A neuroimaging marker for predicting longitudinal changes in pain intensity of subacute back pain based on large-scale brain network interactions
Notice bibliographique
Résumé
Identification of predictive neuroimaging markers of pain intensity changes is a crucial issue to better understand macroscopic neural mechanisms of pain. Although a single connection between the medial prefrontal cortex and nucleus accumbens has been suggested as a powerful marker, how the complex interactions on a large-scale brain network can serve as the markers is underexplored. Here, we aimed to identify a set of functional connections predictive of longitudinal changes in pain intensity using large-scale brain networks. We re-analyzed previously published resting-state functional magnetic resonance imaging data of 49 subacute back pain (SBP) patients. We built a network-level model that predicts changes in pain intensity over one year by combining independent component analysis and a penalized regression framework. Connections involving top-down pain modulation, multisensory integration, and mesocorticolimbic circuits were identified as predictive markers for pain intensity changes. Pearson's correlations between actual and predicted pain scores were r = 0.33-0.72, and group classification results between SBP patients with persisting pain and recovering patients, in terms of area under the curve (AUC), were 0.89/0.75/0.75 for visits four/three/two, thus outperforming the previous work (AUC 0.83/0.73/0.67). This study identified functional connections important for longitudinal changes in pain intensity in SBP patients, providing provisional markers to predict future pain using large-scale brain networks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».