在偏头痛中使用隐藏的马尔科夫模型灵活建模头痛频率波动

科学领域:

• 神经学 神经学
• 数据科学数据科学数据科学
• 生物统计学 生物统计学

背景情况:

• 偏头痛的频率随着时间的推移而变化,影响诊断和治疗.
• 目前的插曲性和慢性偏头痛分类不能完全捕捉到这种自然变异.
• 了解头痛频率动态对于患者管理至关重要.

研究的目的:

• 探索隐藏的马尔科夫模型 (HMM) 来定义偏头痛频率组.
• 基于经验数据,开发出更细致的偏头痛分类系统.
• 为了考虑到每月头痛频率的自然变化.

主要方法:

• 利用了美国偏头痛研究登记处 (ARMR) 纵向研究的数据.
• 分析了美国成年偏头痛患者的季度问卷和每日头痛日记.
• 将一系列隐藏的马尔科夫模型 (HMM) 匹配到每月头痛频率数据中.

主要成果:

• 一个四态HMM最适合数据,具有不同的平均月度头痛频率.
• 47%的月度转变显示头痛频率的变化很小 (0-1天).
• 12%的过渡越过了慢性偏头痛的值,其中38.7%表明HMM的状态变化.

结论:

• HMM的状态与插曲性/慢性偏头痛区分有重叠,这表明需要灵活性.
• HMM提供了一种稳定的,经验性推导的方法,根据头痛频率对偏头痛患者进行分类.
• 这种方法提供了比单值切断值更具信息性的分类.