超越疼痛:使用无监督机器学习来识别小纤维神经病变的表型集群

科学领域:

• 神经学 神经学
• 临床神经科学 临床神经科学
• 生物医学研究生物医学研究

背景情况:

• 小纤维神经病变 (SFN) 涉及小神经纤维的损失,导致失效的感觉和自主症状.
• 目前的治疗主要集中在疼痛上,并且由于SFN的复杂性和患者的变化性,往往是无效的.
• 了解SFN的症状异质性对于有效管理至关重要.

研究的目的:

• 为了研究小纤维神经病变 (SFN) 患者队伍中的症状变异性.
• 为了确定SFN患者是否可以根据不同的临床特征和症状概况进行分组.
• 区分SFN表型与混合纤维神经病变 (MFN) 的表型.

主要方法:

• 招募了105名SFN患者和45名MFN患者,他们的皮肤活检确诊.
• 采用无监督机器学习,根据症状并发和严重程度对SFN患者进行分组.
• 在SFN和MFN组之间以及在SFN集群之间比较人口统计,临床数据,症状和诊断结果.

主要成果:

• 与SFN患者相比,MFN患者更有可能是男性,年龄较大,并且内神经纤维密度较低.
• SFN患者被分为三个不同的表型集群,症状严重程度,并发症和局部性有显著差异.
• 一个群体 (20%) 患有强烈的神经病痛,另一个群体患有少数轻度症状,最大的群体患有疲劳,肌痛和虚弱.

结论:

• 本研究引入了一种数据驱动的方法,根据临床表现对SFN患者进行分组.
• 在考虑疼痛和非疼痛症状时,确定了可能与不同的病理生理机制相关的三个群体.
• 这些发现支持对小纤维神经病变的分层和个性化治疗策略的转变.