用人工智能和机器学习来管理纤维肌痛:一个范围审查
Ana Laura Clempi Almeida E Silva1, Victor Hugo Palhares Flávio Reis1, Antonieta Santos Andrade Lamoglia1
1Laboratory of Immunology and Omic Sciences - LImCOm. Institute of Natural and Biological Sciences, Federal University of Triângulo Mineiro, Research Building Prof. Aluízio Rosa Prata, Uberaba, Brazil.
The Journal of manual & manipulative therapy
|February 17, 2026
概括
人工智能和机器学习在诊断纤维肌痛 (FM) 方面表现有前途. 研究确定了潜在的生物标志物,并实现了高精度,但临床使用需要更大的试验.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 纤维肌痛 (FM) 由于其复杂,多因素的性质和缺乏特定生物标志物的诊断挑战.
- 广泛的疼痛,疲劳和认知问题是FM的特征,使临床评估和管理复杂化.
- 不同类型的患者表现进一步加剧了实现纤维肌痛的准确和及时诊断的困难.
研究的目的:
- 对人工智能 (AI) 和机器学习 (ML) 在诊断和治疗纤维肌痛方面的应用进行范围审查.
- 探索当前的研究趋势,并确定FM研究中使用的关键AI/ML技术和数据类型.
- 评估AI/ML在解决纤维肌痛诊断局限性的临床相关性和潜力.
主要方法:
- 在PubMed,EMBASE和Cochrane图书馆进行系统的文献搜索,寻找FM中AI/ML的研究.
- 包括在2011-2024年期间发表的43项研究,遵守PRISMA-ScR指南.
- 对ML技术,诊断目标,数据模式和在选定的研究中报告的临床结果的分析.
主要成果:
- 监督算法 (SVM,神经网络,整体模型) 和无监督技术主要用于诊断准确性.
- 识别潜在的生物标志物,包括神经成像 (fMRI),基因表达,视网膜成像和微RNA (例如hsa-miR-28-5p).
- 报告的诊断准确度在82%至100%之间,尽管许多研究样本大小小,限制了概括性.
结论:
- 人工智能和机器学习提供了强大的工具,以克服纤维肌痛的现有诊断和治疗障碍.
- 目前的研究表明,AI/ML在改善FM诊断和管理方面具有显著的潜力.
- 进一步的大规模,多中心验证研究对于确定AI/ML作为纤维肌痛临床可靠解决方案至关重要.
