识别每周疼痛严重程度的轨迹使用每日数据从一个mHealth研究:集群分析
Claire L Little1, David M Schultz2,3, Thomas House4
1Centre for Epidemiology Versus Arthritis, University of Manchester, Manchester, United Kingdom.
JMIR mHealth and uHealth
|July 19, 2024
概括
这项研究在慢性疼痛患者中确定了每周四个疼痛严重程度集群. 这些集群可以帮助预测未来的疼痛波动,并为疼痛预测模型的开发提供信息.
科学领域:
- 疼痛研究 疼痛研究
- 数据科学是数据科学.
- 医疗信息学 医疗信息学
背景情况:
- 慢性疼痛患者随着时间的推移表现出可变的疼痛严重程度.
- 现有的研究往往聚合稀疏的疼痛数据,需要对每周轨迹的日常数据进行分析.
- 了解每周的疼痛变化需要量化疼痛严重程度集群之间的运动.
研究的目的:
- 在慢性疼痛患者中识别常见的每周疼痛严重程度模式 (集群).
- 为开发疼痛变异性的预测模型奠定基础.
- 分析已识别的疼痛集群之间的过渡.
主要方法:
- 从移动健康研究数据中使用k-medoids算法对每周疼痛轨迹进行集群 (n=21,919).
- 敏感性分析以验证集群解决方案并评估数据结构假设.
- 过渡分析检查连续的每周疼痛集群之间的运动.
主要成果:
- 确定了四个不同的每周疼痛严重程度集群:没有/低,轻度,中度和严重的疼痛.
- 敏感性分析证实了四个集群解决方案的稳定性.
- 观察到人口统计学和特定疾病的差异,年轻人和患有纤维肌痛或神经病痛的人在严重疼痛集群中花费了更多时间. 男性在没有/低疼痛群中花费了更多时间. 集群之间的移动主要发生在相邻类别之间.
结论:
- 已识别的集群提供了慢性疼痛群体每周疼痛经历的简洁表示.
- 这些集群对未来研究集群之间和集群内部变异性有价值.
- 这些发现支持开发精确,以患者为中心的疼痛预测工具.
