在慢性疼痛管理中预测治疗中断:用于大麻治疗的机器学习方法
Anna Visibelli1, Rebecca Finetti1, Bianca Roncaglia1
1ONE-HEALTH Lab, Department of Biotechnology, Chemistry and Pharmacy, University of Siena, Siena, Italy.
Frontiers in artificial intelligence
|March 7, 2025
概括
机器学习预测慢性疼痛患者的医疗大麻治疗中断. 高剂量的THC和疼痛评分增加了脱学风险,而CBD和特定基因变异改善了个性化疼痛管理的坚持.
科学领域:
- 药物遗传学 药物遗传学
- 疼痛管理 疼痛管理
- 计算生物学 计算生物学
背景情况:
- 慢性疼痛在全球范围内影响了30%,传统治疗方法 (如阿片类药物和NSAIDs) 的成功程度有限.
- 医用大麻提供止痛和抗炎功效,但在治疗变化和患者退学方面面临挑战.
- 个人间的反应差异需要针对慢性疼痛管理的个性化治疗策略.
研究的目的:
- 开发和验证一种机器学习模型,用于预测正在接受医用大麻治疗的慢性疼痛患者的治疗中断.
- 确定影响患者坚持使用大麻治疗的关键遗传,临床和药理因素.
- 利用药物遗传学和机器学习来实现个性化的慢性疼痛管理.
主要方法:
- 编制了542名患有慢性疼痛的高加索患者的数据集,接受了基于大麻的治疗,包括遗传,临床和药理学数据.
- 开发并验证了一种随机森林机器学习模型,以预测治疗中断.
- 利用夏普利添加式扩展 (SHAP) 来识别中断的显著预测因素.
主要成果:
- 随机森林模型实现了80-86%的准确性和0.86的AUC在预测学.
- 高最终的视觉模拟量表 (VAS) 评分和高的四大麻素 (THC) 剂量被确定为脱学的主要预测因素.
- 基线治疗效益,大麻 (CBD) 剂量和CNR1基因中的rs1049353 CC基因型与改善的治疗坚持有关.
结论:
- 机器学习和药物遗传学为个性化医疗大麻治疗提供了巨大的潜力.
- 识别放弃的关键预测因素可以改善患者的坚持和优化慢性疼痛管理策略.
- 使用医用大麻的量身定制的治疗方法可以提高治疗效率并最大限度地减少不良影响.
