EEG Microstate Aggregate Conditional Entropy Derived from Markov Modelling as a AD-Specific Biomarker: Differentiating Alzheimer’s Disease from Frontotemporal Dementia and Healthy Controls

Sintesi Tecnica: Entropia Condizionale Aggregata dei Microstati EEG come Biomarcatore Specifico per l'AD

Definizione del Problema
Il cervello a riposo opera vicino a una transizione di fase critica, un regime associato alla massima capacità di elaborazione delle informazioni e alla flessibilità dinamica. Le deviazioni da questo regime, caratterizzate da strutture di transizione vincolate nella dinamica neurale, sono implicate in disturbi neurodegenerativi come la malattia di Alzheimer (AD). Sebbene le metriche esistenti per quantificare la diversità della struttura di transizione si affidino pesantemente alla fMRI funzionale, tali metodi sono costosi, richiedono molto tempo e mancano della risoluzione temporale necessaria per lo screening ai punti di cura, particolarmente in contesti con scarse risorse. Sebbene i microstati EEG offrano una finestra ad alta risoluzione temporale sulla dinamica cerebrale su larga scala, nessun studio precedente ha applicato la modellazione di Markov basata sulla teoria dell'informazione alle sequenze di transizione dei microstati per derivare una metrica interpretabile e fondata sulla fisica, capace di differenziare l'AD da controlli sani (HC) e altre demenze come la demenza frontotemporale (FTD).

Metodologia
Lo studio ha utilizzato dati EEG a stato di riposo di 85 partecipanti (27 HC, 35 AD, 23 FTD) recuperati dal dataset OpenNeuro ds004504. La pipeline di analisi ha previsto:

1. Pre-elaborazione: Filtraggio passa-banda (1–40 Hz), rif. media e analisi delle componenti indipendenti (ICA) per il rifiuto degli artefatti utilizzando MNE-Python.
2. Estrazione dei Microstati: Identificazione dei picchi di Global Field Power (GFP) seguiti da clustering K-means modificato (K=4) per assegnare etichette discrete di microstato (A–D) alle serie temporali EEG.
3. Modellazione di Markov: Costruzione di una matrice di probabilità di transizione empirica del primo ordine ($T$) per ogni partecipante. La validità dell'assunzione di Markov del primo ordine è stata confermata tramite test del rapporto di verosimiglianza e Criterio di Informazione Bayesiano (BIC) su un sottocampione.
4. Derivazione della Metrica: Calcolo dell'Entropia Condizionale Aggregata (ACE) della matrice di transizione, definita come l'entropia condizionale di Shannon mediata per riga:
   $$ACE(T) = \frac{1}{K} \sum_{i} H(X_{t+1} | X_t = i) = -\frac{1}{K} \sum_{i} \sum_{j} T_{ij} \log_2 T_{ij}$$
   Gli autori dimostrano formalmente che, sotto il framework della Massima Entropia (MaxEnt), dove il vincolo della distribuzione stazionaria è derivato dalla matrice empirica stessa, la matrice empirica $T$ è analiticamente la soluzione a massima entropia. Pertanto, il calcolo diretto di ACE($T$) è necessario e sufficiente, non richiedendo ottimizzazione numerica.
5. Analisi Statistica: Le differenze tra i gruppi sono state valutate tramite test di Kruskal-Wallis e test di permutazione post-hoc (10.000 iterazioni) con correzione di Holm-Bonferroni. Le prestazioni diagnostiche sono state valutate tramite analisi ROC (AUC).

Contributi Chiave

1. Pipeline Innovativa: Una pipeline Python completamente riproducibile e open-source che traduce l'estrazione dei microstati K-means in una metrica ACE($T$) per partecipante con un fondamento teorico dell'informazione formale.
2. Fondamento Teorico: Una derivazione formale che conferma come l'ACE($T$) rappresenti l'entropia della catena di Markov massimamente casuale coerente con l'occupazione dei microstati osservata, evitando la necessità di deep learning o procedure di fitting complesse.
3. Diagnosi Differenziale: Una dimostrazione statisticamente rigorosa che l'ACE($T$) differenzia l'AD dagli HC, con un focus specifico sulla specificità della malattia includendo una coorte FTD.
4. Accessibilità: Un'implementazione che non richiede infrastrutture MRI o software proprietari, rendendola adatta allo screening neurologico scalabile in contesti con risorse limitate.

Risultati

• Differenze tra i Gruppi: È stata osservata una differenza significativa nell'ACE($T$) tra i tre gruppi (Kruskal-Wallis $H(2) = 7.464, p = 0.024$).
• AD vs. HC: I partecipanti con AD hanno mostrato una riduzione significativa dell'ACE($T$) rispetto agli HC ($\Delta ACE = 0.067$ bit; Cohen's $d = 0.705$; Holm-corretto $p = 0.021$). Questa riduzione corrisponde a una struttura di transizione dei microstati più vincolata. L'AUC per la classificazione AD vs. HC è stata di 0.691 (95% CI: 0.555–0.819).
• FTD vs. HC: I partecipanti con FTD non differivano significativamente dagli HC ($p = 0.963$; AUC = 0.517). Gli autori attribuiscono questo risultato nullo a una potenza statistica insufficiente ($n=23$) piuttosto che a una confermata specificità della malattia, notando che lo studio era sottodimensionato per rilevare effetti con $d < 0.811$.
• AD vs. FTD: L'AD ha mostrato un ACE($T$) significativamente inferiore rispetto alla FTD ($\Delta ACE = -0.066$ bit; Holm-corretto $p = 0.042$).
• Benchmarking: Il rapporto della potenza spettrale theta/alpha ha superato l'ACE($T$) come classificatore univariato (AUC = 0.765 vs. 0.691). I confronti con l'Entropia di Permutazione (PeEn) e l'Entropia di Campione (SampEn) sono stati considerati inconcludenti a causa di discrepanze nei parametri nelle condizioni di pre-elaborazione ottimizzate per la velocità utilizzate in questo studio.
• Robustezza: Le analisi di sensibilità hanno confermato che i risultati sono rimasti stabili attraverso diversi conteggi di microstati ($K=3$ a $6$), soglie GFP e lunghezze di epoca. Un'analisi di controllo dell'entropia di occupazione ha confermato che la riduzione dell'ACE era dovuta a dinamiche di transizione vincolate e non a un'occupazione sbilanciata dei microstati.

Significatività e Rivendicazioni
L'articolo sostiene che l'entropia condizionale aggregata dei microstati EEG derivata da modelli di Markov fornisca un biomarcatore della diversità di transizione interpretabile e fondato sulla teoria. La sua importanza primaria risiede nella capacità di differenziare l'AD dagli HC senza ricorrere al deep learning o a infrastrutture MRI. Gli autori posizionano l'ACE($T$) non come un sostituto dei biomarcatori spettrali stabiliti (che hanno mostrato un'AUC superiore in questa coorte), ma come una metrica complementare che offre una superiore interpretabilità e un legame diretto con il concetto teorico di dinamiche neurali vincolate nell'AD. Lo studio sottolinea che i risultati sono preliminari e richiedono repliche in coorti più ampie e multi-centro con validazione esterna prima che la loro utilità clinica possa essere pienamente valutata. Il lavoro evita esplicitamente di rivendicare una mappatura formale alla teoria della criticità, inquadrando la connessione come concettuale piuttosto che matematica.