使用机器学习算法预测高冲击性慢性疼痛的过程
Matthew C Morris1, Hamidreza Moradi2, Maryam Aslani3
1Department of Anesthesiology, Vanderbilt University Medical Center, Nashville, TN; Vanderbilt Center for Musculoskeletal Research, Vanderbilt University Medical Center, Nashville, TN; Department of Psychiatry and Human Behavior, University of Mississippi Medical Center, Jackson, MS.
The journal of pain
|February 28, 2026
概括
家庭收入和身体健康显著预测高影响性慢性疼痛 (HICP) 结果,而抑郁症的严重程度是关键的心理健康因素. 了解这些生物心理社会预测因素可以改善HICP管理.
科学领域:
- 疼痛医学 医学 疼痛医学
- 公共卫生 公共卫生
- 医疗信息学 医疗信息学
背景情况:
- 高冲击性慢性疼痛 (HICP) 影响着数百万人,但其预测因素仍然不清楚.
- 了解HICP的发病率,持久性和恢复对于有效管理至关重要.
研究的目的:
- 确定和评估生物心理社会因素在预测HICP结果中的相对重要性.
- 为了评估HICP预测准确性的机器学习模型.
主要方法:
- 使用了国家健康访谈调查纵向队列 (2019-2020).
- 应用机器学习算法,包括渐变增强决策树,以预测HICP发生率,持久性和恢复.
- 采用沙普利添加剂解释值来确定特征的重要性.
主要成果:
- 渐变增强决策树实现了高的歧视力 (宏观AUC=0.80).
- 家庭收入预测HICP发生率和恢复;身体健康预测持续的HICP.
- 抑郁症的严重程度成为所有结果中最重要的心理健康预测因素.
结论:
- 生物心理社会因素,包括社会经济地位,身体健康和心理健康,对HICP具有差异性预后重要性.
- 结果可以为预测框架,临床风险查和针对HICP的有针对性的干预提供信息.


