کمی سازی اثر سوء مصرف مواد بر رفتار مغز بر اساس سیگنال های الکتروانسفالوگرام: یک بررسی جامع

نوع مقاله : مقاله مروری

نویسندگان

1 Ph.D. student in medical engineering, Hakim Sabzevari University, Sabzevar, Iran.

2 Assistant professor, Hakim Sabzevari University, Sabzevar, Iran.

چکیده

مقدمه: سوء مصرف مواد به یک معضل بهداشتی مهم برای افراد و جامعه تبدیل شده است. این مطالعه با هدف بررسی اثرات سوء مصرف مواد بر امواج مغزی انجام شد.
مواد و روش‌ها: مقالات مورد استفاده به‌طور سیستماتیک در پایگاه‌های اطلاعاتی Google Scholar، Scopus، Thomson Reuters، ScienceDirect، PubMed و IEEE جستجو شدند. نتیجه این جستجو 420 مقاله بود. کلمات کلیدی [اختلالات مرتبط با مواد MESH) و (EEG MESH)]، ["اختلال مرتبط با مواد" و "EEG"]، ["وابستگی به مواد مخدر" و "EEG"]، ["سوء مصرف مواد" و "EEG"]، ["اپیوئید" و "EEG"]، ["حشیش" و "EEG"] و ["متامفتامین" و "EEG"] برای جستجو استفاده شد. پس از حذف مقالات بی ربط و تکراری، 22 مقاله تمام متن را وارد مطالعه کردیم.
نتایج: مقالات با سه رویکرد به بررسی اثرات سوء مصرف مواد بر امواج مغزی پرداختند. اولین رویکرد، تکنیک پتانسیل های مرتبط با رویداد است. رویکرد دوم، بررسی ارتباطات عملکردی بین بخش‌های مختلف مغز است. رویکرد سوم سیگنال‌های EEG را از کانال‌های مختلف تجزیه و تحلیل می‌کند تا نشانگرهای زیستی را برای تشخیص سوء مصرف مواد انتخاب کند.
نتیجه‌گیری: با توجه به یافته‌های حاضر، پیشنهاد می‌شود سیاست‌گذاران و مدیران سلامت جامعه، آگاهی عمومی را نسبت به مضرات سوء مصرف مواد افزایش دهند. همچنین محققان در حوزه سلامت باید روش‌های تشخیصی و راهبردهای درمانی جدیدی را با توجه به آسیب‌های وارد شده به مغز افراد سوء مصرف کننده کشف و توسعه دهند.

کلیدواژه‌ها

مراجع

  1. World Drug Report 2021_Annex 2021. [cited 2021]. Available from: https://www.unodc.org/unodc/en/data-and-analysis/wdr2021_annex.html.
  2. American Psychiatric Association. Diagnostic and statistical manual of mental disorders. Am J Psychiatry 2013; 21(21): 591-643.
  3. Keihani A, Ekhtiari H, Batouli SAH, Shahbabaie A, Sadighi N, Mirmohammad M, et al. Lower gray matter density in the anterior cingulate cortex and putamen can be traceable in chronic heroin dependents after over three months of successful abstinence. Iran J Radiol 2017; 14(3): e41858.
  4. Farnia V, Farshchian F, Farshchian N, Alikhani M, Pormehr R, Golshani S, et al. A voxel-based morphometric brain study of patients with methamphetamine dependency: A case controlled study. NeuroQuantology 2018; 16(12): 57-62.
  5. Vuletic D, Dupont P, Robertson F, Warwick J, Zeevaart JR, Stein DJ. Methamphetamine dependence with and without psychotic symptoms: A multi-modal brain imaging study. Neuroimage Clin 2018; 20: 1157-62.
  6. Huhn A, Meyer R, Harris J, Ayaz H, Deneke E, Stankoski D, et al. Evidence of anhedonia and differential reward processing in prefrontal cortex among post-withdrawal patients with prescription opiate dependence. Brain Res Bull 2016; 123: 102-9.
  7. Sadeghi AZ, Jafari AH, Oghabian MA, Salighehrad HR, Batouli SAH, Raminfard S, et al. Changes in effective connectivity network patterns in drug abusers, treated with different methods. Basic Clin Neurosci 2017; 8(4): 285.
  8. Khajehpour H, Mohagheghian F, Ekhtiari H, Makkiabadi B, Jafari AH, Eqlimi E, et al. Computer-aided classifying and characterizing of methamphetamine use disorder using resting-state EEG. Cogn Neurodyn 2019; 13(6): 519-30.
  9. Li X, Zhou Y, Zhang G, Lu Y, Zhou C, Wang H. Behavioral and brain reactivity associated with drug-related and non-drug-related emotional stimuli in methamphetamine addicts. Front Hum Neurosci 2022; 16: 894-911.
  10. Crane NA, Funkhouser CJ, Burkhouse KL, Klumpp H, Phan KL, Shankman SA. Cannabis users demonstrate enhanced neural reactivity to reward: An event-related potential and time-frequency EEG study. Addict Behav 2021; 113: 106669.
  11. Macatee RJ, Okey SA, Albanese BJ, Schmidt NB, Cougle JR. Distress intolerance moderation of motivated attention to cannabis and negative stimuli after induced stress among cannabis users: An ERP study. Addict Biol 2019; 24(4): 717-29.
  12. Wei S, Zheng Y, Li Q, Dai W, Sun J, Wu H, et al. Enhanced neural responses to monetary rewards in methamphetamine use disordered individuals compared to healthy controls. Physiol Behav 2018; 195: 118-27.
  13. Haifeng J, Wenxu Z, Hong C, Chuanwei L, Jiang D, Haiming S, et al. P300 event-related potential in abstinent methamphetamine-dependent patients. Physiol Behav 2015; 149: 142-8.
  14. Shahmohammadi F, Golesorkhi M, Kashani MMR, Sangi M, Yoonessi A, Yoonessi A. Neural correlates of craving in methamphetamine abuse. Basic Clin Neurosci 2016; 7(3): 221.
  15. Morie KP, De Sanctis P, Garavan H, Foxe JJ. Executive dysfunction and reward dysregulation: A high-density electrical mapping study in cocaine abusers. Neuropharmacology 2014; 85: 397-407.
  16. Fink BC, Steele VR, Maurer MJ, Fede SJ, Calhoun VD, Kiehl KA. Brain potentials predict substance abuse treatment completion in a prison sample. Brain Behav 2016; 6(8): e00501.
  17. Imperatori C, Massullo C, Carbone GA, Panno A, Giacchini M, Capriotti C, et al. Increased resting state triple network functional connectivity in undergraduate problematic cannabis users: A preliminary EEG coherence study. Brain Sci 2020; 10(3): 136.
  18. Prashad S, Dedrick ES, Filbey FM. Cannabis users exhibit increased cortical activation during resting state compared to non-users. Neuroimage 2018; 179: 176-86.
  19. Khajehpour H, Makkiabadi B, Ekhtiari H, Bakht S, Noroozi A, Mohagheghian F. Disrupted resting-state brain functional network in methamphetamine abusers: A brain source space study by EEG. PloS One 2019; 14(12): e0226249.
  20. Ahmadlou M, Ahmadi K, Rezazade M, Azad-Marzabadi E. Global organization of functional brain connectivity in methamphetamine abusers. Clin Neurophysiol 2013; 124(6): 1122-31.
  21. Capecci E, Kasabov N, Wang GY. Analysis of connectivity in NeuCube spiking neural network models trained on EEG data for the understanding of functional changes in the brain: A case study on opiate dependence treatment. Neural Netw 2015; 68: 62-77.
  22. Doborjeh MG, Wang GY, Kasabov NK, Kydd R, Russell B. A spiking neural network methodology and system for learning and comparative analysis of EEG data from healthy versus addiction treated versus addiction not treated subjects. IEEE Trans Biomed Eng 2015; 63(9): 1830-41.
  23. Coullaut-Valera R, Arbaiza I, Bajo R, Arrúe R, López ME, Coullaut-Valera J, et al. Drug polyconsumption is associated with increased synchronization of brain electrical-activity at rest and in a counting task. Int J Neural Syst 2014; 24: 1450005.
  24. Laprevote V, Bon L, Krieg J, Schwitzer T, Bourion-Bedes S, Maillard L, et al. Association between increased EEG signal complexity and cannabis dependence. Eur Neuropsychopharmacol 2017; 27(12): 1216-22.
  25. Yun K, Park H-K, Kwon D-H, Kim Y-T, Cho S-N, Cho H-J, et al. Decreased cortical complexity in methamphetamine abusers. Psychiatr Res Neuroimag 2012; 201(3): 226-32.
  26. Chen T, Su H, Zhong N, Tan H, Li X, Meng Y, et al. Disrupted brain network dynamics and cognitive functions in methamphetamine use disorder: insights from EEG microstates. BMC Psychiatry 2020; 20(1): 1-11.
  27. Erguzel TT, Uyulan C, Unsalver B, Evrensel A, Cebi M, Noyan CO, et al. Entropy: A promising EEG biomarker dichotomizing subjects with opioid use disorder and healthy controls. Clin EEG Neurosci 2020; 51(6): 373-81.
  28. Minnerly C, Shokry IM, To W, Callanan JJ, Tao R. Characteristic changes in EEG spectral powers of patients with opioid-use disorder as compared with those with methamphetamine-and alcohol-use disorders. PloS One 2021; 16(9): e0248794.
  29. Moreno-Alcázar A, Gonzalvo B, Canales-Rodríguez EJ, Blanco L, Bachiller D, Romaguera A, et al. Larger gray matter volume in the basal ganglia of heavy cannabis users detected by voxel-based morphometry and subcortical volumetric analysis. Front Psychiatry 2018; 3(9): 175.
  30. Bosnyak D, McDonald AC, Gasperin Haaz I, Qi W, Crowley DC, Guthrie N, et al. Use of a novel EEG-based objective test, the Cognalyzer®, in quantifying the strength and determining the action time of cannabis psychoactive effects and factors that may influence them within an observational study framework. Neurol Ther 2022; 11(1): 51-72.
  31. McDonald AC, Gasperin Haaz I, Qi W, Crowley DC, Guthrie N, Evans M, et al. Sensitivity, specificity and accuracy of a novel EEG-based objective test, the Cognalyzer®, in detecting cannabis psychoactive effects. Adv Ther 2021; 38(5): 2513-31.
  32. Gu X, Yang B, Gao S, Yan LF, Xu D, Wang W. Application of bi-modal signal in the classification and recognition of drug addiction degree based on machine learning. Math Biosci Eng 2021; 18: 6926-40.
مجله اصول بهداشت روانی
دوره 24، شماره 6
آذر و دی 1401
صفحه 361-370

فایل ها

هم رسانی

ارجاع به این مقاله

آمار