Ang pagiging epektibo ng pagpapasigla ng utak ay nakasalalay sa kakayahang matuto, hindi edad

Habang tayo ay tumatanda, lumalala ang ating cognitive at motor function, na nakakaapekto sa kalayaan at kalidad ng buhay. Kabilang sa mga teknolohiyang naglalayong lutasin ang problemang ito, partikular na interes ang anodal transcranial direct current stimulation (atDCS). Gumagamit ang pamamaraang ito ng mahinang kuryente upang baguhin ang aktibidad ng mga neuron, nang hindi nangangailangan ng interbensyon sa kirurhiko.

Gayunpaman, ang mga pag-aaral sa DCS ay nagpakita ng magkasalungat na resulta. Ang isang dahilan ay naisip na mga pagkakaiba sa indibidwal na pagkamaramdamin sa pagpapasigla, na maaaring depende sa mga kadahilanan tulad ng edad, mga pangunahing kakayahan at nakaraang karanasan. Upang makarating sa ilalim nito, sinisiyasat ng mga siyentipiko ng EPFL na pinamumunuan ni Friedhelm Hummel kung paano naiimpluwensyahan ng mga natural na kakayahan sa pag-aaral ang pagiging epektibo ng atDCS.

Mga pangunahing natuklasan ng pag-aaral

Ang isang pag-aaral na inilathala sa journal npj Science of Learning ay nagpapakita na:

• Ang mga taong may hindi gaanong mahusay na mga diskarte sa pag-aaral (mga suboptimal na nag-aaral) ay higit na nakikinabang mula sa pagpapasigla, na nagpapakita ng mga pinabilis na pagpapabuti sa katumpakan ng gawain.
• Ang mga unang mas mahusay na mag-aaral (pinakamainam na mag-aaral) ay maaaring makaranas ng mga negatibong epekto mula sa pagpapasigla.

Kinukumpirma ng paghahanap na ito na ang atDCS ay may restorative sa halip na isang ameliorating effect, na partikular na mahalaga para sa neurorehabilitation.

Pamamaraan

Ang mga siyentipiko ay nag-recruit ng 40 kalahok: 20 nasa katanghaliang-gulang (50-65 taon) at 20 matatanda (mahigit sa 65 taon). Ang mga grupo ay nahahati sa mga nakatanggap ng aktibong pagpapasigla at sa mga nakatanggap ng placebo. Ang mga kalahok ay nagsagawa ng sunud-sunod na keystroke task (motor learning) sa loob ng 10 araw.

Gamit ang isang machine learning algorithm, ang mga kalahok ay inuri bilang pinakamainam o suboptimal na mga mag-aaral batay sa kanilang unang pagganap, na nagpapahintulot sa kanila na mahulaan kung alin sa kanila ang makikinabang mula sa pagpapasigla.

Mga konklusyon

• Pinahusay ng mga suboptimal na nag-aaral ang katumpakan ng gawain nang mas mabilis sa ilalim ng atDCS.
• Ang mga pinakamainam na nag-aaral ay nagpakita ng posibilidad na lumala sa pagganap kapag nalantad sa pagpapasigla.
• Ang mga epekto ng pagpapasigla ay independiyente sa edad ng mga kalahok.

Kinabukasan ng Aplikasyon

Maaaring baguhin ng mga natuklasang ito ang diskarte sa neurorehabilitation at iba pang paraan ng paggamot. Sa halip na isang one-size-fits-all approach, ang mga siyentipiko ay nagmumungkahi ng pagbuo ng mga personalized na stimulation protocol na iniayon sa mga indibidwal na pangangailangan ng pasyente.

Pablo Maceira, unang may-akda ng pag-aaral:
"Ang paggamit ng machine learning ay nakatulong sa amin na maunawaan kung paano naiimpluwensyahan ng iba't ibang mga salik ang mga indibidwal na epekto ng pagpapasigla ng utak. Ito ay nagbubukas ng paraan upang mapakinabangan ang mga benepisyo nito para sa mga indibidwal na pasyente."

Sa hinaharap, ang mga naturang algorithm ay maaaring makatulong sa mga doktor na matukoy kung aling mga pasyente ang makikinabang mula sa brain stimulation therapy, pagpapabuti ng mga resulta ng rehabilitasyon pagkatapos ng stroke o pinsala sa utak.

Ang pag-aaral ay nai-publish sa journal npj Science of Learning.