Multivariate machine learning distinguishes cross-network dynamic functional connectivity patterns in state and trait neuropathic pain
Notice bibliographique
Résumé
Communication within the brain is dynamic. Chronic pain can also be dynamic, with varying intensities experienced over time. Little is known of how brain dynamics are disrupted in chronic pain, or relates to patients' pain assessed at various timescales (eg, short-term state vs long-term trait). Patients experience pain "traits" indicative of their general condition, but also pain "states" that vary day to day. Here, we used network-based multivariate machine learning to determine how patterns in dynamic and static brain communication are related to different characteristics and timescales of chronic pain. Our models were based on resting-state dynamic functional connectivity (dFC) and static functional connectivity in patients with chronic neuropathic pain (NP) or non-NP. The most prominent networks in the models were the default mode, salience, and executive control networks. We also found that cross-network measures of dFC rather than static functional connectivity were better associated with patients' pain, but only in those with NP features. These associations were also more highly and widely associated with measures of trait rather than state pain. Furthermore, greater dynamic connectivity with executive control networks was associated with milder NP, but greater dynamic connectivity with limbic networks was associated with greater NP. Compared with healthy individuals, the dFC features most highly related to trait NP were also more abnormal in patients with greater pain. Our findings indicate that dFC reflects patients' overall pain condition (ie, trait pain), not just their current state, and is impacted by complexities in pain features beyond intensity.
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 | 0,012 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».