慢性疼痛和脊髓刺激反应的分类使用机器学习在磁脑摄影数据
Bart Witjes1, Martijn P A Starmans2,3, Frank J P M Huygen1
1Center for pain Medicine, Department of Anesthesiology, Erasmus University Medical Center, Rotterdam, the Netherlands.
PloS one
|December 5, 2025
概括
磁脑电图 (MEG) 数据显示了作为慢性疼痛生物标志物的潜力,达到76%的分类准确度. 然而,它与脊髓刺激患者疼痛强度的相关性需要进一步研究.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 慢性疼痛是复杂的,包括身体,心理,情绪和社会因素,使客观量化具有挑战性.
- 磁脑电图 (MEG) 越来越多地被用于识别疼痛生物标志物,因为它能够捕捉大脑活动.
- 这项研究调查了MEG数据作为慢性疼痛生物标志物的潜力,并评估脊髓刺激 (SCS) 治疗疗效.
研究的目的:
- 探索磁脑电图 (MEG) 数据在识别慢性疼痛生物标志物的实用性.
- 将机器学习模型应用于MEG数据以对慢性疼痛进行分类.
- 使用MEG衍生生物标志物量化脊髓刺激 (SCS) 治疗的效果.
主要方法:
- 招募了25名慢性疼痛患者,25名SCS患者和25名无疼痛对照.
- 记录的静止状态MEG数据和提取的光谱特征 (甲,α,β,低马功率;α峰值频率;α功率比).
- 利用基于光谱特征的自动机器学习进行分类和回归模型.
主要成果:
- 在使用乙太功率和α功率比率对照对慢性疼痛患者进行分类时,获得了76%的准确性.
- 分类模型的输出显示了与SCS患者自我报告的疼痛得分的弱相关性 (斯皮尔曼的rho = 0.12).
- 基于所有参与者的疼痛评分的回归模型产生了0.27和0.41.1之间的相关性.
结论:
- 关于MEG的数据,特别是Tha功率或Alpha功率比率,显示了对长期疼痛的分类准确度为76%的前景.
- 当前模型与SCS患者疼痛评分的不良相关性表明,捕捉治疗效果存在局限性.
- 未来的研究应该纳入更广泛的输入特征和结果参数,以改善疼痛评估和治疗监测.
