پیش بینی پاسخ به درمان در نارساخوانی با استفاده از شبکه های عصبی گرافی و داده های اتصال پذیری مغز

نارساخوانی به عنوان یک اختلال عصبی-رشدی پیچیده، نیاز مبرمی به راهبردهای مداخله ای شخصی سازی شده دارد. با ظهور روش های پیشرفته تصویربرداری مغزی و مدل های محاسباتی، این امکان فراهم شده است. این مرور نظام مند با هدف ارزیابی کاربرد شبکه های عصبی گرافی در پیش بینی پاسخ به درمان نارساخوانی، با تمرکز بر مداخلات واج شناختی و دیداری-فضایی، انجام شد. با پیروی از دستورالعمل های مرور نظام مند، جستجوی جامعی در پایگاه های علمی برای مطالعات منتشر شده بین سال های ۲۰۲۰ تا ۲۰۲۵ انجام گرفت. معیارهای شمول، بر مطالعاتی تمرکز داشت که از شبکه های عصبی گرافی، یادگیری ماشین یا تحلیل شبکه ای بر داده های عصبی (مانند fMRI، EEG) برای پیش بینی پیامد مداخلات نارساخوانی استفاده کرده بودند. در نهایت ۴۷ مطالعه مرتبط برای تحلیل نهایی انتخاب شدند. یافته ها نشان داد که شبکه های عصبی گرافی با مدل سازی توپولوژی پیچیده شبکه های مغزی، قابلیت افزایش دقت پیش بینی پیامدهای رفتاری را دارند. اگرچه مداخلات واج شناختی کماکان محور اصلی پژوهش ها هستند، شواهد فزاینده ای از اثربخشی مداخلات دیداری-فضایی و رویکردهای ترکیبی چندوجهی حمایت می کنند. با این حال، حوزه پیش بینی پاسخ به درمان با چالش های عمده ای مواجه است، از جمله حجم کوچک و ناهمگون نمونه ها، فقدان مجموعه داده های طولی چندوجهی استاندارد، ادغام ناکافی داده های عصبی، رفتاری و ژنتیکی در معماری های پیش بینی کننده، و نبود پروتکل های مداخله ای یکسان. جهت های پژوهشی آینده باید بر ایجاد بانک های داده چندمرکزی و چندوجهی، توسعه معماری های پیش بینی کننده اختصاصی شده برای انواع مداخلات، اجرای کارآزمایی های طولی با طراحی های پیش بینی-محور، و توجه به جنبه های تفسیرپذیری مدل متمرکز شود. این تلاش های هماهنگ می تواند زمینه ساز ظهور پارادایم های درمانی دقیق و مبتنی بر پروفایل عصبی-شناختی منحصربه فرد هر فرد باشد.

کلیدواژه ها:

اتصال پذیری مغز ، پیش بینی پاسخ به درمان ، شبکه های عصبی گرافی ، مداخله واج شناختی ، نارساخوانی