典型的振荡大脑网络用于预测患有慢性偏头痛的患者
Fu-Jung Hsiao1, Wei-Ta Chen2,3,4,5, Yu-Te Wu2
1Brain Research Center, National Yang Ming Chiao Tung University, Taipei, Taiwan. fujunghsiao@gmail.com.
The journal of headache and pain
|October 17, 2023
概括
使用振荡连接的休息状态大脑网络分析准确识别了慢性偏头痛患者. 这种方法显示出客观,个性化的偏头痛诊断的前景.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 慢性偏头痛 (CM) 诊断依赖于临床标准,缺乏客观生物标志物.
- 了解CM的神经生理基础对于开发诊断工具至关重要.
研究的目的:
- 用振荡连接和机器学习来识别慢性偏头痛中的特定静止状态网络模式.
- 为了区分慢性偏头痛患者与健康对照者以及其他疼痛障碍患者.
主要方法:
- 利用了350名参与者的静止状态磁脑电图 (MEG) 数据 (CM,纤维肌痛,张力类型头痛,偶发性偏头痛,健康对照).
- 在关键大脑网络 (疼痛,默认模式,感觉运动,视觉,insula) 中分析了基于源的振荡连接 (1-40 Hz).
- 开发并验证了基于提取的网络特征进行分类的机器学习模型.
主要成果:
- 与对照人群相比,振荡连接揭示了CM患者的大脑网络显著异常.
- 在不同的疼痛障碍中观察到明显的振荡连接模式.
- 最好的机器学习模型在将CM与健康对照区分时达到>92.6%的准确性.
- 模型准确地将CM与其他患者组区分开来 (>75.7%的准确率).
结论:
- 与疼痛相关和默认模式网络中的振荡同步变化是慢性偏头痛的特征.
- 这些特定的大脑网络作为可靠的生物标志物用于识别慢性偏头痛.
- 这种神经生理学方法为客观和个性化的偏头痛诊断提供了潜力.
