《The Journal of ECT》：Comparison of 4 Methods to Estimate the Resting Motor Threshold Using Transcranial Magnetic Stimulation: Rossini-Rothwell, 2-Threshold, Adaptive Threshold Hunting, and Stimulus-Response Curve Approaches
编辑推荐：
为了解决经颅磁刺激（TMS）中静息运动阈值（RMT）测定缺乏金标准的问题，研究人员比较了Rossini-Rothwell（RR）、Mills-Nithi（MN）、自适应最大似然参数序贯测试（ML-PEST）和监督参数估计（SPE）这四种基于肌电图（EMG）的方法。研究发现，EMG方法间一致性高（ICC=0.97），但RR视觉法RMT估计值显著高于其他EMG方法。其中，ML-PEST方法所需试验次数最少，表明自适应阈值狩猎（ATH）方法在保证精度的同时效率更高，为临床和研究应用提供了更优选择。
在脑科学与神经调控的版图上，经颅磁刺激（TMS）如同一把神奇的“钥匙”，能够无创地打开并调控大脑皮质的神经环路。无论是作为研究脑功能连通性的探针，还是作为治疗抑郁症、强迫症等精神神经疾病的利器，TMS的疗效与安全性都高度依赖于一个核心参数——静息运动阈值（RMT）。简单来说，RMT是刺激初级运动皮层时，能在目标肌肉中稳定诱发反应（肌电图信号变化或可见抽动）所需的最低刺激强度。它如同每位受试者大脑的“个性化音量旋钮”，无论是单脉冲研究还是治疗剂量的计算（通常为RMT的80%-130%），都以此为准绳。然而，这把“尺子”该怎么量，神经科学界却一直未能统一。传统方法如Rossini-Rothwell（RR）和Mills-Nithi（MN）虽然经典，但耗时较长；新兴的自适应阈值狩猎（ATH）方法如最大似然参数序贯测试（ML-PEST）声称更高效准确，但临床接受度有待验证；而基于刺激-反应曲线拟合的监督参数估计（SPE）方法则试图在自动化和人工监督间取得平衡。更棘手的是，临床上出于简便，常采用观察肌肉抽动的“视觉法”来替代需要肌电图（EMG）设备的“电生理法”，但这可能导致RMT被高估，进而影响治疗安全与效果。究竟哪种方法在准确性、效率和实用性上表现更优？不同方法得出的RMT值是否一致？为了回答这些关键问题，来自印度卡斯特巴医学院精神病学神经调制临床研究中心的研究团队，在20名健康参与者身上，对四种EMG方法（RR、ML-PEST、MN、SPE）和两种视觉方法（RR视觉、ML-PEST视觉）进行了一场“同台竞技”。他们的研究成果发表在《The Journal of ECT》上，为TMS领域的标准化操作提供了宝贵的实证数据。
关键方法
研究在20名健康成人中进行。通过表面电极记录右侧第一骨间背侧肌（FDI）的肌电图（EMG）信号。使用MagPro X100刺激器与八字形线圈，在确定运动热点后，固定线圈位置。依次采用六种方法（四种EMG法，两种视觉法）估计RMT，刺激间隔为5秒。EMG阳性反应定义为峰值间运动诱发电位（MEP）振幅≥50μV，视觉阳性反应定义为观察到右手拇指或食指可见抽动。记录每种方法估计出的RMT值及所需试验次数，并使用统计软件进行组内相关性分析和重复测量方差分析比较。
研究结果
参与者
27名参与者中，6人因基线肌电噪声过高（>50μV）或无法确定运动热点被排除，最终20人（10名女性，平均年龄28.2岁）的数据纳入分析。
估计的RMT
基于EMG的四种方法（RR、ML-PEST、MN、SPE）在估计RMT上表现出极好的一致性（组内相关系数ICC=0.97）。然而，五种方法（RR视觉、RR EMG、ML-PEST EMG、MN EMG、SPE EMG）间的RMT估计值存在显著差异（F=9.03，P=0.001）。事后检验显示，RR视觉法估计的RMT值显著高于RR EMG、ML-PEST EMG和SPE EMG方法。在10名参与者的亚组分析中，RR视觉和ML-PEST视觉两种方法估计的RMT值无显著差异，但均显著高于它们对应的EMG方法。
所需刺激次数比较
不同方法所需的试验次数存在显著差异（F=15.97，P<0.001）。ML-PEST EMG方法所需的试验次数（固定为31次）显著少于RR EMG、MN EMG和SPE EMG方法，而SPE方法所需的试验次数最多。在亚组分析中，ML-PEST视觉法所需试验次数也少于RR方法，尽管差异未达统计学显著性（P=0.051），但效应量较大。
结论与讨论
本研究首次系统比较了四种基于EMG的RMT估计方法（RR、ML-PEST、MN、SPE）与两种视觉方法（RR视觉、ML-PEST视觉）。主要结论与意义如下：
首先，研究证实了不同EMG方法在估计RMT时具有高度一致性，这为这些方法在科研中的互换性提供了一定支持。然而，ML-PEST方法在效率上展现出明显优势，其所需试验次数显著少于其他EMG方法，这归因于其基于高斯累积分布模型的适应性阈值狩猎（ATH）算法，能更智能地逼近真实阈值。相比之下，SPE方法虽然理论上更稳健（结合了软件计算和技术员监督），但耗时最长，在追求效率的临床环境中可能受限。
其次，研究明确揭示了视觉法高估RMT的趋势。RR视觉法给出的RMT值显著高于多种EMG方法。亚组分析进一步发现，在使用RR EMG法时，仅48%的试验中观察到了视觉抽动，而有77%的试验记录到了阳性EMG反应。这意味着超过一半的有效的皮层兴奋性反应无法通过肉眼观察到，这直接导致了视觉法需要更高的刺激强度才能“看见”反应，从而造成了RMT的高估。这在临床治疗中尤为重要，因为治疗剂量基于RMT的百分比计算，高估RMT可能导致实际施加的治疗剂量不足，影响疗效。
最后，在视觉方法内部比较中，虽然RR视觉和ML-PEST视觉估计的RMT值相似，但ML-PEST视觉所需的试验次数更少，评估速度更快。这表明，在必须使用视觉法的资源有限场景中，ML-PEST视觉可能是更高效的选择。
研究的局限性包括样本量较小、未使用神经导航精确确定运动热点，以及未评估会话间变异性。此外，研究中多名参与者因肌电噪声被排除，提示实验室环境噪声控制是TMS研究中一个未被充分讨论但至关重要的实际问题。
总之，这项研究为支持ATH方法（特别是ML-PEST）用于RMT估计提供了新的证据。尽管各种EMG方法结果一致，但ML-PEST在精度和效率之间取得了最佳平衡。研究结果强烈建议在条件允许时优先采用基于EMG的方法，以获取更准确的RMT；当必须使用视觉法时，可考虑采用ML-PEST视觉流程以提高效率。该研究为优化TMS的临床操作规程和研究方案提供了重要参考，并呼吁关注实验室噪声控制以提升数据质量。未来研究可进一步验证新兴的智能手机ATH工具与传统方法的效能对比。
