Differential expression of a brain aging biomarker across discrete chronic pain disorders
Notice bibliographique
Résumé
ABSTRACT: Chronic pain has widespread, detrimental effects on the human nervous system and its prevalence and burden increase with age. Machine learning techniques have been applied on brain images to produce statistical models of brain aging. Specifically, the Gaussian process regression is particularly effective at predicting chronological age from neuroimaging data which permits the calculation of a brain age gap estimate (brain-AGE). Pathological biological processes such as chronic pain can influence brain-AGE. Because chronic pain disorders can differ in etiology, severity, pain frequency, and sex-linked prevalence, we hypothesize that the expression of brain-AGE may be pain specific and differ between discrete chronic pain disorders. We built a machine learning model using T1-weighted anatomical MRI from 812 healthy controls to extract brain-AGE for 45 trigeminal neuralgia (TN), 52 osteoarthritis (OA), and 50 chronic low back pain (BP) subjects. False discovery rate corrected Welch t tests were conducted to detect significant differences in brain-AGE between each discrete pain cohort and age-matched and sex-matched controls. Trigeminal neuralgia and OA, but not BP subjects, have significantly larger brain-AGE. Across all 3 pain groups, we observed female-driven elevation in brain-AGE. Furthermore, in TN, a significantly larger brain-AGE is associated with response to Gamma Knife radiosurgery for TN pain and is inversely correlated with the age at diagnosis. As brain-AGE expression differs across distinct pain disorders with a pronounced sex effect for female subjects. Younger women with TN may therefore represent a vulnerable subpopulation requiring expedited chronic pain intervention. To this end, brain-AGE holds promise as an effective biomarker of pain treatment response.
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 | 0,004 | 0,001 |
| 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 | 0,000 | 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) | 0,001 | 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 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 ».