机器学习可以预测脊髓刺激手术的结果,并揭示慢性疼痛的神经标记
Jay Gopal1, Jonathan Bao2, Tessa Harland3
1The Warren Alpert Medical School of Brown University, Providence, RI, USA.
Scientific reports
|March 19, 2025
概括
机器学习准确地预测脊髓刺激 (SCS) 疗法响应者,使用手术内脑电图 (EEG) 数据和患者结果. 这种方法可以改善患者对SCS的选择,提高慢性疼痛治疗的有效性.
科学领域:
- 神经科学和生物医学工程
- 计算神经科学是一种神经科学.
- 疼痛医学 医学 疼痛医学
背景情况:
- 脊髓刺激 (SCS) 是一种已知的慢性疼痛治疗方法,但由于缺乏客观生物标志物,难以预测患者的反应.
- 准确预测SCS响应者对于优化治疗选择和改善耐火性慢性疼痛管理患者的结果至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测患者对脊髓刺激 (SCS) 的反应.
- 从手术内脑电图 (EEG) 数据中确定与SCS治疗成功相关的客观生物标志物.
主要方法:
- 收集了20名慢性疼痛患者的手术内脑电图 (EEG) 数据,这些患者在不同的刺激条件下 (OFF,强力,高密度) 接受了SCS手术.
- 提取了光谱EEG特征,应用了主要组件分析 (PCA) 和递归特征消除以进行特征选择.
- 开发了一个预测模型,使用选定的EEG特征,临床数据和手术前患者报告的结果措施 (PROMs);响应者被定义为3个月后术后数值评分表 (NRS) 的50%减少.
主要成果:
- 决策树机器学习模型实现了高预测性能:ROC (接收器操作特征) 的准确率为88.2%,F1得分为0.857,AUC (曲线下的面积) 为0.879.
- 在强度刺激期间,在特定的EEG通道 (CP3-CP4和T3-T4) 之间观察到α-theta峰值功率比的显著差异.
- 在响应者和非响应者之间没有发现显著的人口或基线PROM差异,突出显示了手术内EEG的预测价值.
结论:
- 结合手术内EEG数据,患者自我报告和机器学习算法,可以有效地区分SCS响应者和非响应者.
- 机器和深度学习方法显示出改进患者选择SCS治疗的巨大潜力,最终导致改善临床结果.
