پیش بینی تغییرات حالات روحی در اختلال دو قطبی از طریق دینامیک (پویایی) غیرخطی ضربان قلب

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

پیش بینی تغییرات حالات روحی در اختلال دو قطبی از طریق دینامیک (پویایی) غیرخطی ضربان قلب

عنوان لاتین

Predicting Mood Changes in Bipolar Disorder Through Heartbeat Nonlinear Dynamics

اختلال دو قطبی (BD) بوسیله جایگزینی (تغییر) حالات روحی از افسردگی به جنون خفیف توصیف شده است. حالات اختلاطی ، همچون ترکیب افسردگی و نشانه های جنون خفیف در یک زمان مشابه ، نیز می تواند وجود داشته باشد. تشخیص این اختلال در فعالیت کلینیکی (بالینی) کنونی تنها براساس مصاحبه های ذهنی (درونی) و پرسشنامه بوده ، در حالیکه نشانه های فیزیولوژیکی-روانی قابل اعتماد و مطمئنی برای آن وجود ندارد. بعلاوه اینکه ، نشانه های بیولوژیکی که به تشخیص خروجی های BD بپردازد ، یا اطلاعاتی درباره دوره های بالینی آتی این پدیده فراهم سازد ، وجود ندارد. برای چیرگی بر این محدودیت ، ما در اینجا به ارایه متدولوژی (روش شناسی) که به پیش بینی تغییرات حالات در BD منجر می شود ، با استفاده از دینامیک های (پویایی) غیرخطی ضربان قلب انحصاری ، که از ECG اشتقاق شده ارایه نموده و می پردازیم. تغییرات حالت در اینجا بعنوان گذار مابین دو حالت روانی بیان شده است: حالت یوتیمیک (EUT) همچون تعادل عاطفی خوب ، و حالت غیر یوتیمیک (NON-EUT). تغییر پذیری نرخ ضربان قلب (HVR) مجموعه ی ۱۴ بیمار طیفی دو قطبی (سن: ۳۳.۴۳ + ۹.۷۶ ، بازه سنی: ۲۳-۵۴; شش زن) بوده که در پروژه اروپایی PSYCHE درگیر بودند ، که کل شب تحت نظارت الکتروکاردیوگرافی (ECG) تجزیه و تحلیل شده اند. داده از سیستم پوشیدنی گردآوری شده که از تیشرتی راحت با الکترودهای پارچه ای یکپارچه و حسگرهایی که قادر به بدست آوردن ECG ها می باشند ، تشکیل شده است. هر بیمار دو بار در هفته تحت نظارت قرار گرفته ، بمدت کلی ۱۴ هفته ، که قادر به انجام فعالیت های عادی (بدون ساختار) بوده است. از هر مالکیت ، طولانی ترین قسمت عاری از مصنوعات (ساختگی) دینامیک ضربان قلب برای تجزیه و تحلیل متعاقب انتخاب شده بود. زیر تقسیم بندی های ۵ دقیقه ای این بخش برای تخمین رویه های پویایی (دینامیک) خطی و غیر خطی HRV استفاده شده بوده است. با در نظر گرفتن داده از مشاهده کنونی در روز T0 ، و مشاهدات قبلی در روزهای (T-1 ، T-2) ، دقت و صحت پیش بینی شخصی سازی شده در پیش بینی حالت روحی (EUT/NON EUT) در روز T+1 بصورت میانگین برابر با ۶۹٪ بوده ، که تا به مقدار ۸۳.۳٪ نیز دستیابی پیدا می کند. این رویکرد احتمال پیش بینی حالات روحی در بیماران دوقطبی را از طریق دینامیک انحصاری غیرخطی ضربان قلب فراهم می سازد.

Bipolar disorder (BD) is characterized by an alternation of mood states from depression to (hypo)mania. Mixed states, i.e., a combination of depression and mania symptoms at the same time, can also be present. The diagnosis of this disorder in the current clinical practice is based only on subjective interviews and questionnaires, while no reliable objective psycho-physiological markers are available. Furthermore, there are no biological markers predicting BD outcomes, or providing information about the future clinical course of the phenomenon. To overcome this limitation, here we propose a methodology predicting mood changes in BD using heartbeat nonlinear dynamics exclusively, derived from the ECG. Mood changes are here intended as transitioning between two mental states: euthymic state (EUT), i.e., the good affective balance, and non-euthymic (non-EUT) states. Heart rate variability (HRV) series from 14 bipolar spectrum patients (age: 33.43 ± 9.76, age range: 23–54; six females) involved in the European project PSYCHE, undergoing whole night electrocardiogram (ECG) monitoring were analyzed. Data were gathered from a wearable system comprised of a comfortable t-shirt with integrated fabric electrodes and sensors able to acquire ECGs. Each patientwas monitored twice a week, for 14 weeks, being able to perform normal (unstructured) activities. From each acquisition, the longest artifact-free segment of heartbeat dynamics was selected for further analyses. Sub-segments of 5 min of this segment were used to estimate trends of HRV linear and nonlinear dynamics. Considering data from a current observation at day t0 , and past observations at days (t−1 , t−2 ,...,), personalized prediction accuracies in forecasting a mood state (EUT/non-EUT) at day t+1 were 69% on average, reaching values as high as 83.3%. This approach opens to the possibility of predictingmood states in bipolar patients through heartbeat nonlinear dynamics exclusively.