Clinical use of Electroencephalography in the Assessment of Acute Thermal Pain: A Narrative Review Based on Articles From 2009 to 2019
Notice bibliographique
Résumé
Nowadays, no practical system has successfully been able to decode and predict pain in clinical settings. The inability of some patients to verbally express their pain creates the need for a tool that could objectively assess pain in these individuals. Neuroimaging techniques combined with machine learning are seen as possible candidates for the identification of pain biomarkers. This review aimed to address the potential use of electroencephalographic features as predictors of acute experimental pain. Twenty-six studies using only thermal stimulations were identified using a PubMed and Scopus search. Combinations of the following terms were used: "EEG," "Electroencephalography," "Acute," "Pain," "Tonic," "Noxious," "Thermal," "Stimulation," "Brain," "Activity," "Cold," "Subjective," and "Perception." Results revealed that contact-heat-evoked potentials have been widely recorded over central areas during noxious heat stimulations. Furthermore, a decrease in alpha power over central regions was revealed, as well as increased theta and gamma powers over frontal areas. Gamma and theta rhythms were associated with connectivity between sensory and affective regions involved in pain processing. A machine learning analysis revealed that the gamma band is a predominant predictor of acute thermal pain. This review also addressed the need of supplementing current spectral features with techniques that allow the investigation of network dynamics.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».