Çalışma, iRBD’nin sinükleinopatiler için yaygın bir prodromal işaret olmasına rağmen, tüm hastaların klinik hastalığa dönüşmediğini ve dönüşüm yollarının bireyler arasında farklılaştığını vurguluyor. “Dönüşüm heterojenliği” olarak tanımlanan bu durum, öngörücü sinirbilimde uzun süredir önemli bir engel olarak görülüyor; çünkü aynı başlangıçtan yola çıkan iki kişi farklı klinik yörüngeler izleyebiliyor. Araştırmacılar bu nedenle, tek seferlik tahminler yerine zaman duyarlı bir yaklaşım hedeflediklerini belirtiyor.

Modelin omurgasını, görev performansı gerektirmeyen dinlenim EEG ölçümleri oluşturuyor. Ekip, dinlenim durumunda kaydedilen beyin elektriksel etkinliğinden ayırt edici imzalar çıkartarak, kişinin gelecekte Parkinson hastalığıyla ilişkili fenotiplere yönelme olasılığını zamana yayılmış bir şekilde değerlendirmeyi amaçladı. Bu yaklaşım, klinik uygulamada pratikliğe katkı potansiyeli taşıyor; zira dinlenim EEG’si çoğu zaman karmaşık görev gerektirmeden uygulanabiliyor.

Yook, Shin, Noh ve çalışma arkadaşlarının yürüttüğü araştırmada, EEG verileri istatistiksel öğrenme yöntemleriyle birleştirilerek uzunlamasına modelleme yapıldı. Böylece, yalnızca “olacak/olmayacak” biçiminde tek zamanlı bir olasılık hesabına bağlı kalmak yerine, iRBD popülasyonu içinde farklı dönüşüm desenlerini daha iyi yakalayabilecek bir tahmin yaklaşımı hedeflendi. Bu, özellikle dönüşümün zamanlamasının ve bireysel yörüngelerin değişken olabileceği senaryolarda anlamlı görülüyor.

Çalışmanın vurguladığı temel nokta, dönüşümün tek bir rota gibi düşünülmemesi gerektiği. Araştırmacılar, iRBD’den Parkinson spektrumu ile ilişkili klinik özelliklere doğru gidişin çeşitlilik gösterdiğine işaret ederken, modelin bu heterojenliği hesaba katan bir çerçeve sunmayı amaçladığını belirtiyor. Dinlenim EEG’sinden elde edilen sinyallerin, yalnızca tanısal bir işaret olmanın ötesinde, uzun vadeli fenokonversiyon süreçlerine dair ipuçları taşıyabileceği fikri bu bağlamda öne çıkıyor.

Bu tür çalışmalar, erken belirti aşamasından daha net bir risk tahmini üretmeye çalışırken aynı zamanda bilimsel soruyu da genişletiyor: Hangi biyofiziksel imzalar, dönüşümü farklı hızlarda ve farklı biçimlerde etkiliyor? Yeni model yaklaşımı, EEG’nin sinirsel dinamikleri “zamansal” olarak ele alabilen bir araç olabileceğini ima ederken, sonuçların klinik kullanıma geçebilmesi için daha geniş örneklemler ve bağımsız doğrulamalarla desteklenmesi gerekecek.

Dinlenim EEG’si temelli, uzunlamasına tahmin modelleri; prodromal dönemle ilişkili biyobelirteçleri izleme ve hastalık yörüngelerini daha iyi sınıflandırma konusunda araştırmacılara yeni bir yol açabilir. Bununla birlikte, çalışmanın erken aşamalı doğası göz önüne alındığında, öngörülerin bireysel klinik kararları tek başına belirlemesi beklenmez; daha ziyade risk değerlendirmesini bilimsel olarak rafine etme yönünde atılmış bir adım olarak ele alınmalı.

Kaynak: https://scienmag.com/eeg-modeling-predicts-conversion-and-reveals-diverse-outcomes-in-isolated-rem-sleep-disorder/