Consortium PSYCHIATRICUMConsortium PSYCHIATRICUMConsortium PSYCHIATRICUM2712-76722713-2919Eco-Vector614010.17816/CP6140RESEARCHИССЛЕДОВАНИЕResearch ArticleEEG alpha band characteristics in patients with a depressive episode within recurrent and bipolar depressionХарактеристики альфа-ритма ЭЭГ у больных с депрессивным эпизодом в рамках рекуррентной и биполярной депрессииhttps://orcid.org/0000-0002-1052-855X65068953102419-1263BokhanNikolay A.БоханНиколай Александрович
Russian Federation

Dr. Sci. (Med.), Professor, Academician of the Russian Academy of Sciences; Director of Tomsk National Research Medical Center; Head of the Department of Psychiatry, Narcology, Psychotherapy, Siberian State Medical University

д.м.н., Профессор, Академик РАН; Директор НИИ психического здоровья, ФГБНУ «Томский национальный исследовательский медицинский центр Российской академии наук»; Заведующий кафедрой психиатрии, психотерапии, наркологии с курсом медицинской психологии ГБОУ ВПО СибГМУ Минздрава России

mental@tnimc.ruhttps://orcid.org/0000-0002-7709-3917572118922283902-4570GalkinStanislav A.ГалкинСтанислав Алексеевич
Russian Federation

Cand. Sci. (Med.), Tomsk National Research Medical Center

к.м.н., НИИ психического здоровья, ФГБНУ «Томский национальный исследовательский медицинский центр Российской академии наук»

s01091994@yandex.ruhttps://orcid.org/0000-0002-0939-0856572164183433607-2437VasilyevaSvetlana N.ВасильеваСветлана Николаевна
Russian Federation

Cand. Sci. (Med.), Tomsk National Research Medical Center

к.м.н., НИИ психического здоровья, ФГБНУ «Томский национальный исследовательский медицинский центр Российской академии наук»

mental@tnimc.ruMental Health Research Institute, Tomsk National Research Medical Center of the Russian Academy of SciencesНИИ психического здоровья, ФГБНУ «Томский национальный исследовательский медицинский центр Российской академии наук»Siberian State Medical UniversityСибирский государственный медицинский университет3108202329092023435121004202303082023Copyright ©; 2023, Bokhan N.A., Galkin S.A., Vasilyeva S.N.Copyright ©; 2023, Бохан Н.А., Галкин С.А., Васильева С.Н.2023Bokhan N.A., Galkin S.A., Vasilyeva S.N.Бохан Н.А., Галкин С.А., Васильева С.Н.https://creativecommons.org/licenses/by-nc-nd/4.0https://consortium-psy.com/jour/article/view/6140

BACKGROUND: The search for biological markers for the differential diagnosis of recurrent depression and bipolar depression is an important undertaking in modern psychiatry. Electroencephalography (EEG) is one of the promising tools in addressing this challenge.

AIM: To identify differences in the quantitative characteristics of the electroencephalographic alpha band activity in patients with a depressive episode within the framework of recurrent depression and bipolar depression.

METHODS: Two groups of patients (all women) were formed: one consisting of subjects with recurrent depressive disorder and one with subjects experiencing a current mild/moderate episode (30 patients), and subjects with bipolar affective disorder or a current episode of mild or moderate depression (30 patients). The groups did not receive pharmacotherapy and did not differ in their socio-demographic parameters or total score on the Hamilton depression scale. A baseline electroencephalogram was recorded, and the quantitative characteristics of the alpha band activity were analyzed, including the absolute spectral power, interhemispheric coherence, and EEG activation.

RESULTS: The patients with recurrent depressive disorder demonstrated statistically significantly lower values of the average absolute spectral power of the alpha band (z=2.481; p=0.042), as well as less alpha attenuation from eyes closed to eyes open (z=2.573; p=0.035), as compared with the patients with bipolar affective disorder.

CONCLUSION: The presented quantitative characteristics of alpha activity are confirmation that patients with affective disorders of different origins also display distinctive electrophysiological features which can become promising biomarkers and could help separate bipolar depression from the recurrent type.

ВВЕДЕНИЕ: Поиск биологических маркеров для дифференциальной диагностики рекуррентной и биполярной депрессии является важной задачей современной психиатрии. Электроэнцефалография (ЭЭГ) выступает одним из перспективных инструментов для решения данной задачи.

ЦЕЛЬ: Выявить различия количественных характеристик альфа-ритма электроэнцефалограммы у пациентов с депрессивным эпизодом в рамках рекуррентной и биполярной депрессии.

МЕТОДЫ: Выделены две группы пациентов (женщин): с рекуррентным депрессивным расстройством, текущий эпизод легкой/средней степени тяжести (30 пациентов) и с биполярным аффективным расстройством, текущий эпизод легкой или умеренной депрессии (30 пациентов). Группы пациентов не получали фармакотерапию и не различались по социально-демографическим показателям и суммарной оценке по шкале депрессии Гамильтона. Проводилась запись фоновой электроэнцефалограммы и анализировались количественные характеристики альфа-ритма: абсолютная спектральная мощность, межполушарная когерентность и реакция активации.

РЕЗУЛЬТАТЫ: У пациентов с рекуррентным депрессивным расстройством по сравнению с пациентами с биполярным аффективным расстройством обнаружены статистически значимо меньшие показатели усредненной абсолютной спектральной мощности альфа-ритма (z=2,481; р=0,042), а также меньшая степень депрессии альфа-ритма при открывании глаз (z=2,573; p=0,035).

ЗАКЛЮЧЕНИЕ: Представленные количественные характеристики альфа-активности подтверждают, что больные с аффективными расстройствами различного генеза имеют свои отличительные электрофизиологические особенности, которые могут стать перспективными биомаркерами для различения биполярной и рекуррентной депрессии.

electroencephalogramalpha rhythmrecurrent depressionbipolar depressionbiomarkersэлектроэнцефалограммаальфа-ритмрекуррентная депрессиябиполярная депрессиябиомаркерыRussian Science FoundationРоссийский научный фонд22–15–00084Tyuvina NA, Korobkova IG. Comparative clinical characteristics of depression in bipolar affective disorders types I and II. Neurology, Neuropsychiatry, Psychosomatics. 2016;8(1):22-28. doi: 10.14412/2074-2711-2016-1-22-28. Russian.Mitchell PB, Frankland A, Hadzi-Pavlovic D, Roberts G, Corry J, Wright A, Loo CK, Breakspear M. Comparison of depressive episodes in bipolar disorder and in major depressive disorder within bipolar disorder pedigrees. The British Journal of Psychiatry. 2011;199(4):303-309. doi: 10.1192/bjp.bp.110.088823.Ministry of Health of the Russian Federation. [Bipolar affective disorder]. Clinical Guidelines; 2021, 161 p. Russian.Avedisova AS, Marachev MP. Clinical typology of atypical depression in bipolar and unipolar affective disorders. Zhurnal Nevrologii i Psikhiatrii imeni S.S. Korsakova. 2012;112(3):18-23. Russian.Martynikhin IA. The use of ICD-10 for diagnosing mental disorders in Russia, according to national statistics and a survey of psychiatrists’ experience. Consortium Psychiatricum. 2021;2(2):35-44. doi: 10.17816/CP69.Shamrey VK, Kurasov ES, Zobin YS, Tsygan NV. Possibilities of using laboratory biomarkers for the objective diagnosis of depressive disorders. Neurology, Neuropsychiatry, Psychosomatics. 2021;13(2):34-39. doi: 10.14412/2074-2711-2021-2-34-39. Russian.Tamatam A, Khanum F, Bawa AS. Genetic biomarkers of depression. Indian Journal of Human Genetics. 2012;18(1):20-33. doi: 10.4103/0971-6866.96639.Zhao S, Bao Z, Zhao X, Xu M, Li MD, Yang Z. Identification of Diagnostic Markers for Major Depressive Disorder Using Machine Learning Methods. Frontiers in Neuroscience. 2021;15:645998. doi: 10.3389/fnins.2021.645998.Wang H, Zhang M, Xie Q, Yu J, Qi Y, Yue Q. Identification of diagnostic markers for major depressive disorder by cross-validation of data from whole blood samples. PeerJ. 2019;7:e7171. doi: 10.7717/peerj.7171.Mnatsakanian EV, Kryukov VV, Antipova OS, Krasnov VN. Emotional Modulation of visual brain responses during classical conditioning in patients with recurrent vs. bipolar depression. Doctor.ru. 2019;6(161):47-52. doi: 10.31550/1727-2378-2019-161-6-47-52. Russian.Lapin IA, Mitrofanov AA. Use of mathematical analysis of EEG records for the purpose of differential diagnosis of uni- and bipolar depression (on example of discriminant analysis of power spectrum, coherence and hemispheric asymmetry parameters). Russian Society of Psychiatrists. 2017;27(2):69-74. Russian.Kesebir S, Yosmaoğlu A. QEEG in affective disorder: about to be a biomarker, endophenotype and predictor of treatment response. Heliyon. 2018;4(8):e00741. doi: 10.1016/j.heliyon.2018.e00741.Galkin SA, Ryazantseva UV, Simutkin GG, Ivanova SA, Bokhan NA. Possible neurophysiological markers for the differential diagnosis of bipolar and unipolar affective disorders. Siberian Herald of Psychiatry and Addiction Psychiatry. 2021;113(4):14–21. doi: 10.26617/1810-3111-2021-4(113)-14-21. Russian.Galkin SA, Bokhan NA. The differential diagnosis of unipolar and bipolar depression based on EEG signals. Zhurnal Nevrologii i Psikhiatrii imeni S.S. Korsakova. 2022;122(11):51-56. doi: 10.17116/jnevro202212211151. Russian.Margarette Sanchez M, Borden L, Alam N, Noroozi A, Ravan M, Flor-Henry P, Hasey G. A Machine learning algorithm to discriminating between bipolar and major depressive disorders based on resting EEG data. Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2022;2022:2635-2638. doi: 10.1109/EMBC48229.2022.9871453.Ravan M, Noroozi A, Sanchez MM, Borden L, Alam N, Flor-Henry P, Hasey G. Discriminating between bipolar and major depressive disorder using a machine learning approach and resting-state EEG data. Clinical Neurophysiology. 2023;146:30-39. doi: 10.1016/j.clinph.2022.11.014.Galkin SA, Peshkovskaya AG, Simutkin GG, Vasilieva SN, Roshchina OV, Ivanova SA, Bokhan NA. Impairments to the functions of spatial working memory in mild depression and their neurophysiological correlates. Neuroscience and Behavioral Physiology. 2020;50(7):825-829. doi: 10.1007/s11055-020-00973-4.Bazanova OM. Electroencephalogram Alpha Activity: Modern Interpretations. Uspekhi fiziologicheskih nauk. 2009;40(3):32-53. Russian.Schurmann M, Basar E. Alpha oscillations shed new light on relation between EEG and single neurons. Neuroscience Research. 1999;33(2):79-80. doi: 10.1016/s0168-0102(98)00116-3.Galkin SA, Vasilyeva SN, Simutkin GG, Bokhan NA. Quantitative characteristics of the alpha-rhythm of the electroencephalogram in depressive disorders. Neurology Bulletin. 2021;LIII(3):19-25. doi: 10.17816/nb77773.Luders HO, Noachtar S. Atlas and Classification of Electroencephalography. Philadelphia: W.B. Saunders; 2000.Doletskiy AN, Dokuchaev DA, Lata AA. Opinion transformation in mechanism of generation and physiological interpretation of the EEG alpha rhythm. Volgograd Journal of Medical Research. 2019;(1):14-19. Russian.Kirschfeld K. The physical basis of alpha waves in the electroencephalogram and the origin of the “Berger effect”. Biological Cybernetics. 2005;92(3):177-85. doi: 10.1007/s00422-005-0547-1.Cukic M, Stokic M, Radenkovic S, Ljubisavljevic M, Simic S, Savic D. Nonlinear analysis of EEG complexity in episode and remission phase of recurrent depression. International Journal of Methods in Psychiatric Research. 2020;29(2):e1816. doi: 10.1002/mpr.1816.Xiao R, Shida-Tokeshi J, Vanderbilt DL, Smith BA. Electroencephalography power and coherence changes with age and motor skill development across the first half year of life. PLoS One. 2018;13(1):e0190276. doi: 10.1371/journal.pone.0190276.Murias M, Webb SJ, Greenson J, Dawson G. Resting state cortical connectivity reflected in EEG coherence in individuals with autism. Biological Psychiatry. 2007;62(3):270-273. doi: 10.1016/j.biopsych.2006.11.012.