[针对针治疗部疼痛的人群查:一项机器学习研究]
Zhen Gao1, Mengjie Cui2, Haijun Wang2
1Experimental Management Center, Shanxi University of CM, Taiyuan 030024, China.
Zhongguo zhen jiu = Chinese acupuncture & moxibustion
|April 14, 2025
概括
机器学习准确地预测了使用fMRI数据的部疼痛患者的针反应. 治疗前的大脑活动模式识别了响应者,帮助个性化疼痛管理.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算医学是一种计算医学.
背景情况:
- 部疼痛是一种常见的疾病,需要有效的治疗.
- 针是一种潜在的治疗部疼痛,但预测个体反应是具有挑战性的.
- 功能磁共振成像 (fMRI) 提供了对大脑活动的洞察力.
研究的目的:
- 使用fMRI和机器学习预测患者对治疗部疼痛的反应.
- 为了确定与针疗法的疗效相关的治疗前大脑活动标志物.
- 探索针对部疼痛的影响背后的神经机制.
主要方法:
- 80名部疼痛患者每周两次接受针治疗,持续两周.
- 在治疗前使用fMRI测量低频波动幅度 (ALFF).
- 训练了支持向量机 (SVM),物流回归 (LR) 和K-近邻 (KNN) 模型来预测治疗反应.
- 纵向分析比较了ALFF和功能连接 (FC) 在治疗前和治疗后.
主要成果:
- SVM模型在区分高响应者和低响应者方面实现了82.5%的准确性.
- 关键的预测特征包括右中旋,右上旋和双侧后带带状回旋中的ALFF值.
- 高响应者在治疗后的左后带带状回形中显示出ALFF降低.
- 治疗后反应较低的患者在右上尾回形中表现出增加的ALFF.
- 在默认模式网络内,在针后的高响应者和低响应者中观察到功能连接的显著变化.
结论:
- 治疗前的ALFF特征可以有效地预测治疗部疼痛的疗效.
- 针对部疼痛的治疗效果可能涉及到默认模式网络的调制.
- 这些发现支持基于神经成像生物标志物的个性化针治疗策略.
