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

Resumo Técnico: Entropia Condicional Agregada de Microestados de EEG como um Biomarcador Específico para AD

Definição do Problema
O cérebro em repouso opera próximo a uma transição de fase crítica, um regime associado à capacidade máxima de processamento de informação e flexibilidade dinâmica. Desvios deste regime, caracterizados por estruturas de transição restritas na dinâmica neural, estão implicados em transtornos neurodegenerativos, como a doença de Alzheimer (AD). Embora métricas existentes para quantificar a diversidade da estrutura de transição dependam fortemente de fMRI funcional (fMRI), esses métodos são caros, demorados e carecem da resolução temporal necessária para triagem em pontos de atendimento, particularmente em ambientes de recursos limitados. Embora os microestados de EEG ofereçam uma janela de alta resolução temporal para a dinâmica cerebral em larga escala, nenhum estudo prévio aplicou modelagem de Markov baseada em teoria da informação a sequências de transição de microestados para derivar uma métrica fundamentada na física e interpretável, capaz de diferenciar AD de controles saudáveis (HC) e outras demências, como a demência frontotemporal (FTD).

Metodologia
O estudo utilizou dados de EEG em estado de repouso de 85 participantes (27 HC, 35 AD, 23 FTD) recuperados do conjunto de dados OpenNeuro ds004504. O pipeline de análise envolveu:

1. Pré-processamento: Filtragem passa-banda (1–40 Hz), re-referenciamento médio e Análise de Componentes Independentes (ICA) para rejeição de artefatos usando MNE-Python.
2. Extração de Microestados: Identificação de picos de Potencial de Campo Global (GFP) seguidos por agrupamento K-means modificado (K=4) para atribuir rótulos de microestados discretos (A–D) às séries temporais de EEG.
3. Modelagem de Markov: Construção de uma matriz de probabilidade de transição empírica de primeira ordem ($T$) para cada participante. A validade da suposição de Markov de primeira ordem foi confirmada via testes de razão de verossimilhança e Critério de Informação Bayesiano (BIC) em uma subamostra.
4. Derivação da Métrica: Cálculo da Entropia Condicional Agregada (ACE) da matriz de transição, definida como a entropia condicional de Shannon média por linha:
   $$ACE(T) = \frac{1}{K} \sum_{i} H(X_{t+1} | X_t = i) = -\frac{1}{K} \sum_{i} \sum_{j} T_{ij} \log_2 T_{ij}$$
   Os autores demonstram formalmente que, sob o framework de Máxima Entropia (MaxEnt), onde a restrição da distribuição estacionária é derivada da própria matriz empírica, a matriz empírica $T$ é analiticamente a solução de máxima entropia. Assim, o cálculo direto de ACE($T$) é necessário e suficiente, não exigindo otimização numérica.
5. Análise Estatística: As diferenças entre grupos foram avaliadas usando testes de Kruskal-Wallis e testes de permutação post-hoc (10.000 iterações) com correção de Holm-Bonferroni. O desempenho diagnóstico foi avaliado via análise de curva ROC (AUC).

Principais Contribuições

1. Pipeline Inovador: Um pipeline Python totalmente reprodutível e de código aberto que traduz a extração de microestados por K-means em uma métrica ACE($T$) por participante com fundamentação teórica em teoria da informação.
2. Fundamentação Teórica: Uma derivação formal confirmando que ACE($T$) representa a entropia da cadeia de Markov de máxima aleatoriedade consistente com a ocupação de microestados observada, evitando a necessidade de aprendizado profundo ou procedimentos complexos de ajuste.
3. Diagnóstico Diferencial: Uma demonstração estatisticamente rigorosa de que ACE($T$) diferencia AD de HC, com foco específico na especificidade da doença ao incluir uma coorte de FTD.
4. Acessibilidade: Uma implementação que não requer infraestrutura de MRI ou software proprietário, tornando-a adequada para triagem neurológica escalável em ambientes de recursos limitados.

Resultados

• Diferenças entre Grupos: Uma diferença significativa em ACE($T$) foi observada entre os três grupos (Kruskal-Wallis $H(2) = 7,464, p = 0,024$).
• AD vs. HC: Participantes com AD exibiram redução significativa de ACE($T$) comparado a HC ($\Delta ACE = 0,067$ bits; Cohen's $d = 0,705$; Holm-corrigido $p = 0,021$). Esta redução corresponde a uma estrutura de transição de microestados mais restrita. A AUC de classificação para AD vs. HC foi de 0,691 (95% CI: 0,555–0,819).
• FTD vs. HC: Participantes com FTD não diferiram significativamente de HC ($p = 0,963$; AUC = 0,517). Os autores atribuem este resultado nulo à insuficiência de poder estatístico ($n=23$) em vez de uma confirmação de especificidade da doença, observando que o estudo estava subdimensionado para detectar tamanhos de efeito menores que $d=0,811$.
• AD vs. FTD: AD apresentou ACE($T$) significativamente menor que FTD ($\Delta ACE = -0,066$ bits; Holm-corrigido $p = 0,042$).
• Benchmarking: A razão de potência espectral theta/alpha superou a ACE($T$) como classificador univariado (AUC = 0,765 vs. 0,691). Comparações com Entropia de Permutação (PeEn) e Entropia de Amostra (SampEn) foram consideradas inconclusivas devido a incompatibilidades de parâmetros nas condições de pré-processamento otimizadas para velocidade usadas neste estudo.
• Robustez: Análises de sensibilidade confirmaram que os resultados foram estáveis através de diferentes contagens de microestados ($K=3$ a $6$), limiares de GFP e comprimentos de época. Uma análise de controle de entropia de ocupação confirmou que a redução de ACE se deveu a dinâmicas de transição restritas, e não a uma ocupação desequilibrada de microestados.

Significância e Alegações
O artigo afirma que a entropia condicional agregada derivada de modelos de Markov de sequências de microestados de EEG fornece um biomarcador de diversidade de transição interpretável e fundamentado teoricamente. Sua principal significância reside na capacidade de diferenciar AD de HC sem recorrer a aprendizado profundo ou infraestrutura de MRI. Os autores posicionam a ACE($T$) não como um substituto para biomarcadores espectrais estabelecidos (que mostraram maior AUC nesta coorte), mas como uma métrica complementar que oferece interpretabilidade superior e uma ligação direta com o conceito teórico de dinâmicas neurais restritas em AD. O estudo enfatiza que os achados são preliminares e requerem replicação em coortes maiores e multicêntricas com validação externa antes que sua utilidade clínica possa ser plenamente avaliada. O trabalho evita explicitamente alegar um mapeamento formal para a teoria da criticidade, enquadrando a conexão como conceitual, em vez de matemática.