Integratie van aantrekkersdynamica en connectiviteitskenmerken voor EEG-gebaseerde dementieclassificatie

Waarom hersengolven ertoe doen voor het geheugen van alledag

Dementie gaat niet alleen over het vergeten van namen of het kwijtraken van sleutels; het kan geleidelijk iemands zelfstandigheid en persoonlijkheid aantasten. Artsen hebben vooral moeite om de ziekte van Alzheimer en frontotemporale dementie van elkaar te onderscheiden, twee belangrijke vormen die om verschillende zorgplannen vragen. Deze studie stelt een eenvoudige maar krachtige vraag: kan een snelle, betaalbare hersengolfmeting artsen helpen deze aandoeningen betrouwbaarder uit elkaar te houden door niet alleen te kijken naar hoe sterk de signalen zijn, maar ook naar hoe ze in de tijd stromen en verbonden zijn?

Kijken voorbij standaard hersenscans

Vandaag vertrouwt de dementiediagnostiek sterk op geheugentests en hersenscans zoals MRI of PET. Hoewel deze instrumenten waardevol zijn, zijn ze duur, niet altijd beschikbaar en detecteren ze vaak pas veranderingen nadat er al aanzienlijke schade in de hersenen heeft plaatsgevonden. Elektro-encefalografie, of EEG, biedt een ander venster: het registreert de elektrische activiteit van de hersenen met elektroden op de hoofdhuid. EEG is veilig, goedkoop en legt snelle milliseconde-voor-millisecondes veranderingen in hersenactiviteit vast. Het probleem is dat EEG-signalen rommelig en complex lijken. In plaats van alleen te meten hoe sterk bepaalde ritmes zijn, onderzochten de auteurs of het volgen van de gedetailleerde patronen en de coördinatie van deze hersengolven verborgen kenmerken van de ziekte van Alzheimer en frontotemporale dementie kan onthullen.

De verborgen paden van hersenactiviteit volgen

De onderzoekers analyseerden rusttoestand-EEG-opnames van drie groepen: mensen met de ziekte van Alzheimer, mensen met frontotemporale dementie en gezonde oudere volwassenen. In plaats van zich alleen te richten op traditionele maten zoals de gemiddelde power in verschillende frequentiebanden, leenden ze ideeën uit de studie van complexe systemen. Eerst reconstrueren ze het "pad" dat elk hersensignaal in een abstracte ruimte aflegt terwijl het in de tijd evolueert, bekend als een attractor. Vervolgens beschreven ze de vorm en beweging van deze paden met kenmerken zoals hoe wijd de trajecten zich uitstrekken, hoe snel ze bewegen en hoe abrupt ze van richting veranderen. Deze maten vangen hoe rijk, stabiel of grillig de onderliggende hersendynamiek is en bieden een fijnmazig beeld van lokale activiteit in elk EEG-kanaal.

Meten hoe hersengebieden met elkaar praten

Hersenen functioneren ook door communicatie tussen verre regio’s. Om dit te vatten, berekende het team hoe consistent verschillende EEG-kanalen hun ritmes op elkaar afstemden, een eigenschap die fase-synchronisatie wordt genoemd. Voor elke deelnemer bouwden ze een connectiviteitskaart die samenvatte hoe sterk verschillende elektrodparen met elkaar verbonden waren. Uit deze kaarten haalden ze eenvoudige netwerkmaten die in grote lijnen beschrijven hoe sterk het hele hersennetwerk verbonden is en hoe hecht lokale clusters van kanalen gegroepeerd zijn. Deze connectiviteitskenmerken vullen de attractor-gebaseerde maten aan: terwijl attractoren lokale signaalpatronen beschrijven, vat connectiviteit de grootschalige coördinatie van de hersenen samen.

Machines leren dementiepatronen te herkennen

Al deze kenmerken — 133 die de attractordynamica beschrijven plus 2 die connectiviteit samenvatten — werden ingevoerd in verschillende machine-learningmodellen die getraind waren om onderscheid te maken tussen paarsgewijze groepen: Alzheimer versus gezonde controles, frontotemporale dementie versus gezonde controles, en Alzheimer versus frontotemporale dementie. Over de taken heen presteerden de modellen duidelijk beter dan toeval, met de beste nauwkeurigheden rond 83% voor het onderscheiden van Alzheimer van gezonde deelnemers, 81% voor frontotemporale dementie versus gezond, en ongeveer 82% om de twee dementietypen van elkaar te onderscheiden. In de meeste gevallen droegen de attractor-gebaseerde kenmerken het sterkste signaal, terwijl de connectiviteitsmaten voor sommige modellen een bescheiden maar nuttige extra bijdrage leverden. Verschillende algoritmen werkten het beste voor verschillende vergelijkingen, wat suggereert dat de keuze van classifier even belangrijk is als de keuze van EEG-kenmerken.

Wat dit zou kunnen betekenen voor patiënten en klinieken

De studie toont aan dat relatief korte rust-EEG-opnames subtiele verschillen in hersendynamiek tussen de ziekte van Alzheimer, frontotemporale dementie en gezond ouder worden kunnen vastleggen wanneer ze met moderne wiskundige hulpmiddelen worden geanalyseerd. Deze benadering zal hersenscans of klinisch oordeel niet vervangen, en het werk is uitgevoerd in een groep van bescheiden omvang met patiënten die al een vastgestelde diagnose hadden. Toch wijst het op een toekomst waarin een eenvoudige EEG-test, verwerkt via geautomatiseerde pijplijnen, artsen kan helpen dementie eerder te signaleren en subtypen met meer vertrouwen uit elkaar te houden, waardoor meer gerichte behandeling en ondersteuning mogelijk wordt.

Bronvermelding: Zolfaghari, S., Gholizadeh, E. & Garehdaghi, F. Integrating attractor dynamics and connectivity features for EEG-based dementia classification. Sci Rep 16, 11573 (2026). https://doi.org/10.1038/s41598-026-41745-3

Trefwoorden: EEG dementie, Ziekte van Alzheimer, frontotemporale dementie, hersenconnectiviteit, machine learning diagnose