通过无监督机器学习识别的耐火性肌肉骨疼痛综合征中的疾病表型
Thomas Hügle1, Tiffany Prétat1, Marc Suter1
1University Hospital Lausanne and University of Lausanne, Lausanne, Switzerland.
ACR open rheumatology
|August 30, 2024
概括
这项研究确定了慢性肌肉骨疼痛综合征中的五个不同的患者群,揭示了影响治疗反应的关键因素. 个性化治疗策略对于有效管理这些复杂的疾病至关重要.
科学领域:
- 疼痛医学 医学 疼痛医学
- 临床心理学 临床心理学
- 生物标志物研究 生物标志物研究
背景情况:
- 慢性肌肉骨性疼痛综合征,包括纤维肌痛,是异质的,往往抗治疗.
- 这些情况给社会经济带来了巨大的负担,需要个性化治疗方法.
- 目前的理解缺乏详细的患者分层,以优化护理.
研究的目的:
- 在耐火肌肉骨疼痛综合征中识别和可视化不同的患者群.
- 分析一系列综合性临床变量,包括免疫学,精神病学,可穿戴和睡眠生物标志物.
- 开发慢性疼痛患者治疗反应的预测模型.
主要方法:
- 使用分层聚合集群,从多式疼痛计划中的202名个体的数据中识别了5种患者表型.
- 临床变量包括人口统计,并发症,药物,心理评估和可穿戴/睡眠数据.
- 为简要疼痛清单 (BPI) 响应生成了一个预测模型,并使用DALL-E.创建了数字人物.
主要成果:
- 集群中的关键区分因素包括生活状况,BMI,关节疼痛,alexithymia,精神病并发症和药物使用.
- 三个群体显示疼痛减轻,一个显示功能改善,一个响应虚拟现实干预.
- 强烈的阿片类药物,特拉佐,神经乱药治疗和单独生活是减少疼痛的负面预测因素.
结论:
- 该研究成功地确定并可视化了临床相关的慢性肌肉骨疼痛亚型.
- 开发了一种多模式治疗反应的预测模型,以帮助个性化治疗设计.
- 数字人物和化身显示出未来个性化治疗模式和临床试验的潜力.
