru profilinde belirtildiği şekilde) daha ileri yaşta kişilerden oluşan bir grubun fizyolojik yaşı ile eşleşiyorsa, buna da erken olgunlaşma denir. Bu da, fizyolojik yaşın (QEEG Skorlarında belirtildiği şekliyle) kronolojik yaştan daha ilerde olması anlamına gelmektedir. Gözlemlenen Z skoru değerlerinin sadece kişinin kendi yaşındaki kişilerin değil her yaştan bireylerin değerlerinin normal sınırlarının ötesindeyse, “işlevsel sapmalar” meydana gelir. Ve, eğer en uygun değerler bir yaşa diğerlerinden daha yakınsa fakat hala her yaşın beklenen değerlerinin dışındaysa, kişide hem olgunlaşma gecikmesi hem de gelişim sapması vardır.
Toplam Z skoru ölçümleri dört frekans bandının her birindeki ilgili tek kutup ölçümleri arasındaki farkı ortaya koymaktadır.
Çift Kutuplu Bağıl Güç (Z)
Önceki EEG değişken değerleri için Z skor değerleri. Ek olarak, sol ve sağ loblarda, üst ve alt beyin bölümlerinde ve kafanın tamamında verili bir frekans bant genişliği için meyil üzerindeki gücün dağılımını karakterize etmek için Mahalanobis Mesafe İstatistikleri kullanılır. Birleştirilmiş terim meyiller üzerindeki dört bant genişliği içerisinde mevcut olan ilişkinin normalliğinin değerlendirilmesidir. toplam ölçümler meyil içerisindeki toplam gücün referans gruptakine ne kadar benzediğini gösteren bir tahmindir.
Tek Kutuplu Ortalama Frekans (Z)
Bu skorlar elektrot çifti ile tanımlanan tek kutuplu meyil için verili bir frekans bandındaki toplam gücün yüzdesinin bir tahminini temsil eder.
Tek Kutuplu Loblar Arası Asimetri (Z)
Loblar içerisindeki ve arasındaki gücün bölgesel meyilleri dört geleneksel bant genişliğinin her biri içinde değerlendirilir. Birleştirilmiş terimler beynin belirtilmiş bölgelerindeki güç yüzdesinin dağılımında mevcut olan ilişkinin uygunluğunun bir değerlendirmesidir. Asimetri skorlarının toplam miktarı, genel asimetri değerlerinin bir özet indeksidir, fakat bant genişlikleri arasındaki ilişkinin ifade edilmesi değildir.
Nörometrik Analiz Sonuçlarının Okunması
Nörometri, EEG’nin görsel testlerinden birisidir. İkincil bir analiz seviyesi olarak, nörometri kullanıcıya görsel EEG kaydı ile elde edemeyeceği verileri sunar. Nörometrik sonuçları okumak zor olmasa da, uygulamanız için standart bir gözden geçirme protokolü geliştirmeniz önem taşımaktadır. Yeni başlayan kullanıcılar için aşağıdaki protokol tavsiye edilmektedir:
1. Daima önce dijital EEG kaydını değerlendirin. Monitörden veya basılı çıktısından da olsa, nörometrik analizin gerçekleşmesi için EEG’nin kapsamlı şekilde değerlendirilmesi ön koşuldur. Nörometri kayıttaki patolojik anormallikleri takip edeceğiniz bir sistem değildir. Nörometrik analiz önceden edindiğiniz izlenimi de destekleyebiliyorken, nörometri temel okumanızda kaçırmış olabileceğiniz arka plan EEG’deki küçük değişimleri de fark edebilir. Nörometrik analizin sonuçlarını okumayı tamamladığınızda, EEG kaydına geri dönüp anormallikleri kayıt üzerinde incelemelisiniz.
2. Nörometrik analizin sonuçları istatistiksel tablolar ve topografik beyin haritaları olarak verilmektedir. Nörometrik analizin sonuçlarını değerlendirirken sadece görsel öğelere bağıl kalmanız uygun değildir. Önce istatistiksel tabloları inceleyip daha sonra da tablo verilerine denk düşen topografik harita şekillerini incelemeniz uygun olacaktır.
3. Nörometrik analizdeki değişkenlerin % 5’inin sadece tesadüfen normal değerlerden önemli ölçüde farklı olabileceğini aklınızdan çıkarmayın. Bu, normal bir EEG’de 60 veya daha fazla ‘hit’ görüntülenebileceği anlamına gelmektedir. Normal bir kişi ile bir klinik vaka arasındaki temel fark, normal kişinin ‘hit’lerinin rasgele dağılımlı olacağıdır. Yani, bunlar seçilen EEG’deki bu “anormal hit”leri üreten rasgele varyasyonlardan kaynaklanmaktadır. Mevcut bir patolojik durumu olan patolojik vakalarda, anormal ‘hit’lerin dağılımı güç varyasyonları, asimetri, tutarlılık ve ortalama frekans anormalliklerinin birbiriyle bağlantılı olduğu yerleri görmenizi sağlayacaktır.
4. ‘Hit’lerin toplu şekilde şablonu, EEG’de hastanın klinik durumu veya nörolojik/psikiyatrik sorunları ile ilişkilendirilebilecek bir yapısal veya işlevsel sorun hakkında size delil sunacaktır. Kişinin nörometrik profilini tanımlayan, bu ‘hit’lerin dağılımıdır.
İSTATİSTİKSEL TABLOLAR VE TOPOĞRAFİK HARİTALAR
İstatistikî tablolar EEG’nin görsel değerlendirilmesinden sonra incelenmelidirler. İnceleme sırası tek kutuplu gözlemlerden iki kutuplu gözlemlere doğru ilerlemelidir. Genel bir veri bakışını elde etmek önemlidir. Gelişigüzel bir bakış daha sonra detaylı olarak incelenebilecek anormal alanları belirleyecektir.
Uygun güç ve görece güç dağılımlı için tek kutuplu ve iki kutuplu tabloları inceleyin. Normatif değerler yaş fonksiyonu olarak değiştiklerinden, belirli bir yaş için normal değerlerin ne olması gerektiğine dair önceden belirlenmiş bir fikir geliştirmek imkânsızdır. Gene de, genelde, iyi bir başlangıç noktası olarak aşağıdakini kullanabilirsiniz:
Delta, teta ve beta gücün dağılımı korteks boyunca düz olmalıdır. Alfa gücü başın sonraki kısımlarına doğru yükselmeli ve başın oksipital bölümünde zirveye ulaşmalıdır. İnsanların yaklaşık %40'ının normal koşullar altında düşük EEG gücü gösterdiklerini unutmayın.
EEG korteksin çoğunluğu boyunca nominal olarak simetrik ve uyumlu olmalı, temporal bölgede uyum merkezi, paryetal ve oksipital bölümlerden daha az olmalıdır.
Hasta ham veri tablolarındaki vurgulanmış değerler anormallikler olarak not edilmelidirler. Özellikle, korteksin belirli bir bölgesinde toplanmış gözüken vurgulanmış değerlere odaklanılmalıdır. Ancak kimi zaman bazı anormallikler dağınık olur ve korteksin tüm alanlarını etkilerler.
Vurgulanmış değerler, referans grubu ortalamasından ±2.00 standart sapma farklılığı gösterirler. ±2.00 standart sapma ile ilişkili olasılık değeri p ? .0228’dir. Veya farklılığın normal referans grubunda sadece şans eseri olarak %2.28 veya daha az oranda görülmesi beklenir. ±2.00 standart sapma üstü değerlerin gerçekleşme olasılığı daha düşüktür.
±1.65 standart sapmanın Z-skor değerlerinin p ? .05 olasılık değeri olduğuna dikkat etmelisiniz (normal popülasyonda %5 gerçekleşme şansı). ±2.33 değerlerin p değeri .01’dir. ±2.57 değerler .005, ±2.81 değerler .0025 ve ±3.10 değerler .001 olasılığa sahiptirler.
Sırasıyla mutlak gücü, görece gücü, asimetriyi, uyumluluğu ve ortalama frekans tablo değerlerini inceleyerek anormallik dağılımı için Z-skor tablolarını inceleyin. İstatistikî tablolar, hastanın ham skorları ile normatif referans grubu ortalama değerleri arasındaki farkın hem yönünü hem de kapsamını yansıtan Z-skor değerlerini sağlarlar.
Yön (artı ya da eksi) değerlerde normale nazaran artışı (+) ya da azalışı (-) temsil eder. Farkın büyüklüğü hastanın skoru ile normal referans değeri arasındaki farkın derecesi için gösterge sağlar. Hem yön hem de büyüklük ‘anormallik vektörünün yönü’ ve ‘anormallik vektöründe hastanın skoru ile referans grubu arasındaki farkın derecesi’ açısından yorumlanırlar.
Anormallik vektörünün yönü hastalık tipi için gösterge sağlar. Farklı nörometrik profiller çok boyutlu analizin farklı alanları altına düşerler. Farklılığın büyüklüğü hastalığın normale nazaran ciddiyeti için gösterge sağlar.
Beraber kümelenen anormal gözlemler kortikal fonksiyonda yerel anormallik olduğunu gösterirler. Örneğin, aynı bölgede asimetriler ve uyum anormallikleriyle beraber artmış teta mutlak ve görece gücü lokalize disfonksiyon belirtisi olabilirler. Daha küresel dağılmış anormallik kalıpları genelleşmiş dengesiz fonksiyon kalıplarının göstergesi olabilirler. Sınırlanmış disfonksiyon alanları baş yaralanması, inme, serebrovasküler disfonksiyon, vs. kaynaklı odaksal anormalliklerle ilgili olabilirler. Genelleşmiş dengesizlikler metabolik ensefalopati, dejeneratif süreçler ve benzeriyle alakalı olabilirler. Bölgesel anormallikler demans, depresyon, şizofreni, baş yaralanmaları, dikkat eksikliği bozukluğu, öğrenme bozuklukları ve diğer bozukluklarla ilişkilendirilmişlerdir.
Hastanın semptomları ile ilgili olarak anormalliklerin konumunun, sübjektif olarak veya test sonuçları vasıtasıyla olarak tanımlanan yorumlanması ve standart EEG, ölçümsel EEG ve diğer test sonuçlarının korelasyonu nörometrik analizin önemli bir yönüdür.
Spesifik yorumsal etkenler
Hastanın nörometrik analizinin ‘Gestalt’ını elde etmek önemlidir – hastanın nörometrik anormalliklerinin normale nazaran konumsal ve derecesel farklılıklarının genel veya kolektif empresyonu. Nörometrik ortalamadan ±2.00 standart sapmaya sahip değerleri vurguladığından, düşük olasılık da olsa bitişik alanlardaki diğer skor değerleri oluşmaya rağmen vurgulanmayabilirler. Bir odaksal anormalliğin korteksin bitişik diğer alanlarına yayılıp yayılmadığını belirlemek için her zaman bitişik değerleri inceleyin. Etkinin yayılmasının değerlendirmek, sadece nörometrik tablolarda vurgulanan değerlere odaklandığınızda gözden kaçırabileceğiniz ek ve kullanışlı klinik veriler sağlayabilir.
Güç, görece güç, hemisferler arası ve hemisfer içi asimetri, hemisfer içi eğim, hemisferler arası ve hemisfer içi uyum, ortalama frekans ve çok değişkenli şartlar: toplam, birleşik, tüm ve genel, ölçümlerinin kullanımın arkasındaki mantığı kavradığınıza emin olun. Nörometrik ölçümler elektrot sitelerin tek kutuplu, iki kutuplu ve bölgesel çok değişkenli kombinasyonlar için tanımlanırlar. Tek kutuplu ölçümler noktasal kaynak bilgileri yansıtırlar; iki kutuplu ölçümler eğimsel farklılıklar hakkında bilgi verirler ve çok değişkenli ölçümler korteksin verili bir alanındaki nöronlar arasındaki işlemleri yansıtan bölgesel etkileşim kalıplarının değerlendirmesini sağlarlar. Kavramsal olarak, disfonksiyonel beyindeki anormal işlemlerden ayırt edilebilecek, beyinde nöronlar arasındaki fonksiyonel işlemlerin hareketsiz normal kalıpları vardır.
Tek kutuplu ve iki kutuplu ölçümlerdeki anormallik varlığına uyup uymadığını tespit etmek içi her zaman çok değişkenli ölçümleri inceleyin. Çok değişkenli ölçümleri incelerken tek bir tek kutuplu (veya iki kutuplu) değerin anormal olmasının çok değişkenli değerin anormal olacağı anlamına gelmediğini unutmayın. Çok değişkenli özellik setinde ölçümler arası gözlemleri birleştirmek için kullanılan istatistikî yöntem, anormalliğin çok değişkenli özellik setinde gözlemlenme olasılığını düşürebilir. Öte yandan, çok değişkenli özellik seti dahilindeki bir ölçüme ait ekstrem bir değer setteki diğer ölçümlerin normal skor değerlerini bastırıp çok değişkenli değeri anormal yapabilir.
Topografik haritaları incelerken, çok değişkenli matriste sıra değeri (mutlak güç, görece güç, simetri veya uyum) ile kolon gösterimi (delta, teta, alfa veya beta) arasında tek bir kesişimi temsil ettiklerini unutmayın – örneğin, alfa frekans bandında görece güç.
Varsayılan topografik harita Beyin Araştırma Laboratuarları renk skalasıdır. Bu skala üzerindeki değerler, nörometrik analiz tarafından tanımlandığı biçimde güç varyasyonlarını ayırt etmek için özenle seçilmişlerdir. Pozitif ve negatif siyah-beyaz ya da gri skala, gökkuşağı rengi skalası ve diğer birkaç olası renk skalasını içeren diğer renk skalaları Nörometrik Analiz Sisteminde mevcuttur. Kullanıcı özel sıralama ihtiyaçlarını karşılamak için tek bir skalayı değiştirebilir. Varsayılan renk skalası değiştirilemez.
Nörometrik Rapor Yazılması
Nörometrik rapor yazmak için önerilen tek bir yöntem olmasa da, aşağıdaki bilgileri içermelidir :
Hastanın yaşı, deney tarihi, semptom sunumu ve bir hasta değerlendirme yöntemi olarak nörometriklerin uygulanmasıyla ilgili vaka geçmişinin durumlarını içeren hasta geçmişi bilgileri.
Görsel değerlendirme ile belirlenmiş olarak EEG’nin özelliklerin bir özeti rapora eklenmelidir.
Kapsam
İstatistiksel analiz sonuçlarının tanımı,
- Tek kutuplu sonuçlar
- Çift kutuplu sonuçlar
- Çok değişkenli sonuçlar
- Varsa diskriminant analizin sonuçları
- Hastanın nörometrik sonuçlarının normalden sapmalarını veren en az bir yersel harita ekranı.
- Verinin yeterli sunumu için gerekli olarak diğer yersel haritalar
- Özet ve sonuç bildirimi ve analizin amacına bağıl olarak, tedavi ve takip incelemesi.
Rapor Uzunluğu
Raporlar kısa veya uzun olabilir. Kısa raporlar hasta geçmişinin kısa bir özetini ve analiz sonuçlarını, kısa bir sonucu ve tedavi için tavsiyeleri verir. Daha uzun raporlar, hastanın sınıflandırılabildiği olası tanısal kategorinin (veya kategorilerin) göz önünde tutulması ve istatistiksel verinin gözden geçirilmesine tanımlanan gözlenen anormalliklerin özel doğasını karakterize etmek için kullanılabilir. Tedavi için tavsiyeler ve takip değerlendirmesinin istenilebilirliği ile ilgili kısa bir ifade ayrıca uygundur.
Nörometrik rapor yazmanın anahtarı analiz sonuçlarının “durumunu” elde etmektir. Bu, nörometriklerde kullanılan işlevsel tanımların anlaşılmasını gerektirir. Hastaların klinik semptomları için bilgiyle hastanın test çıkışlarının tüm anlamlılığını değerlendirmek için tüm verileri dikkatlice gözden geçirmek kesinlikle gereklidir. Sadece yersel haritalarla sağlanan verilerin sunuma güvenmek, hasta tanısı veya tedavi önerileri için ne yararlı ne de yeterli bir gerekçedir.
Hastaya çoklu araştırmalar uygulandığında, zamanın üzerindeki sonuçlarda çeşitli değişiklikleri dikkate almak için iki (ya da daha fazla) araştırmayı karşılaştırmak yararlıdır. Normal hedef değerleri yoluyla tespit edilen eğilimler hastanın durumunun kötüleşmesini gösterebilir. Daha sonra bunlar dikkatli olarak ele alınmalıdır, çünkü daha fazla sapma içeren hedef değerler hastanın durumundaki bir değişiklik, yetersiz zaman seçimi, vb. ile ilgili olabilir. Bu olasılıkları önlemek hastanın asıl durumunun uygun bir şekilde belirlenmesi için gereklidir.
