Magnetic Resonance Spectroscopy Detects Biochemical Changes in the Brain Associated with Chronic Low Back Pain: A Preliminary Report
Notice bibliographique
Résumé
In Brief Magnetic resonance (MR) spectroscopy is a noninvasive technique that can be used to detect and measure the concentration of metabolites and neurotransmitters in the brain and other organs. We used in vivo1H MR spectroscopy in subjects with low back pain compared with control subjects to detect alterations in biochemistry in three brain regions associated with pain processing. A pattern recognition approach was used to determine whether it was possible to discriminate accurately subjects with low back pain from control subjects based on MR spectroscopy. MR spectra were obtained from the prefrontal cortex, anterior cingulate cortex, and thalamus of 32 subjects with low back pain and 33 control subjects without pain. Spectra were analyzed and compared between groups using a pattern recognition method (Statistical Classification Strategy). Using this approach, it was possible to discriminate between subjects with low back pain and control subjects with accuracies of 100%, 99%, and 97% using spectra obtained from the anterior cingulate cortex, thalamus, and prefrontal cortex, respectively. These results demonstrate that MR spectroscopy, in combination with an appropriate pattern recognition approach, is able to detect brain biochemical changes associated with chronic pain with a high degree of accuracy. IMPLICATIONS: Magnetic resonance spectroscopy can detect brain biochemical changes associated with pain. Combined with a pattern recognition strategy for analysis, it was possible to discriminate between subjects with chronic pain and control subjects with accuracies approaching 100%. This technique may be useful as an objective method of detecting changes associated with pain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».