Сегодня: 28.03.2024
RU / EN
Последнее обновление: 01.03.2024

Современные технологии в познании механизмов, диагностике и лечении расстройств аутистического спектра (обзор)

А.И. Федотчев, В.В. Дворянинова, С.Д. Великова, А.А. Земляная

Ключевые слова: расстройства аутистического спектра; РАС; интерфейс мозг–компьютер; технология нейробиоуправления; персонализированное лечение РАС.

Расстройства аутистического спектра (РАС) относятся к одним из наиболее распространенных и трудноизлечимых неврологических заболеваний, характеризующихся высокой гетерогенностью и требующих личностно-ориентированных подходов к диагностике и лечению. В обзоре рассмотрены литературные данные последних 5 лет о вкладе современных наукоемких технологий в познание механизмов, диагностику и лечение РАС. Особое внимание уделено возможностям нелекарственного лечения РАС с помощью технологий нейроинтерфейсов, включая интерфейс мозг–компьютер и технологию нейробиоуправления.

Показаны преимущества разработанного авторами музыкального нейроинтерфейса с комплексной обратной связью от биопотенциалов мозга и сердца, обеспечивающего возможность персонализированного лечения РАС.


Введение

Аутизм (погружение в себя, от лат. autos — сам) является тяжелым, во многих случаях инвалидизирующим заболеванием раннего детского возраста и характеризуется грубым дефицитом в области коммуникации, социального взаимодействия и речи, наличием ограниченных повторяющихся и стереотипных моделей поведения и интересов, часто сопро­вождается интеллектуальным недоразвитием [1]. До середины XX в. такой болезни, как аутизм, не существовало — детям и взрослым с аутизмом чаще всего диагностировали шизофрению. Впервые аутизм как заболевание было описано в 1942 г. американским клиницистом Лео Каннером, чуть позже, в 1943 г., сходные расстройства у детей описал австрийский врач Ганс Аспергер, а в 1947 г. — наш соотечественник Самуил Мнухин [2]. Позже из-за чрезвычайной гетерогенности состояний, множественности этиологий, подтипов и динамик развития заболевания его начали относить к группе расстройств аутистического спектра (РАС) [3].

Проблема изучения РАС относится к числу наиболее сложных и актуальных в связи с высокой распространенностью этой патологии — 1–2% в детской популяции [4, 5]. Экспоненциальный рост исследований по данной проблеме начал наблюдаться в конце прошлого столетия, когда была отмечена своеобразная «эпидемия» диагнозов аутизма [6, 7]. До сих пор не очевидно, является ли высокая распространенность аутистических расстройств следствием фактического увеличения заболеваемости или связана с гипердиагностикой и размыванием диагностических границ аутизма применяемыми в современной психиатрической практике классификациями [8, 9]. О высокой актуальности проблемы свидетельствует тот факт, что в 2014 г. 67-я сессия Всемирной ассамблеи здравоохранения приняла резолюцию «Комплексные и согласованные усилия по ведению расстройств аутистического спектра», которую поддержали 60 стран.

Особенно заметно возрастание интереса к проблеме расстройств аутистического спектра в последние годы: количество публикаций по этой теме за 5 лет удвоилось. Появились новые данные о сущности, механизмах возникновения, диагностике и лечении РАС. Задачей представленного обзора явилось детальное рассмотрение этих вопросов, а также вклада современных технологий в решение проблем РАС. Особое внимание уделено возможностям лечения РАС с помощью технологий нейроинтерфейсов, показаны преимущества разработанного авторами музыкального нейроинтерфейса.

Современные представления о сущности и механизмах возникновения расстройств аутистического спектра

К настоящему времени считается общепризнанным, что РАС представляют собой гетерогенный набор нарушений развития, неврологических по своей природе, которые проявляются в раннем детстве и характеризуются сниженным уровнем или отсутствием соответствующих возрасту социальных контактов с другими людьми и необычайно ограниченными, стерео­типными типами поведения, интересами и активностями [10]. Известно также, что РАС поражают больше мужчин, чем женщин [11], часто сопровождаются коморбидными расстройствами — умственной отсталостью [12], задержкой речевого развития [13], эпилепсией [14], депрессией [15], тревожностью [16], нарушениями внимания [17–19].

Детям с РАС свойственна сенсорная гиперчувствительность, фрагментированное и искаженное восприятие, трудности обработки ощущений [20]. У них значительно чаще, чем в норме, наблюдаются феномены синестезии — восприятия, при котором стимуляция одного сенсорного канала вызывает ощущения в других органах чувств. Такие дети «видят» звуки или «чувствуют запах» цвета, геометрические фигуры для них имеют «вкус», они ощущают кожей или «слышат» цвета и т.д. [21]. Имеются данные о том, что сенсорные дисфункции при РАС сохраняются c возрастом у подростков и взрослых [22, 23].

Больные с РАС избегают зрительных контактов с окружающими, крайне разборчивы в быту, им свойственны стереотипные движения и моторные действия, а также речевые стереотипии, связанные со стремлением к поддержанию однообразного состояния [24]. При малейших изменениях привычных жизненных условий у этих больных отмечается резко негативная реакция, сопровождаемая особыми эмоциональными состояниями — уходом в себя и эмоциональными срывами [25].

Действительные причины развития РАС до сих пор не выявлены, но большинство исследователей считают, что в основе этих заболеваний лежит комбинация генетических и эпигенетических факторов с факторами окружающей среды [26, 27]. В качестве ключевых патофизиологических механизмов РАС рассматриваются такие процессы, как нейрогенез, рост нейритов, синаптогенез и синаптическая пластичность [28], а также атипичная корковая организация и снижение целостности границ между серым и белым веществом мозга [29].

Наукоемкие технологии в диагностике расстройств аутистического спектра

Проблема диагностики РАС крайне актуальна, так как ее несвоевременность утяжеляет течение основного заболевания и увеличивает риск формирования коморбидных расстройств [30]. В последние годы благодаря внедрению современных технологий в клиническую практику сформировалось несколько перспективных подходов к решению данной проблемы.

Существенное место в развитии методов диагностики РАС принадлежит количественной электроэнцефалографии [31, 32]. Так, с помощью ее использования при РАС установлены нарушения взаимосвязанности областей мозга в состоянии покоя [33], а пиковая частота альфа-ритма ЭЭГ предложена в качестве биомаркера когнитивных функций при РАС [34].

Разработка все более эффективных подходов к компьютерному анализу неинвазивно регистрируемых характеристик у пациентов с РАС позволила продемонстрировать диагностический потенциал и других биоэлектрических показателей, таких как электрокардиограмма [35] и вариабельность сердечного ритма [36], магнитоэнцефалограмма [37], электромиограмма [38] и т.д. С учетом трудности контактов с больными РАС перспективными представляются инновационные методы диагностики, основанные на биохимическом анализе слюны [39–41].

В связи с тем, что одним из наиболее характерных признаков РАС является избегание зрительных контактов с окружающими [42], широкое развитие получили диагностические сенсорные технологии и в первую очередь технологии отслеживания движений глаз (Eye-tracking technologies) [43]. Так, разработаны алгоритмы для ранней диагностики РАС на основе сравнительного анализа движений глаз при предъявлении пациенту социальных или абстрактных сцен [44]. Для выявления особенностей зрительного контакта при социальных взаимодействиях вместо стационарной предложена специальная узконаправленная камера [45], исследованы механизмы уменьшенного внимания к глазам окружающих [46]. Разработан метод компьютерного анализа выражений лиц при социальных взаимодействиях, который позволяет выявлять такой маркер РАС, как уменьшенная интенсивность лицевой экспрессии [47].

Безусловно, особое внимание исследователей при поиске эффективных подходов к диагностике РАС в последние годы привлекают технологии генетического тестирования [48]. Так, предложена технология определения мутаций в последовательности генов, которые могут наблюдаться только у больных РАС, но не встречаются в норме [49]. В США создается нацио­нальная база данных по аутизму, которая включает геномные и нейробиологические данные тысяч пациентов и позволяет применять технологию анализа больших данных (Big Data Technology) для нахождения маркеров РАС [50]. Считается, что прогресс технологий генетического тестирования в ближайшем будущем откроет новые перспективы диагностики и лечения РАС [51].

Традиционные подходы к лечению расстройств аутистического спектра

К настоящему времени общепризнано, что РАС относятся к трудноизлечимым заболеваниям в связи с чрезвычайной гетерогенностью состояний, множественностью этиологий, подтипов и траекторий развития болезни [52]. При этом считается, что наиболее эффективным средством воздействия на нарушения при РАС является ранняя помощь детям, предусматривающая начало коррекционных мероприятий еще в процессе диагностики при обнаружении первых признаков заболевания [53]. Для этого могут применяться процедуры телемедицинского обследования пациентов [54], в ходе которых не только осуществляется своевременная диагностика РАС, но и выдаются лечебные рекомендации специалистов [55].

На данный момент специфической медикаментозной терапии для РАС не существует, а используемые лекарственные средства, по мнению клиницистов, могут только уменьшать симптомы сопутствующих заболеваний [56]. В такой ситуации наиболее широкое распространение при лечении РАС получили методы когнитивно-поведенческой терапии, направленные на формирование социально приемлемого поведения, структурированное обучение навыкам, а также анализ вербального поведения и обучение ему [57–59].

При оценке возможностей комплементарной и альтернативной терапии в лечении РАС перспективными считаются такие виды лечебных воздействий, как музыкальная терапия [60–62], сенсорно-интеграционная терапия, или сенсорное обогащение окружающей среды [63], акупунктура [64] и массаж [65]. Предложена технология для усиления физической активности у детей с РАС, направленная на выработку повышенных физиологических реакций на динамичные движения путем непрерывного измерения затрат энергии и частоты сердечных сокращений в процессе специально организованных тренировок [66].

Важным средством коррекции эмоционального развития детей с аутизмом признается игровая деятельность [67]. В ходе игры у детей c РАС вырабатываются навыки активного взаимодействия с окружающей средой, формируются их нравственные, интеллектуальные, эмоционально-волевые качества, происходит развитие личности, расширяется круг общения, развиваются функции приспособления и социализации [68]. Поэтому включение игровых компонентов в лечебные процедуры при РАС считается чрезвычайно полезным для уменьшения симптомов, связанных с заболеванием [69].

Игры для улучшения поведения, когнитивных процессов и регуляции эмоций у детей с РАС эффективно применяются и в технологиях нейроинтерфейсов [70].

Нейроинтерфейсы в лечении расстройств аутистического спектра

В последние годы технологии нейроинтерфейсов, включая интерфейс мозг–компьютер и нейробио­управление, становятся лечебным инструментом для множества психических [71, 72] и неврологических [73–75] расстройств, для восстановления и улучшения нервных, когнитивных и поведенческих функций человека [76–79].

Интерфейсы мозг–компьютер представляют собой программно-аппаратные системы распознавания и декодирования командных паттернов биоэлектрической активности мозга, доступных для произвольного контроля самим пользователем [80, 81]. В технологиях нейробиоуправления разнообразные биофизические характеристики организма человека преобразуются в информационные сигналы обратной связи для его обучения навыку произвольной регуляции различных функций [82, 83].

Общей чертой этих технологий является их высокая персонализация через использование обратной связи от индивидуальных биоэлектрических характеристик пациента при организации лечебных воздействий [84]. Это особенно важно, так как в связи с чрезвычайной гетерогенностью РАС именно развитие персонализированных подходов к их диагностике и лечению считается наиболее перспективным направлением исследований [85]. Подтверждением этого тезиса является целый ряд недавних работ, в которых показано успешное применение технологии нейроинтерфейсов как при диагностике, так и при лечении РАС.

Так, наибольшее распространение получили нейроинтерфейсы, использующие биопотенциалы мозга (ЭЭГ) в качестве сигналов обратной связи [86]. Клинический опыт использования нейроинтерфейсов для лечения ряда педиатрических заболеваний, включая РАС, свидетельствует о безопасности и эффективности этих лечебных процедур [87]. Так, с помощью сеансов ЭЭГ-нейробиоуправления у пациентов с РАС отмечены эффекты нормализации поведенческих и электрофизиологических показателей за счет увеличения функциональной и структурной взаимосвязанности областей мозга [88]. Под влиянием процедур ЭЭГ-нейробиоуправления у пациентов с РАС выявлены позитивные изменения в поведении (они становятся менее агрессивными и более контактными), показателях внимания, памяти и моторных навыков, а также улучшение общего уровня повседневного функционирования [89]. ЭЭГ-нейробиоуправление относится к наиболее эффективным методам коррекции психофизиологических характеристик у пациентов с РАС [90].

Оригинальный нейроинтерфейс был недавно предложен для детекции и подавления состояний тревоги при РАС [91]. Интерфейс, названный «биомузыкой», преобразует физиологические сигналы пациента в музыку (электрокожную активность — в мелодию, температуру — в музыкальную тональность, частоту сердечных сокращений — в ритм), прослушивание которой позволяет интуитивно определять неблагоприятные состояния и подавлять их.

Анализ литературы показывает, что в развитии технологий нейроинтерфейсов наблюдаются две прогрессивные тенденции. Одна из них заключается в подходах, предполагающих применение музыкальных или музыкоподобных сигналов обратной связи от собственных биоэлектрических характеристик, облегчающих пациенту их восприятие и способствующих увеличению эффективности лечебных воздействий [92–94]. Вторая тенденция связана со стремлением к разработке мультимодальных [95] или гибридных [96] нейроинтерфейсов, в которых используется комплексная мультимодальная обратная связь не только от параметров ЭЭГ, но и от других систем организма [97].

С целью реализации и развития описанных тенденций авторами данной публикации разработан музыкальный нейроинтерфейс, сочетающий предельную персонализацию ЭЭГ-биоуправления с достоинством неосознаваемого восприятия воздействий, характерного для музыкальной терапии [98, 99]. В его основе лежат музыкальные или музыкоподобные воздействия, которые организуются в строгом соответствии с текущими значениями биопотенциалов мозга пациента. Отличительной чертой разработанного нейроинтерфейса, усиливающей персонализацию лечебных процедур, является использование музыкальной обратной связи не от излишне широкополосных традиционных ритмов ЭЭГ (тета-, альфа-, бета- и т.д.), а от характерных и значимых для индивида узкочастотных ЭЭГ-осцилляторов, выявляемых в реальном масштабе времени на основе специально разработанного динамического подхода [100].

Главным преимуществом музыкального нейроинтерфейса является возможность его применения для коррекции неблагоприятных функциональных состояний в условиях, не требующих осознанных усилий испытуемых. Это особенно важно при проведении лечебных сеансов с детьми и с пациентами, для которых характерны измененные психические состояния или недостаточно эффективна медикаментозная терапия. Поэтому данная технология была успешно опробована для устранения стресс-вызванных расстройств [101] и рисков функциональной надежности специалиста [102]. Сегодня обоснованы преимущества использования музыкального нейроинтерфейса для лечения синдрома дефицита внимания с гиперактивностью [103] и эпилепсии [104].

С другой стороны, при лечении РАС особенно эффективными считаются комбинированные нейроинтерфейсы, ориентированные на взаимодействие мозга, тела и поведения пациента [105]. Недавно авторами разработан и опробован в модельных экспериментах вариант музыкального нейроинтерфейса [106], в котором аудиовизуальные воздействия, формируемые на основе ЭЭГ испытуемого, дополняются ритмическими звуковыми сигналами, моделирующими ритм его сердцебиений. Полученные данные дают возможность предположить, что комплексная обратная связь, использующая управляющие сигналы от биопотенциалов мозга и сердца пациента, может эффективно применяться при лечении РАС.

Заключение

Приведенные данные убедительно показывают, что за последние годы достигнут определенный прогресс в понимании сущности и механизмов РАС, а также в диагностике и лечении этих заболеваний. Наиболее значимые результаты получены в работах, использующих современные наукоемкие технологии: количественную электроэнцефалографию, технологию отслеживания движений глаз, технологию генетического тестирования и др.

Важное место в арсенале терапевтических средств при РАС начинают занимать технологии нейроинтерфейсов, использующие обратную связь от индивидуальных биоэлектрических характеристик пациента и тем самым обеспечивающие персонализированные лечебные воздействия. Можно ожидать, что развитие упомянутых технологий и их внедрение в клиническую практику приведут в ближайшем будущем к созданию эффективных средств диагностики и лечения РАС.

Финансирование исследования. Работа выполнена при поддержке Российского фонда фундаментальных исследований (гранты №18-013-01225, 18-413-520006, 19-013-00095).

Конфликт интересов отсутствует.


Литература

  1. Бородина Л.Г., Письменная Н.В. Медицинские аспек­ты сопровождения детей с расстройствами аутистического спектра. Аутизм и нарушения развития 2017; 15(3): 3–8, https://doi.org/10.17759/autdd.2017150301.
  2. Потокина А.М. Размышления клинического психо­ло­га об аутизме. В кн.: Тенденции развития науки и обра­зования. Самара; 2017; с. 35–37, https://doi.org/10.18411/lj-31-08-2017-29.
  3. Constantino J.N. Deconstructing autism: from unitary syndrome to contributory developmental endophenotypes. Int Rev Psychiatry 2018; 30(1): 18–24, https://doi.org/10.1080/09540261.2018.1433133.
  4. Симашкова Н.В., Якупова Л.П., Клюшник Т.П., Ко­валь-Зайцев А.А. Мультидисциплинарный клинико-био­логический подход к изучению психотических форм рас­стройств аутистического спектра у детей. Журнал нев­рологии и психиатрии им. C.C. Корсакова 2013; 113(5–2): 35–42.
  5. Симашкова Н.В., Клюшник Т.П., Коваль-Зайцев А.А., Якупова Л.П. Клинико-биологические подходы к диаг­нос­тике детского аутизма и детской шизофрении. Аутизм и нарушения развития 2016; 14(4): 51–67, https://doi.org/10.17759/autdd.2016140408.
  6. Weintraub K. The prevalence puzzle: autism counts. Nature 2011; 479(7371): 22–24, https://doi.org/10.1038/479022a.
  7. Hollin G. Autistic heterogeneity: linking uncertainties and indeterminacies. Sci Cult 2017; 26(2): 209–231, https://doi.org/10.1080/09505431.2016.1238886.
  8. Гребенникова Е.В., Шелехов И.Л., Филимонова Е.А. Понимание расстройств аутистического спектра на основе междисциплинарного подхода. Научно-педагогическое обозре­ние 2016; 3(13): 16–22.
  9. Graf W.D., Miller G., Epstein L.G., Rapin I. The autism “epidemic”: ethical, legal, and social issues in a developmental spectrum disorder. Neurology 2017; 88(14): 1371–1380, https://doi.org/10.1212/wnl.0000000000003791.
  10. Thibaut F. New perspectives in autism spectrum disorders. Dialogues Clin Neurosci 2017; 19(4): 323.
  11. Ferri S.L., Abel T., Brodkin E.S. Sex differences in autism spectrum disorder: a review. Curr Psychiatry Rep 2018; 20(2): 9, https://doi.org/10.1007/s11920-018-0874-2.
  12. Морозов С.А., Морозова Т.И., Белявский Б.В. К во­п­росу об умственной отсталости при расстройствах аутис­тического спектра. Аутизм и нарушения развития 2016; 14(1): 9–18, https://doi.org/10.17759/autdd.2016140102.
  13. Мамохина У.А. Особенности речи при расстройствах аутистического спектра. Аутизм и нарушения развития 2017; 15(3): 24–33, https://doi.org/10.17759/autdd.2017150304.
  14. Besag F.M. Epilepsy in patients with autism: links, risks and treatment challenges. Neuropsychiatr Dis Treat 2017; 14: 1–10, https://doi.org/10.2147/ndt.s120509.
  15. Hudson C.C., Hall L., Harkness K.L. Prevalence of depressive disorders in individuals with autism spectrum disorder: a meta-analysis. J Abnorm Child Psychol 2018, https://doi.org/10.1007/s10802-018-0402-1 [Epub ahead of print].
  16. Rodgers J., Ofield A. Understanding, recognising and treating co-occurring anxiety in autism. Curr Dev Disord Rep 2018; 5(1): 58–64, https://doi.org/10.1007/s40474-018-0132-7.
  17. Строганова Т.А., Орехова Е.В., Галюта И.А. Моно­тропизм внимания у детей с аутизмом. Экспериментальная психология 2014; 7(4): 66–82.
  18. Строганова Т.А., Орехова Е.В., Галюта И.А. Нейрон­ные механизмы нарушений ориентировки внимания у детей с расстройствами аутистического спектра. Экспе­риментальная психология 2015; 8(3): 7–23, https://doi.org/10.17759/exppsy.2015080302.
  19. Boxhoorn S., Lopez E., Schmidt C., Schulze D., Hänig S., Freitag C.M. Attention profiles in autism spectrum disorder and subtypes of attention-deficit/hyperactivity disorder. Eur Child Adolesc Psychiatry 2018; 27(11): 1433–1447, https://doi.org/10.1007/s00787-018-1138-8.
  20. Нейсон Б. О ключевых проблемах аутизма. Сен­­сорные аспекты аутизма. Аутизм и нарушения раз­вития 2016; 14(3): 42–48, https://doi.org/10.17759/autdd.2016140304.
  21. Богдашина О.Б. Синестезия при аутизме. Аутизм и нарушения развития 2016; 14(3): 21–31, https://doi.org/10.17759/autdd.2016140302.
  22. DuBois D., Lymer E., Gibson B.E., Desarkar P., Nalder E. Assessing sensory рrocessing dysfunction in adults and adolescents with autism spectrum disorder: a scoping review. Brain Sci 2017; 7(8): 108, https://doi.org/10.3390/brainsci7080108.
  23. Perez Repetto L., Jasmin E., Fombonne E., Gisel E., Couture M. Longitudinal study of sensory features in children with autism spectrum disorder. Autism Res Treat 2017; 2017: 1934701, https://doi.org/10.1155/2017/1934701.
  24. Мачурина Т.Н. Детский аутизм: диагностика, тера­пия, реабилитация. International Scientific Review 2016; 20(30): 105–108.
  25. Нейсон Б. О ключевых проблемах аутизма. Эмо­циональность на спектре. Аутизм и нарушения развития 2017; 15(3): 58–68, https://doi.org/10.17759/autdd.2017150308.
  26. Chaste P., Leboyer M. Autism risk factors: genes, environment, and gene-environment interactions. Dialogues Clin Neurosci 2012; 14(3): 281–292.
  27. Siu M.T., Weksberg R. Epigenetics of autism spectrum disorder. Adv Exp Med Biol 2017; 978: 63–90, https://doi.org/10.1007/978-3-319-53889-1_4.
  28. Gilbert J., Man H.Y. Fundamental elements in autism: from neurogenesis and neurite growth to synaptic plasticity. Front Cell Neurosci 2017; 11: 359, https://doi.org/10.3389/fncel.2017.00359.
  29. Andrews D.S., Avino T.A., Gudbrandsen M., Daly E., Marquand A., Murphy C.M., Lai M.C., Lombardo M.V., Ruigrok A.N., Williams S.C., Bullmore E.T., The Mrc Aims Consortium, Suckling J., Baron-Cohen S., Craig M.C., Murphy D.G., Ecker C. In vivo evidence of reduced integrity of the gray-white matter boundary in autism spectrum disorder. Cereb Cortex 2017; 27(2): 877–887, https://doi.org/10.1093/cercor/bhw404.
  30. Альбицкая Ж.В. Ранний детский аутизм — проб­лемы и трудности первичной диагностики при меж­дисциплинарном взаимодействии. Медицинский альманах 2016; 2(42): 108–111, https://doi.org/10.21145/2499-9954-2016-2-108-111.
  31. Балдова С.Н., Белова А.Н., Шейко Г.Е., Бор­зиков В.В., Кузнецов А.Н., Полякова А.Г., Лоскутова Н.В. Количественная электроэнцефалография при изучении рас­стройств аутистического спектра. Практическая медицина 2017; 1(102): 35–39.
  32. Gurau O., Bosl W.J., Newton C.R. How useful is electroencephalography in the diagnosis of autism spectrum disorders and the delineation of subtypes: a systematic review. Front Psychiatry 2017; 8: 121, https://doi.org/10.3389/fpsyt.2017.00121.
  33. Zeng K., Kang J., Ouyang G., Li J., Han J., Wang Y., Sokhadze E.M., Casanova M.F., Li X. Disrupted brain network in children with autism spectrum disorder. Sci Rep 2017; 7(1): 16253, https://doi.org/10.1038/s41598-017-16440-z.
  34. Dickinson A., DiStefano C., Senturk D., Jeste S.S. Peak alpha frequency is a neural marker of cognitive function across the autism spectrum. Eur J Neurosci 2018; 47(6): 643–651, https://doi.org/10.1111/ejn.13645.
  35. Di Palma S., Tonacci A., Narzisi A., Domenici C., Pioggia G., Muratori F., Billeci L. Monitoring of autonomic response to sociocognitive tasks during treatment in children with autism spectrum disorders by wearable technologies: a feasibility study. Comput Biol Med 2017; 85: 143–152, https://doi.org/10.1016/j.compbiomed.2016.04.001.
  36. Белова А.Н., Борзиков В.В., Кузнецов А.Н., Комкова О.В. Активность вегетативной нервной системы по результатам исследования вариабельности сердечного ритма у детей с расстройствами аутистического спектра (обзор). Медицинский альманах 2017; 5(50): 130–136, https://doi.org/10.21145/2499-9954-2017-5-130-136.
  37. Duan F., Watanabe K., Yoshimura Y., Kikuchi M., Minabe Y., Aihara K. Detection of atypical network development patterns in children with autism spectrum disorder using magnetoencephalography. PLoS One 2017; 12(9): e0184422, https://doi.org/10.1371/journal.pone.0184422.
  38. Wu D., José J.V., Nurnberger J.I., Torres E.B. A biomarker characterizing neurodevelopment with applications in autism. Sci Rep 2018; 8(1): 614, https://doi.org/10.1038/s41598-017-18902-w.
  39. Galiana-Simal A., Muñoz-Martinez V., Calero-Bueno P., Vela-Romero M., Beato-Fernandez L. Towards a future molecular diagnosis of autism: recent advances in biomarkers research from saliva samples. Int J Dev Neurosci 2018; 67: 1–5, https://doi.org/10.1016/j.ijdevneu.2018.03.004.
  40. Qiao Y., Wu M., Feng Y., Zhou Z., Chen L., Chen F. Alterations of oral microbiota distinguish children with autism spectrum disorders from healthy controls. Sci Rep 2018; 8(1): 1597, https://doi.org/10.1038/s41598-018-19982-y.
  41. Li G., Lee O., Rabitz H. High efficiency classification of children with autism spectrum disorder. PLoS One 2018; 13(2): e0192867, https://doi.org/10.1371/journal.pone.0192867.
  42. Trevisan D.A., Roberts N., Lin C., Birmingham E. How do adults and teens with self-declared autism spectrum disorder experience eye contact? A qualitative analysis of first-hand accounts. PLoS One 2017; 12(11): e0188446, https://doi.org/10.1371/journal.pone.0188446.
  43. Cabibihan J.J., Javed H., Aldosari M., Frazier T.W., Elbashir H. Sensing technologies for autism spectrum disorder screening and intervention. Sensors 2016; 17(1): E46, https://doi.org/10.3390/s17010046.
  44. Vargas-Cuentas N.I., Roman-Gonzalez A., Gilman R.H., Barrientos F., Ting J., Hidalgo D., Jensen K., Zimic M. Developing an eye-tracking algorithm as a potential tool for early diagnosis of autism spectrum disorder in children. PLoS One 2017; 12(11): e0188826, https://doi.org/10.1371/journal.pone.0188826.
  45. Edmunds S.R., Rozga A., Li Y., Karp E.A., Ibanez L.V., Rehg J.M., Stone W.L. Brief report: using a point-of-view camera to measure eye gaze in young children with autism spectrum disorder during naturalistic social interactions: a pilot study. J Autism Dev Disord 2017; 47(3): 898–904, https://doi.org/10.1007/s10803-016-3002-3.
  46. Moriuchi J.M., Klin A., Jones W. Mechanisms of diminished attention to eyes in autism. Am J Psychiatry 2017; 174(1): 26–35, https://doi.org/10.1176/appi.ajp.2016.15091222.
  47. Owada K., Kojima M., Yassin W., Kuroda M., Kawakubo Y., Kuwabara H., Kano Y., Yamasue H. Computer-analyzed facial expression as a surrogate marker for autism spectrum social core symptoms. PLoS One 2018; 13(1): e0190442, https://doi.org/10.1371/journal.pone.0190442.
  48. Barton K.S., Tabor H.K., Starks H., Garrison N.A., Laurino M., Burke W. Pathways from autism spectrum disorder diagnosis to genetic testing. Genet Med 2018; 20(7): 737–744, https://doi.org/10.1038/gim.2017.166.
  49. Ungar W.J. Next generation sequencing and health technology assessment in autism spectrum disorder. J Can Acad Child Adolesc Psychiatry 2015; 24(2): 123–127.
  50. Payakachat N., Tilford J.M., Ungar W.J. National Database for Autism Research (NDAR): big data opportunities for health services research and health technology assessment. Pharmacoeconomics 2016; 34(2): 127–138, https://doi.org/10.1007/s40273-015-0331-6.
  51. Fernandez B.A., Scherer S.W. Syndromic autism spectrum disorders: moving from a clinically defined to a molecularly defined approach. Dialogues Clin Neurosci 2017; 19(4): 353–371.
  52. Masi A., DeMayo M.M., Glozier N., Guastella A.J. An overview of autism spectrum disorder, heterogeneity and treatment options. Neurosci Bull 2017; 33(2): 183–193, https://doi.org/10.1007/s12264-017-0100-y.
  53. Морозов С.А., Морозова С.С., Морозова Т.И. Не­ко­торые особенности ранней помощи детям с рас­стройствами аутистического спектра. Аутизм и нарушения развития 2017; 15(2): 19–31, https://doi.org/10.17759/autdd.2017150202.
  54. Juárez A.P., Weitlauf A.S., Nicholson A., Pasternak A., Broderick N., Hine J., Stainbrook J.A., Warren Z. Early identification of ASD through telemedicine: potential value for underserved populations. J Autism Dev Disord 2018; 48(8): 2601–2610, https://doi.org/10.1007/s10803-018-3524-y.
  55. Smith C.J., Rozga A., Matthews N., Oberleitner R., Nazneen N., Abowd G. Investigating the accuracy of a novel telehealth diagnostic approach for autism spectrum disorder. Psychol Assess 2017; 29(3): 245–252, https://doi.org/10.1037/pas0000317.
  56. Lai M.-C., Lombardo M.V., Baron-Cohen S. Autism. Lancet 2014; 383(9920): 896–910, https://doi.org/10.1016/s0140-6736(13)61539-1.
  57. Serbina L.F. Investigation of the problem of correction of the mental development of children with ASD using the neuropsychological approach. Vestnik Leningradskogo gosudarstvennogo universiteta imeni A.S. Pushkina 2017; 4: 92–96.
  58. Tachibana Y., Miyazaki C., Ota E., Mori R., Hwang Y., Kobayashi E., Terasaka A., Tang J., Kamio Y. A systematic review and meta-analysis of comprehensive interventions for pre-school children with autism spectrum disorder (ASD). PLoS One 2017; 12(12): e0186502, https://doi.org/10.1371/journal.pone.0186502.
  59. Kuder S.J., Accardo A. What works for college students with autism spectrum disorder. J Autism Dev Disord 2018; 48(3): 722–731, https://doi.org/10.1007/s10803-017-3434-4.
  60. Brondino N., Fusar-Poli L., Rocchetti M., Provenzani U., Barale F., Politi P. Complementary and alternative therapies for autism spectrum disorder. Evid Based Complement Alternat Med 2015; 2015: 258589, https://doi.org/10.1155/2015/258589.
  61. LaGasse A.B. Social outcomes in children with autism spectrum disorder: a review of music therapy outcomes. Patient Relat Outcome Meas 2017; 8: 23–32, https://doi.org/10.2147/prom.s106267.
  62. Chenausky K.V., Schlaug G. From intuition to intervention: developing an intonation-based treatment for autism. Ann N Y Acad Sci 2018; 1423(1): 229–241, https://doi.org/10.1111/nyas.13609.
  63. Weitlauf A.S., Sathe N., McPheeters M.L., Warren Z.E. Interventions targeting sensory challenges in autism spectrum disorder: a systematic review. Pediatrics 2017; 139(6): e20170347, https://doi.org/10.1542/peds.2017-0347.
  64. Lee B., Lee J., Cheon J.H., Sung H.K., Cho S.H., Chang G.T. The efficacy and safety of acupuncture for the treatment of children with autism spectrum disorder: a systematic review and meta-analysis. Evid Based Complement Alternat Med 2018; 2018: 1057539, https://doi.org/10.1155/2018/1057539.
  65. Field T. Massage therapy research review. Complement Ther Clin Pract 2016; 24: 19–31, https://doi.org/10.1016/j.ctcp.2016.04.005.
  66. Bittner M.D., Rigby B.R., Silliman-French L., Nichols D.L., Dillon S.R. Use of technology to facilitate physical activity in children with autism spectrum disorders: a pilot study. Physiol Behav 2017; 177: 242–246, https://doi.org/10.1016/j.physbeh.2017.05.012.
  67. Yu C.C.W., Wong S.W.L., Lo F.S.F., So R.C.H., Chan D.F.Y. Study protocol: a randomized controlled trial study on the effect of a game-based exercise training program on promoting physical fitness and mental health in children with autism spectrum disorder. BMC Psychiatry 2018; 18(1): 56, https://doi.org/10.1186/s12888-018-1635-9.
  68. Лодинова О.А. Игра как метод коррекции эмо­ционального развития детей с аутизмом. Научный аль­манах 2017; 6–1(32): 143–146.
  69. Lau H.M., Smit J.H., Fleming T.M., Riper H. Serious games for mental health: are they accessible, feasible, and effective? A systematic review and meta-analysis. Front Psychiatry 2017; 7: 209, https://doi.org/10.3389/fpsyt.2016.00209.
  70. Friedrich E.V., Sivanathan A., Lim T., Suttie N., Louchart S., Pillen S., Pineda J.A. An effective neurofeedback intervention to improve social interactions in children with autism spectrum disorder. J Autism Dev Disord 2015; 45(12): 4084–4100, https://doi.org/10.1007/s10803-015-2523-5.
  71. Arns M., Batail J.M., Bioulac S., Congedo M., Daudet C., Drapier D., Fovet T., Jardri R., Le-Van-Quyen M., Lotte F., Mehler D., Micoulaud-Franchi J.A., Purper-Ouakil D., Vialatte F.; NExT group. Neurofeedback: one of today’s techniques in psychiatry? Encephale 2017; 43(2): 135–145, https://doi.org/10.1016/j.encep.2016.11.003.
  72. Costa E., Silva J.A., Steffen R.E. The future of psychiatry: brain devices. Metabolism 2017; 69S: S8–S12, https://doi.org/10.1016/j.metabol.2017.01.010.
  73. Каплан А.Я. Нейрофизиологические основания и прак­тические реализации технологии мозг-машинных интер­фейсов в неврологической реабилитации. Физио­ло­гия человека 2016; 42(1): 118–127, https://doi.org/10.7868/s0131164616010100.
  74. Levitskaya O.S., Lebedev M.A. Brain-computer interface: the future in the present. Bulletin of Russian State Medical University 2016; 2: 4–15, https://doi.org/10.24075/brsmu.2016-02-01.
  75. Carelli L., Solca F., Faini A., Meriggi P., Sangalli D., Cipresso P., Riva G., Ticozzi N., Ciammola A., Silani V., Poletti B. Brain-computer interface for clinical purposes: cognitive assessment and rehabilitation. Biomed Res Int 2017; 2017: 1695290, https://doi.org/10.1155/2017/1695290.
  76. Волкова К.В., Дагаев Н.И., Киселев А.С., Касу­мов В.Р., Александров М.В., Осадчий А.Е. Интерфейс мозг-компьютер: опыт построения, использования и возможные пути повышения рабочих характеристик. Журнал высшей нервной деятельности им. И.П. Павлова 2017; 67(4): 504–520, https://doi.org/10.7868/s0044467717040128.
  77. Фролов А.А., Бобров П.Д. Интерфейс мозг-ком­пьютер: нейрофизиологические предпосылки и клини­чес­кое применение. Журнал высшей нервной деятельности им. И.П. Павлова 2017; 67(4): 365–376, https://doi.org/10.7868/s0044467717040013.
  78. Renton T., Tibbles A., Topolovec-Vranic J. Neurofeedback as a form of cognitive rehabilitation therapy following stroke: a systematic review. PLoS One 2017; 12(5): e0177290, https://doi.org/10.1371/journal.pone.0177290.
  79. Sitaram R., Ros T., Stoeckel L., Haller S., Scharnowski F., Lewis-Peacock J., Weiskopf N., Blefari M.L., Rana M., Oblak E., Birbaumer N., Sulzer J. Closed-loop brain training: the science of neurofeedback. Nat Rev Neurosci 2017; 18(2): 86–100, https://doi.org/10.1038/nrn.2016.164.
  80. Каплан А.Я., Кочетова А.Г., Шишкин С.Л., Ба­сюл И.А., Ганин И.П., Васильев А.Н., Либуркина С.П. Экспериментально-теоретические основания и практичес­кие реализации технологии «интерфейс мозг-компьютер». Бюллетень сибирской медицины 2013; 12(2): 21–29.
  81. McFarland D.J., Vaughan T.M. Brain-computer interface (BCI) in practice. Prog Brain Res 2016; 228: 389–404, https://doi.org/10.1016/bs.pbr.2016.06.005.
  82. Gaume A., Vialatte A., Mora-Sánchez A., Ramdani C., Vialatte F.B. A psychoengineering paradigm for the neurocognitive mechanisms of biofeedback and neurofeedback. Neurosci Biobehav Rev 2016; 68: 891–910, https://doi.org/10.1016/j.neubiorev.2016.06.012.
  83. Marzbani H., Marateb H.R., Mansourian M. Neurofeedback: a comprehensive review on system design, methodology and clinical applications. Basic Clin Neurosci 2016; 7(2): 143–158, https://doi.org/10.15412/j.bcn.03070208.
  84. Fedotchev А.I., Parin S.B., Polevaya S.A., Velikova S.D. Brain-computer interface and neurofeedback technologies: current state, problems and clinical prospects (review). Sovremennye tehnologii v medicine 2017; 9(1): 175–184, https://doi.org/10.17691/stm2017.9.1.22.
  85. Higdon R., Earl R.K., Stanberry L., Hudac C.M., Montague E., Stewart E., Janko I., Choiniere J., Broomall W., Kolker N., Bernier R.A., Kolker E. The promise of multi-omics and clinical data integration to identify and target personalized healthcare approaches in autism spectrum disorders. OMICS 2015; 19(4): 197–208, https://doi.org/10.1089/omi.2015.0020.
  86. Enriquez-Geppert S., Huster R.J., Herrmann C.S. EEG-neurofeedback as a tool to modulate cognition and behavior: a review tutorial. Front Hum Neurosci 2017; 11: 51, https://doi.org/10.3389/fnhum.2017.00051.
  87. Hurt E., Arnold L.E., Lofthouse N. Quantitative EEG neurofeedback for the treatment of pediatric attention-deficit/hyperactivity disorder, autism spectrum disorders, learning disorders, and epilepsy. Child Adolesc Psychiatr Clin N Am 2014; 23(3): 465–486, https://doi.org/10.1016/j.chc.2014.02.001.
  88. Pineda J.A., Carrasco K., Datko M., Pillen S., Schalles M. Neurofeedback training produces normalization in behavioural and electrophysiological measures of high-functioning autism. Philos Trans R Soc Lond B Biol Sci 2014; 369(1644): 20130183, https://doi.org/10.1098/rstb.2013.0183.
  89. Zivoder I., Martic-Biocina S., Kosic A.V., Bosak J. Neurofeedback application in the treatment of autistic spectrum disorders (ASD). Psychiatr Danub 2015; 27(Suppl 1): S39–S394.
  90. Wang Y., Sokhadze E.M., El-Baz A.S., Li X., Sears L., Casanova M.F., Tasman A. Relative power of specific EEG bands and their ratios during neurofeedback training in children with autism spectrum disorder. Front Hum Neurosci 2016; 9: 723, https://doi.org/10.3389/fnhum.2015.00723.
  91. Cheung S., Han E., Kushki A., Anagnostou E., Biddiss E. Biomusic: an auditory interface for detecting physiological indicators of anxiety in children. Front Neurosci 2016; 10: 401, https://doi.org/10.3389/fnins.2016.00401.
  92. Федотчев А.И., Радченко Г.С. Музыкальная терапия и «музыка мозга»: состояние, проблемы и перспективы исследований. Успехи физиологических наук 2013; 44(4): 35–50.
  93. Константинов К.В., Леонова М.К., Мирошников Д.Б., Клименко В.М. Особенности восприятия акустического образа собственной биоэлектрической активности голов­ного мозга. Российский физиологический журнал им. И.М. Сеченова 2014; 100(6): 710–721.
  94. Bergstrom I., Seinfeld S., Arroyo-Palacios J., Slater M., Sanchez-Vives M.V. Using music as a signal for biofeedback. Int J Psychophysiol 2014; 93(1): 140–149, https://doi.org/10.1016/j.ijpsycho.2013.04.013.
  95. Gui K., Liu H., Zhang D. Towards multimodal human-robot interaction to enhance active participation of users in gait rehabilitation. IEEE Trans Neural Syst Rehabil Eng 2017; 25(11): 2054–2066, https://doi.org/10.1109/tnsre.2017.2703586.
  96. Choi I., Rhiu I., Lee Y., Yun M.H., Nam C.S. A systematic review of hybrid brain-computer interfaces: taxonomy and usability perspectives. PLoS One 2017; 12(4): e0176674, https://doi.org/10.1371/journal.pone.0176674.
  97. Hong K.S., Khan M.J. Hybrid brain-computer interface techniques for improved classification accuracy and increased number of commands: a review. Front Neurorobot 2017; 11: 35, https://doi.org/10.3389/fnbot.2017.00035.
  98. Fedotchev A.I., Oh S.J., Semikin G.I. Combination of neurofeedback technique with music therapy for effective correction of stress-induced disorders. Sovremennye tehnologii v medicine 2014; 6(3): 60–63.
  99. Fedotchev A.I., Bondar A.T., Bakhchina A.V., Grigorieva V.N., Katayev A.A., Parin S.B., Radchenko G.S., Polevaya S.A. Transformation of patient’s EEG oscillators into music-like signals for correction of stress-induced functional states. Sovremennye tehnologii v medicine 2016; 8(1): 93–98, https://doi.org/10.17691/stm2016.8.1.12.
  100. Федотчев А.И., Бондарь А.Т., Бахчина А.В., Па­рин С.Б., Полевая С.А., Радченко Г.С. Музыкально-акустические воздействия, управляемые биопотенциалами мозга, в коррекции неблагоприятных функциональных состояний. Успехи физиологических наук 2016; 47(1): 69–79.
  101. Федотчев А.И. Стресс, его последствия для че­ловека и современные нелекарственные подходы к их устра­нению. Успехи физиологических наук 2009; 40(1): 77–91.
  102. О Сан Чжун, Семикин Г.И., Федотчев А.И. Ис­пользование прямых и обратных связей в системе че­ловек-машина при устранении рисков функциональной надежности специалиста. Живая психология 2015; 2(4): 291–300, https://doi.org/10.18334/lp.2.4.35130.
  103. Федотчев А.И., Земляная А.А., Полевая С.А., Сав­чук Л.В. Синдром дефицита внимания с гиперактивностью и современные возможности его лечения методом нейробиоуправления. Журнал неврологии и психиатрии им. C.C. Корсакова 2016; 116(5): 98–101, https://doi.org/10.17116/jnevro20161165198-101.
  104. Zemlyanaya A.A., Fedotchev A.I. Individual approaches to diagnosis and treatment of epilepsia (review). Sovremennye tehnologii v medicine 2018; 10(3): 204–212, https://doi.org/10.17691/stm2018.10.3.25.
  105. Friedrich E.V., Suttie N., Sivanathan A., Lim T., Louchart S., Pineda J.A. Brain-computer interface game applications for combined neurofeedback and biofeedback treatment for children on the autism spectrum. Front Neuroeng 2014; 7: 21, https://doi.org/10.3389/fneng.2014.00021.
  106. Федотчев А.И., Журавлев Г.И., Ексина К.И., Силантъева О.М., Полевая С.А. Оценка эффективности музы­кального ЭЭГ нейроинтерфейса с дополнительным кон­туром управления от сердечного ритма. Российский физиологический журнал им. И.М. Сеченова 2018; 104(1): 122–128.


Журнал базах данных

pubmed_logo.jpg

web_of_science.jpg

scopus.jpg

crossref.jpg

ebsco.jpg

embase.jpg

ulrich.jpg

cyberleninka.jpg

e-library.jpg

lan.jpg

ajd.jpg