Introducción
Los trastornos del espectro autista (TEA) son un complejo trastorno del neurodesarrollo que ha cautivado el interés de muchos investigadores. Se caracterizan por presentar alteraciones en la comunicación verbal y no verbal y en las interacciones sociales; además, presentan conductas restrictivas, repetitivas y estereotipadas [1,2]. Sólo el 10% de estos pacientes tiene una etiología conocida, y son los llamados síndromes autistas secundarios al síndrome del cromosoma X frágil, neurofibromatosis, exposición a la talidomida, entre otros, mientras que el 90% de los casos se considera idiopático y se conoce como síndromes autistas primarios [3].
Son pacientes muy heterogéneos, y en gran medida esta heterogeneidad está dada por la presencia de comorbilidades. Una de las más frecuentes es la epilepsia, que aumenta la gravedad del cuadro clínico de estos pacientes, generalmente con un déficit cognitivo asociado. El riesgo de desarrollar crisis es alto (5-46%) en comparación con la población general (0,5-1%), y uno de cada tres de estos niños presenta anomalías electroencefalográficas sin tener crisis [4,5].
Además del déficit intelectual, la edad también influye en la prevalencia de la epilepsia, y a los 5 años se observa el primer pico de mayor incidencia de aparición de la epilepsia, seguido de un segundo pico entre los 10-12 años, que trae como consecuencia un mayor deterioro cognitivo y del lenguaje [6].
Hace varios años se viene planteando que las alteraciones cognitivas y del neurodesarrollo en los pacientes autistas pueden tener como base un trastorno de la conectividad neural. Gracias al desarrollo de las neurociencias se han realizado varios estudios que abogan por la existencia de un déficit de conectividad (subconectividad) en las redes de media y larga distancia, mientras que otros plantean un exceso de conectividad (sobreconectividad) en las redes locales [7,8].
La gran mayoría de las investigaciones se ha realizado durante el estado funcional de vigilia y principalmente derivada de imágenes durante la realización de una tarea cognitiva [8-10]. Los estudios de imágenes han mostrado diferencias en la conectividad funcional de los niños autistas en comparación con los controles. Algunos de los estudios realizados describen una disminución de la conectividad cerebral durante la realización de una tarea cognitiva [11-14]; de igual manera, ciertos estudios han mostrado una reducción de la conectividad neural a corta distancia [13,15], mientras que otros notifican un aumento de la conectividad, tanto a larga [16] como a corta distancia [17,18].
El sueño desempeña un papel fundamental en la maduración cerebral y la consolidación de la memoria, y participa incluso en la regulación de la plasticidad cerebral [19], así que podría proporcionar información sobre los cambios que deben tener lugar para construir conexiones funcionales normales. En relación con esto, hemos encontrado informes de coherencia derivados del electroencefalograma (EEG), realizados durante este estado funcional en el autismo [19-21].
Hasta la fecha, no hallamos descripciones de conectividad funcional derivada del EEG en los subtipos de autismo en el estado funcional de sueño espontáneo. A pesar de ser tan frecuente la presencia de actividad epileptiforme interictal (AEI), ninguna de las investigaciones revisadas aborda los patrones de conectividad en su relación con la AEI, teniendo en cuenta que podríamos detectar patrones de conectividad funcional que permitirían detectar más tempranamente la posibilidad de desarrollar epilepsia en estos pacientes en un futuro. Por este motivo, en este estudio nos planteamos evaluar la conectividad funcional derivada del EEG en los subtipos de autismo durante el sueño no REM, así como su relación con la epileptogenicidad.
Pacientes y métodos
Diseño y población
Se realizó un estudio retrospectivo, en el período comprendido entre los años 2014-2016, en el Centro Internacional de Restauración Neurológica (CIREN). El universo estuvo conformado por pacientes pertenecientes al programa de investigación de biomarcadores en los TEA que se desarrolla en el CIREN, todos diagnosticados con TEA según los criterios del Manual diagnóstico y estadístico de los trastornos mentales, quinta edición (DSM-5). Los pacientes recibieron un programa de evaluación integral protocolizado en el CIREN que comprendía historia clínica, anamnesis, examen físico general y neurológico completo, neuropsicológico, neurofisiológico e inmunológico, así como exámenes de laboratorio que ayudaron a emitir su diagnóstico final.
De estos pacientes, se seleccionó una muestra de 27 niños de 3-13 años con el diagnóstico de TEA primario y secundario. La muestra fue dividida en dos grupos, un primer grupo constituido por 17 niños con diagnóstico de TEA primario y un segundo grupo de 10 niños con TEA secundario, según la etiología. Los pacientes debían cumplir los siguientes criterios: diagnóstico clínico de TEA primario y secundario según los criterios del DSM-5, pacientes con TEA entre 3 y 13 años, y pacientes con autismo primario y secundario con registros del EEG obtenidos durante el sueño espontáneo. Se excluyó a los pacientes con diagnóstico impreciso de TEA o comorbilidad con otras patologías, enfermedad sistémica grave y progresiva no relacionada con el sistema nervioso central, falta de cooperación durante los registros de EEG o registros de EEG con artefactos que dificulten la evaluación. Se contó con el consentimiento informado de los padres de los pacientes para participar en la investigación.
Del total de 17 pacientes con TEA primario, 12 (70,6%) eran de sexo masculino, con una edad media de 4,3 ± 1,96 años. El 35,3% de estos pacientes estaba en tratamiento con fármacos antiepilépticos. De los 10 pacientes con TEA secundario, siete (70%) eran de sexo masculino, con una edad media de 5,3 ± 3,6 años. El 50% estaba en tratamiento con fármacos antiepilépticos. En relación con la etiología, seis (60%) tenían una lesión estática del sistema nervioso central, uno (10%) presentó un síndrome del cromosoma X frágil y en tres (30%) se sospechaba trastorno genético (Tabla).
Tabla. Datos demográficos de la muestra.
|
|
Edad (años)
|
Sexo
|
Tipo de autismo
|
FAE
|
Etiología
|
Paciente 1
|
3
|
Femenino
|
Primario
|
–
|
–
|
Paciente 2
|
3
|
Femenino
|
Primario
|
–
|
–
|
Paciente 3
|
4
|
Masculino
|
Primario
|
CBZ
|
–
|
Paciente 4
|
4
|
Femenino
|
Primario
|
VPA
|
–
|
Paciente 5
|
3
|
Masculino
|
Primario
|
CBZ
|
–
|
Paciente 6
|
7
|
Masculino
|
Primario
|
–
|
–
|
Paciente 7
|
3
|
Masculino
|
Primario
|
–
|
–
|
Paciente 8
|
3
|
Masculino
|
Primario
|
–
|
–
|
Paciente 9
|
6
|
Masculino
|
Primario
|
–
|
–
|
Paciente 10
|
8
|
Masculino
|
Primario
|
CBZ
|
–
|
Paciente 11
|
9
|
Masculino
|
Primario
|
RPD
|
–
|
Paciente 12
|
4
|
Masculino
|
Primario
|
–
|
–
|
Paciente 13
|
3
|
Femenino
|
Primario
|
–
|
–
|
Paciente 14
|
3
|
Femenino
|
Primario
|
–
|
–
|
Paciente 15
|
3
|
Masculino
|
Primario
|
CBZ, RPD
|
–
|
Paciente 16
|
3
|
Masculino
|
Primario
|
–
|
–
|
Paciente 17
|
4
|
Masculino
|
Primario
|
–
|
–
|
Paciente 18
|
11
|
Masculino
|
Secundario
|
CBZ, VPA
|
LESNC
|
Paciente 19
|
3
|
Femenino
|
Secundario
|
–
|
STG
|
Paciente 20
|
5
|
Masculino
|
Secundario
|
CBZ
|
SXF
|
Paciente 21
|
4
|
Femenino
|
Secundario
|
CBZ, VPA
|
STG
|
Paciente 22
|
3
|
Masculino
|
Secundario
|
CBZ, VPA
|
LESNC
|
Paciente 23
|
13
|
Masculino
|
Secundario
|
CBZ
|
LESNC
|
Paciente 24
|
4
|
Masculino
|
Secundario
|
–
|
LESNC
|
Paciente 25
|
3
|
Masculino
|
Secundario
|
–
|
LESNC
|
Paciente 26
|
4
|
Femenino
|
Secundario
|
–
|
STG
|
Paciente 27
|
3
|
Masculino
|
Secundario
|
–
|
LESNC
|
CBZ: carbamacepina; FAE: fármacos antiepilépticos; LESNC: lesión estática del sistema nervioso central; RPD: risperidona; STG: sospecha de trastorno genético, SXF: síndrome X frágil; VPA: ácido valproico.
|
Variables del estudio
El tipo de autismo se clasificó en autismo primario cuando no se pudo demostrar su etiología y secundario cuando se asoció a otras patologías, como cromosoma X frágil, neurofibromatosis, lesión estática del sistema nervioso central o ingestión de talidomida, entre otras. Al realizar el análisis de la actividad epileptiforme interictal se consideró como actividad epileptiforme la presencia de paroxismos (puntas, polipuntas, punta-ondas, polipunta-ondas, ondas lentas angulares y ondas lentas de presentación paroxística). Para determinar la frecuencia de descarga de la actividad epileptiforme interictal se cuantificó la actividad epileptiforme en el tiempo total de sueño de la etapa N2 del sueño no REM. Para esto se calculó la frecuencia de descarga de la actividad epileptiforme interictal (FDAEI) cuantificando el número de paroxismos presentes en el registro desde el inicio de la etapa N2 hasta el final de ésta, dividiéndolo por el tiempo total de duración de la etapa N2.
Recogida de los datos
Los EEG se realizaron de manera continua con una duración mínima de 45 minutos a una frecuencia de muestreo de 200 Hz, mediante el equipo MEDICID V Amplifier System (Neuronic, Cuba), a partir de 19 electrodos activos de Ag-Cl sobre el cuero cabelludo (Fp1, Fp2, F7, F8, F3, F4, C3, C4, T5, T6, T3, T4, P3, P4, O1, O2, Fz, Cz y Pz), según el sistema internacional 10/20. La referencia se colocó entre Cz y Pz, debido a la atenuación de voltaje en las regiones temporales cuando se usa en ambas orejas. El filtraje se realizó con un pasabandas de 0,5-30 Hz (12 dB/oct.). A todos los pacientes se les indicó asistir a la consulta con el cuero cabelludo libre de grasa e impurezas (previo su lavado), sin aplicación de gel, cremas o aceites que pudieran aumentar la resistencia de la piel al contacto con los electrodos. Se limpió antes de registrar la zona correspondiente a los electrodos con gel abrasivo y alcohol, y éstos se fijaron con pasta conductora. La impedancia se mantuvo por debajo de 5 kΩ. La clasificación de las fases del sueño se realizó de forma manual, se escogió la etapa N2 para el análisis de los datos, con una duración mínima de 5 minutos y máxima de 20 minutos. Se seleccionaron 16 ventanas libres de artefactos de los registros del EEG para el análisis espectral.
Análisis de conectividad derivada del EEG
Se analizó la conectividad funcional calculada a partir de la sincronización entre los electrodos, así como las propiedades de la red derivada de ella a partir de los datos obtenidos del EEG en el estado funcional de sueño espontáneo durante la etapa N2 del sueño no REM. En todos los segmentos seleccionados se calculó la matriz de sincronización espacial entre los electrodos. Se determinó para las cuatro bandas de frecuencia alfa, beta, theta y delta. Para el análisis de las bandas de frecuencia se tomaron los rangos: alfa, 8-12 Hz; beta, 13-20 Hz; theta, 4-7 Hz; y delta, 1-4 Hz. La sincronización espacial evalúa rangos entre 1 (alta sincronización) y 0 (baja sincronización o desincronización). El cálculo de las medidas de sincronización espacial fue realizado mediante el uso de un programa interno desarrollado en el Centro de Neurociencias de Cuba [22].
Análisis topológico de la red
El análisis teórico de grafos se realizó a partir de la matriz de sincronización de todas las combinaciones posibles de electrodos. Para estos análisis se utilizó una programación implementada en Madlab R2008b. Los parámetros que se evaluaron fueron: el coeficiente de clusterización (proporción de conexiones entre los vecinos más cercanos relativos al máximo número de conexiones posibles), la longitud del camino medio (mínimo número de aristas que deben transcurrir de un nodo a otro; refleja la eficiencia de comunicación en una red), la eficiencia local (refleja cuán conectados están los nodos vecinos, subred local), la eficiencia global (cuán conectado está cualquier par de nodos) y la conectividad global (conectividad global de cada canal con el resto).
Análisis estadístico
Para establecer las diferencias entre las matrices de sincronización de los dos grupos evaluados se aplicó un test de permutaciones implementado en Matlab.
Para el resto del procesamiento estadístico se utilizó el programa Statistica v. 8.0. Para el análisis de las diferencias entre los subtipos de autismos en relación con variables cuantitativas se utilizó el test t para muestras independientes. Para el análisis de las diferencias entre los subtipos de autismos en relación con variables categóricas se utilizó la U de Mann-Whitney. La correlación de Spearman se usó para la correlación entre la FDAEI y las propiedades topológicas de las redes. Se estableció el valor de significación p < 0,05 en todos los casos.
Resultados
Los pacientes con TEA secundario tienen una disminución de la sincronización para la frecuencia alfa y un incremento para la frecuencia theta y delta, predominando la región frontocentral en comparación con los TEA primarios, en los que predomina en la región centrotemporal, aunque no comparten los mismos pares de electrodos en ninguno de los casos. Este resultado se obtuvo a partir del análisis de las matrices de sincronización, y el nivel o fuerza de las conexiones estadísticamente significativas entre los dos grupos de autismo primario y secundario se representó mediante gráficos (Fig. 1).
Figura 1. Conexiones estadísticamente significativas para los dos grupos de autismo primario (TEA-P) y secundario (TEA-S) en las frecuencias alfa, theta y delta; test de permutaciones menores de 0,05. Las figuras que representan los TEA-S muestran el aumento de las conexiones (conexiones representadas con el color rojo) entre los pares de electrodos para el grupo de los TEA-S y las figuras que representan los TEA-P muestran el aumento de las conexiones entre los pares de electrodos para el grupo de los TEA-P (conexiones representadas con el color azul). Véase que los TEA-S tienen una disminución de la sincronización para la frecuencia del alfa y un incremento para las frecuencias theta y delta, en los que predomina la región frontocentral, en comparación con los TEA-P, en los que predomina en la región centrotemporal.
Al comparar las propiedades topológicas de la red obtenidas a partir de las matrices de sincronización, los pacientes con TEA primario se comportaron de forma similar a la de los pacientes con TEA secundario, y no se hallaron diferencias estadísticamente significativas entre los dos grupos de autismo.
Se analizaron las diferencias en las propiedades topológicas de la red para todas las bandas de frecuencia en función de la presencia o ausencia de AEI para ambos grupos de autismo. La figura 2 muestra la eficiencia local alfa en función de la presencia o ausencia de AEI en los pacientes con TEA primario y TEA secundario evaluados. Se encontró que la eficiencia local alfa fue mayor en los pacientes que presentaban AEI en comparación con los que no tenían AEI, lo que resultó estadísticamente significativo (p = 0,03). La clusterización alfa mostró una tendencia al aumento, aunque no alcanzó la significación estadística. En el resto de las propiedades de redes no se encontraron diferencias significativas asumiendo la muestra total.
Figura 2. Diferencias en la eficiencia local alfa en función de la presencia (1) o ausencia (2) de actividad epileptiforme interictal (AEI). Nótese que la eficiencia local alfa fue mayor en los pacientes con autismo primario y secundario con AEI (test t; p = 0,03).
Cuando evaluamos estas diferencias para cada uno de los grupos de autismo considerados en el estudio por separado, no encontramos diferencias estadísticamente significativas en las propiedades topológicas de la red en función de la AEI. Sin embargo, en los pacientes con TEA secundario se constata una tendencia a valores mayores de clusterización alfa y eficiencia local alfa en los pacientes que presentaron AEI, mientras que la eficiencia global beta mostró una tendencia a valores más bajos en los pacientes con AEI.
A nuestro juicio, estos resultados parecen depender del grupo de los niños con TEA secundario porque, aunque no alcanzaran la significación estadística, se encontró una tendencia al aumento de las propiedades de redes: clusterización alfa, eficiencia local alfa y disminución de la eficiencia global beta en los pacientes con AEI.
Cuando se realizó la correlación entre la FDAEI durante la etapa N2 del sueño no REM y las propiedades de redes en los pacientes con TEA, se evidenciaron correlaciones estadísticamente significativas solo en los pacientes con TEA secundario. Como se muestra en la figura 3, se observó una correlación positiva estadísticamente significativa entre la clusterización, la conectividad global y la eficiencia local alfa, así como la conectividad global beta con la FDAEI. En la medida que aumentó la FDAEI, aumentaron las propiedades de las redes mencionadas.
Figura 3. Correlación entre la frecuencia de descarga de la actividad epileptiforme interictal (FDAEI) y las propiedades de redes (clusterización alfa, conectividad global alfa, conectividad global beta y eficiencia local alfa) para dos grupos de autismo primario y secundario (correlación de Spearman).
En la figura 4, al igual que en la 3, sólo se obtuvieron correlaciones estadísticamente significativas para los pacientes con TEA secundario, y se presentan las correlaciones negativas entre estas variables; como se aprecia, en la medida que aumentó la FDAEI, disminuyeron la eficiencia global y la longitud del camino alfa, así como la eficiencia global y la longitud del camino beta.
Figura 4. Correlación entre la frecuencia de descarga de la actividad epileptiforme interictal (FDAEI) y las propiedades de redes (eficiencia global alfa, eficiencia global beta, longitud del camino alfa y longitud del camino beta) para dos grupos de autismo primario y secundario (correlación de Spearman).
Discusión
En nuestro estudio, identificamos diferencias significativas en los patrones de conectividad funcional derivados del EEG para todas las bandas de frecuencias, excepto la frecuencia beta durante la etapa II del sueño no REM en niños con autismo primario y secundario; sin embargo, no se precisan diferencias entre estos grupos en las propiedades topológicas de la red, lo que a nuestro juicio sugiere que ambos tipos de autismo presentan patrones de conectividad funcional distintivos, en tanto comparten similitud en la integridad y segregación de las redes funcionales.
Aun cuando no encontramos hasta la fecha en la bibliografía investigaciones que comparen los patrones de conectividad funcional durante el sueño en pacientes con autismo primario y secundario, existen al menos tres estudios de conectividad funcional derivada del EEG durante el sueño en TEA. En 2015, Buckley et al notificaron un aumento de la coherencia en los niños autistas durante el sueño de ondas lentas cuando lo compararon con niños con trastornos del desarrollo y controles sanos. Estos autores solo encontraron mínimas diferencias entre los grupos durante el estado de vigilia [19].
Los otros dos estudios se publicaron en 2010. En el primero de ellos, Leveille et al encontraron un aumento de la coherencia del EEG intrahemisférica que involucró la corteza visual primaria tanto en conexiones de corta como de larga distancia. Este estudio se realizó en un grupo de pacientes autistas adultos que se compararon con controles sanos de la misma edad. Sólo un par de electrodos mostraron una disminución significativa de la coherencia en el grupo de autismo en comparación con el grupo control, localizados en el área frontal derecha. No se encontraron diferencias significativas interhemisféricas [20].
El segundo de estos estudios fue realizado por Lazar et al en 18 niños y adolescentes con síndrome de Asperger y coeficiente intelectual normal comparados con niños controles sanos durante el sueño no REM. A diferencia del anterior, en este estudio se describe una disminución de los patrones de coherencia intrahemisférica en el área frontocentral derecha en el grupo de autismo. Como en el estudio anterior, no se hallaron diferencias significativas en los patrones de coherencia interhemisféricos [21].
En ninguno de nuestros pacientes se realizó el diagnostico electroclínico de epilepsia. Se conoce que la epilepsia en el autismo es una de las comorbilidades de mayor importancia no sólo por lo frecuente que resulta ser, sino también por la repercusión sobre la salud y el comportamiento de los niños autistas que la padecen. Está bien demostrado que esta coocurrencia entre el autismo y la epilepsia empeora el cuadro clínico de estos niños, volviéndolos más irritables, agresivos consigo mismos y con los demás, y su déficit intelectual y cognitivo aumenta [5,23,24].
Nuestros resultados evidenciaron que los pacientes que presentaron AEI tenían un aumento de la segregación y una disminución de la integración de las conexiones relacionadas fundamentalmente con la frecuencia alfa. Estos resultados parecen depender del grupo de los niños con TEA secundario, en los que constatamos además que, al incrementarse la frecuencia de descarga de la AEI, aumentó a su vez la segregación para la frecuencia alfa y disminuyó la integración para las frecuencias alfa y beta.
Los pacientes con TEA secundario tienen mayor probabilidad de padecer epilepsia, y síntomas y signos neurológicos y retraso mental grave en comparación con los pacientes con TEA primario según lo descrito por varios autores [4,25,26], por lo que estos resultados serían esperables teniendo en cuenta que esas diferencias entre los grupos de pacientes aumentarían la probabilidad de que se modifiquen los patrones de conectividad funcional.
A pesar de que en los últimos años se han realizado múltiples estudios de conectividad, tanto anatómica como funcional, apelando a la evidencia de que tanto los estudios de imágenes como los neurofisiológicos podrían ser la clave para entender la fisiopatología del autismo [27-29], no encontramos ninguna investigación de conectividad funcional en pacientes autistas que relacione los cambios de la conectividad con la presencia o ausencia de epilepsia o AEI, teniendo en cuenta que uno de cada tres niños presenta anomalías electroencefalográficas sin tener crisis [4,5].
En las epilepsias en sentido general, los cambios en la conectividad funcional se han relacionado mayormente con un incremento de la sincronización del EEG, principalmente relacionados con el sitio de inicio de las crisis, y este hallazgo está muy relacionado con el tipo de epilepsia en cuestión; las epilepsias focales son las más estudiadas, como es el caso de la epilepsia mesial focal del lóbulo temporal [30,31].
Se han encontrado evidencias de que la conectividad funcional tiene un valor pronóstico en las cirugías resectivas. En relación con esto, un reciente estudio realizado por Antony et al [32] mostró que el 90% de los pacientes que presentaron conexiones funcionales bajas y homogéneas se mantuvo libre de crisis; sin embargo, las crisis persistieron en el 85% de los pacientes que mostraron conexiones más fuertes y heterogéneas en diferentes regiones del lóbulo temporal (cabeza del hipocampo, cola del hipocampo, amígdala, giro temporal superior, giro temporal medial, giro temporal inferior, giro fusiforme, giro parahipocampal y polo temporal).
De manera general, y como se ha planteado por otros autores [33], estos resultados muestran que mientras más sincronizada esté la conectividad funcional en una zona determinada y esta zona se reseque durante la cirugía, el paciente tendrá un mejor pronóstico.
Schevon et al [34] analizaron la actividad interictal en pacientes con epilepsias focales intratables y encontraron una hipersincronización local en zonas cercanas al sitio de generación de las crisis. La resección de esas áreas se asoció a la abolición de crisis o a una sustancial mejoría clínica, lo cual sugiere que la hipersincronización local podría considerarse un marcador de epileptogenicidad más específico que las descargas epilépticas interictales. Apoyando estos resultados, Douw et al [35] encontraron que los pacientes sin diagnóstico de epilepsia, pero con sospecha de ella y un primer EEG realizado sin descargas epileptiformes interictales, mostraron un aumento de la sincronización en la banda theta, lo que resultó ser un importante factor pronóstico del diagnóstico de epilepsia.
El incremento de la conectividad funcional local y su correlación con la FDAEI en pacientes con TEA secundario evidenciado en nuestro estudio podrían ser indicadores de epileptogenicidad en estos pacientes, aun cuando no presenten crisis epilépticas. Esta inferencia resulta plausible si extrapolamos los hallazgos descritos en la bibliografía con relación a la conectividad funcional en las epilepsias, y especialmente en la epilepsia del lóbulo temporal.
Por tanto, tras los resultados obtenidos en nuestro estudio, es importante tener en cuenta para futuras investigaciones aumentar el tamaño de la muestra que se estudie, lo que permitiría hacer un mejor análisis de los resultados, y realizar polisomnografías al total de los pacientes que permitieran seleccionar un mayor número de ventanas libres de artefactos para el análisis espectral. Esto facilitaría además la posibilidad de estudiar otras etapas del sueño, estado funcional tan afectado en los niños autistas, y sería de mucha utilidad incluir un grupo control que facilite la interpretación de los resultados, así como incluir un grupo de pacientes con diagnóstico de autismo y epilepsia para correlacionar los datos obtenidos; estas limitaciones dan paso a posibles investigaciones futuras.
En conclusión, los pacientes con TEA secundario muestran patrones de conectividad funcional más débiles para la frecuencia alfa y más fuertes para la theta y delta que los pacientes con TEA primario. La integridad y la segregación de las redes funcionales derivadas del EEG durante el sueño no REM resultan similares en los subtipos de autismo evaluados. En pacientes con autismo secundario, la actividad epileptiforme interictal se relaciona con la conectividad local y global de la red para las bandas de frecuencia alfa y beta durante el sueño no REM. Las propiedades intrínsecas de las redes funcionales evaluadas reflejaron patrones similares en los pacientes con autismo primario ligero y moderado.
Bibliografía
↵ 1. Campbell DJ, Chang J, Chawarska K. Early generalized overgrowth in autism spectrum disorder: prevalence rates, gender effects, and clinical outcomes. J Am Acad Child Adolesc Psychiatry 2014; 53: 1063-73.
↵ 2. Cheuk S, Lashewicz B. How are they doing? Listening as fathers of children with autism spectrum disorder compare themselves to fathers of children who are typically developing. Autism 2016; 20: 343-52.
↵ 3. Engel SM, Daniels JL. On the complex relationship between genes and environment in the etiology of autism. Epidemiology 2011; 22: 486-8.
↵ 4. Parmeggiani A, Barcia G, Posar A, Raimondi E, Santucci M, Scaduto MC. Epilepsy and EEG paroxysmal abnormalities in autism spectrum disorders. Brain Dev 2010; 32: 783-9.
↵ 5. Shubrata KS, Sinha S, Seshadri SP, Girimaji S, Subbakrishna DK, Srinath S. Childhood autism spectrum disorders with and without epilepsy: clinical implications. J Child Neurol 2015; 30: 476-82.
↵ 6. Volkmar F, Chawarska K, Klin A. Autism in infancy and early childhood. Annu Rev Psychol 2005; 56: 315-36.
↵ 7. Palau-Baduell M, Salvadó-Salvadó B, Clofent-Torrentó M, Valls-Santasusana A. Autismo y conectividad neural. Rev Neurol 2012; 54 (Supl 1): S31-9.
↵ 8. Crippa A, Del Vecchio G, Busti Ceccarelli S, Nobile M, Arrigoni F, Brambilla P. Cortico-cerebellar connectivity in autism spectrum disorder: what do we know so far? Front Psychiatry 2016; 7: 20.
↵ 9. Assaf M, Jagannathan K, Calhoun VD, Miller L, Stevens MC, Sahl R, et al. Abnormal functional connectivity of default mode sub-networks in autism spectrum disorder patients. Neuroimage 2010; 53: 247-56.
↵ 10. Plitt M, Barnes KA, Martin A. Functional connectivity classification of autism identifies highly predictive brain features but falls short of biomarker standards. Neuroimage Clin 2015; 7: 359-66.
↵ 11. Weng SJ, Wiggins JL, Peltier SJ, Carrasco M, Risi S, Lord C, et al. Alterations of resting state functional connectivity in the default network in adolescents with autism spectrum disorders. Brain Res 2010; 1313: 202-14.
↵ 12. Koshino H, Kana RK, Keller TA, Cherkassky VL, Minshew NJ, Just MA. fMRI investigation of working memory for faces in autism: visual coding and underconnectivity with frontal areas. Cereb Cortex 2008; 18: 289-300.
↵ 13. Just MA, Cherkassky VL, Keller TA, Kana RK, Minshew NJ. Functional and anatomical cortical underconnectivity in autism: evidence from an fMRI study of an executive function task and corpus callosum morphometry. Cereb Cortex 2007; 17: 951-61.
↵ 14. Cherkassky VL, Kana RK, Keller TA, Just MA. Functional connectivity in a baseline resting-state network in autism. Neuroreport 2006; 17: 1687-90.
↵ 15. Kana RK, Libero LE, Moore MS. Disrupted cortical connectivity theory as an explanatory model for autism spectrum disorders. Phys Life Rev 2011; 8: 410-37.
↵ 16. Supekar K, Uddin LQ, Khouzam A, Phillips J, Gaillard WD, Kenworthy LE, et al. Brain hyperconnectivity in children with autism and its links to social deficits. Cell Rep 2013; 5: 738-47.
↵ 17. Lewis JD, Theilmann RJ, Townsend J, Evans AC. Network efficiency in autism spectrum disorder and its relation to brain overgrowth. Front Hum Neurosci 2013; 7: 845.
↵ 18. Keown CL, Shih P, Nair A, Peterson N, Mulvey ME, Muller RA. Local functional overconnectivity in posterior brain regions is associated with symptom severity in autism spectrum disorders. Cell Rep 2013; 5: 567-72.
↵ 19. Buckley AW, Scott R, Tyler A, Mahoney JM, Thurm A, Farmer C, et al. State-dependent differences in functional connectivity in young children with autism spectrum disorder. EBioMedicine 2015; 2: 1905-15.
↵ 20. Leveille C, Barbeau EB, Bolduc C, Limoges E, Berthiaume C, Chevrier E, et al. Enhanced connectivity between visual cortex and other regions of the brain in autism: a REM sleep EEG coherence study. Autism Res 2010; 3: 280-5.
↵ 21. Lazar AS, Lazar ZI, Biro A, Gyori M, Tárnok Z, Prekop C, et al. Reduced fronto-cortical brain connectivity during NREM sleep in Asperger syndrome: an EEG spectral and phase coherence study. Clin Neurophysiol 2010; 121: 1844-54.
↵ 22. Herrera-Díaz A, Mendoza-Quiñones R, Melie-García L, Martínez-Montes E, Sanabria-Díaz G, Romero-Quintana Y, et al. Functional connectivity and quantitative EEG in women with alcohol use disorders: a resting-state study. Brain Topogr 2016; 29: 368-81.
↵ 23. Buckley AW, Holmes GL. Epilepsy and autism. Cold Spring Harb Perspect Med 2016; 6: a022749.
↵ 24. Spence SJ, Schneider MT. The role of epilepsy and epileptiform EEGs in autism spectrum disorders. Pediatr Res 2009; 65: 599-606.
↵ 25. Pavone P, Incorpora G, Flumara A, Parano E, Trifiletti RR, Ruggieri M. Epilepsy is not a prominent feature of primary autism. Neuropediatrics 2004; 35: 207-10.
↵ 26. Miles JH, Takahashi TN, Bagby S, Sahota PK, Vaslow DF, Wang CH, et al. Essential versus complex autism: definition of fundamental prognostic subtypes. Am J Med Genet A 2005; 135: 171-80.
↵ 27. Casanova M, Trippe J. Radial cytoarchitecture and patterns of cortical connectivity in autism. Philos Trans R Soc Lond B Biol Sci 2009; 364: 1433-6.
↵ 28. Dinstein I, Pierce K, Eyler L, Solso S, Malach R, Behrmann M, et al. Disrupted neural synchronization in toddlers with autism. Neuron 2011; 70: 1218-25.
↵ 29. Muller RA, Shih P, Keehn B, Deyoe JR, Leyden KM, Shukla DK. Underconnected, but how? A survey of functional connectivity MRI studies in autism spectrum disorders. Cereb Cortex 2011; 21: 2233-43.
↵ 30. Horstmann MT, Bialonski S, Noennig N, Mai H, Prusseit J, Wellmer J, et al. State dependent properties of epileptic brain networks: comparative graph-theoretical analyses of simultaneously recorded EEG and MEG. Clin Neurophysiol 2010; 121: 172-85.
↵ 31. Bettus G, Wendling F, Guye M, Valton L, Regis J, Chauvel P, et al. Enhanced EEG functional connectivity in mesial temporal lobe epilepsy. Epilepsy Res 2008; 81: 58-68.
↵ 32. Antony AR, Alexopoulos AV, González-Martínez JA, Mosher JC, Jehi L, Burgess RC, et al. Functional connectivity estimated from intracranial EEG predicts surgical outcome in intractable temporal lobe epilepsy. PLoS One 2013; 8: e77916.
↵ 33. Pastor J, Sola RG, Vega-Zelaya L, Garnés O, Ortega GJ. Conectividad funcional y redes complejas en el estudio de la epilepsia focal. Implicaciones fisiopatológicas y terapéuticas. Rev Neurol 2014; 58: 411-9.
↵ 34. Schevon CA, Cappell J, Emerson R, Isler J, Grieve P, Goodman R, et al. Cortical abnormalities in epilepsy revealed by local EEG synchrony. Neuroimage 2007; 35: 140-8.
↵ 35. Douw L, De Groot M, Van Dellen E, Heimans JJ, Ronner HE, Stam CJ, et al. ‘Functional connectivity’ is a sensitive predictor of epilepsy diagnosis after the first seizure. PLoS One 2010; 5: e10839.
Functional connectivity derived from an electroencephalogram during non-REM sleep in autism spectrum disorders
Aim. To know the differences in the patterns of functional connectivity, the topological characteristics of the network and the relationship between these latter and the interictal epileptiform anomalies in children with primary and secondary autism spectrum disorder (ASD).
Patients and methods. A retrospective study was conducted with 27 children aged between 3 and 13 years diagnosed with ASD. Subjects were submitted to an electroencephalogram in a functional state of spontaneous sleep. Functional connectivity and the properties of the network were analysed using data obtained from the electroencephalogram during the N2 stage of non-REM sleep. The frequency of discharge of the interictal epileptiform activity (FDIEA) was determined and was correlated with the topological properties of the network.
Results. Synchronisation was diminished in patients with secondary ASD for the alpha frequency and increased for the theta and delta frequency compared with patients with primary ASD. Local alpha efficiency was higher in patients who presented interictal epileptiform activity. Additionally, in patients with secondary ASD there was a statistically significant positive and negative correlation between FDIEA and the topological properties of the network.
Conclusions. Patients with secondary ASD display patterns of functional connectivity that are weaker for the alpha frequency and stronger for theta and delta than patients with primary ASD. In patients with secondary ASD, the interictal epileptiform activity is related to local and global connectivity of the network for the alpha and beta bands during non-REM sleep.
Key words. Electroencephalogram. Functional connectivity. Interictal epileptiform activity. Primary autism spectrum disorder. Secondary autism spectrum disorder.
|
© 2018 Revista de Neurología