Ein multivariates maschinelles Lernmodell, das multimodale Neuroimaging- und autonome Metriken kombiniert, sagte die klinische Schmerzintensität innerhalb der Patienten genau voraus (Genauigkeit 92,45%, AUC 0,97).
Beobachtungsstudie (n=53)
Kann ein multivariates maschinelles Lernmodell, das bildgebende Verfahren des Gehirns und autonome Aktivität nutzt, die klinische Schmerzintensität bei Patienten mit chronischen Rückenschmerzen genau vorhersagen?
Ein maschinelles Lernmodell, das bildgebende Verfahren des Gehirns und Herzfrequenzvariabilität kombiniert, kann klinische Schmerzintensitätszustände bei Patienten mit chronischen Rückenschmerzen genau vorhersagen und bietet einen potenziellen objektiven Biomarker zur Schmerzbewertung.
Effect estimate: AUC 0.97
Obwohl Selbstberichtsbewertungen von Schmerzen der Goldstandard in der klinischen Schmerzbewertung sind, sind sie von Natur aus subjektiv und werden erheblich von multidimensionalen Kontextvariablen beeinflusst. Obwohl objektive Biomarker für Schmerzen die Schmerzdiagnose und die Entwicklung neuer Therapien erheblich unterstützen könnten, waren zuverlässige Marker für klinische Schmerzen schwer zu finden. In dieser Studie wurden individualisierte körperliche Manöver eingesetzt, um klinische Schmerzen bei Patienten mit chronischen Rückenschmerzen (N = 53) zu verschärfen, wodurch experimentell niedrigere und höhere Schmerzphasen erzeugt wurden. Multivariate maschinelle Lernmodelle wurden dann aus Gehirnbildgebungs- (Ruhezustand blut-sauerstoffabhängige und arterielle Spinlabeling Funktionsbildgebung) und autonomen Aktivitätsmerkmalen (Herzfrequenzvariabilität) entwickelt, um die klinische Schmerzintensität innerhalb der Patienten (d.h. niedrigere vs. höhere Schmerzen) vorherzusagen, und dann angewendet, um die klinischen Schmerzbewertungen zwischen den Patienten mit unabhängigen Trainings- und Testdaten zu prognostizieren. Die Klassifikation innerhalb der Patienten zwischen niedrigerer und höherer klinischer Schmerzintensität zeigte die beste Leistung (Genauigkeit = 92,45%, Fläche unter der Kurve = 0,97), als alle 3 multimodalen Parameter kombiniert wurden. Die Vorhersage der klinischen Schmerzintensität zwischen den Patienten unter Verwendung unabhängiger Trainings- und Testdatensätze zeigte ebenfalls eine signifikante Vorhersage über die Schmerzbewertungen unter Verwendung des kombinierten Modells (Pearsons r = 0,63). Die Klassifikation von erhöhtem Schmerz wurde durch einen erhöhten zerebralen Blutfluss im Thalamus sowie im präfrontalen und posterioren cingulären Cortex und durch erhöhte primäre somatosensorische Konnektivität zum frontoinsulären Cortex gewichtet. Unser Ansatz des maschinellen Lernens führt ein Modell mit putativen Biomarkern für klinische Schmerzen und mehrere klinische Anwendungen neben dem Selbstbericht ein, von der Schmerzbewertung bei nichtkommunikativen Patienten bis hin zur Identifikation objektiver Schmerz-Ändern-Phänotypen, die in zukünftiger Längsschnittforschung verwendet werden können, die darauf abzielt, neue Ansätze zur Bekämpfung chronischer Schmerzen zu entdecken.
Lee et al. (Mittw,) führten eine Beobachtungsstudie zu chronischen Rückenschmerzen (n=53) durch. Multivariate maschinelle Lernmodelle unter Verwendung von Gehirnbildgebung und autonomen Aktivitäten wurden für die Klassifikation innerhalb der Patienten zwischen niedrigerer und höherer klinischer Schmerzintensität (AUC 0,97) bewertet. Ein multivariates maschinelles Lernmodell, das multimodale Neuroimaging- und autonome Metriken kombiniert, sagte die klinische Schmerzintensität innerhalb der Patienten genau voraus (Genauigkeit 92,45%, AUC 0,97).
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: