Resting-state electroencephalography and magnetoencephalography as biomarkers of chronic pain: a systematic review
Notice bibliographique
Résumé
ABSTRACT: Reliable and objective biomarkers promise to improve the assessment and treatment of chronic pain. Resting-state electroencephalography (EEG) is broadly available, easy to use, and cost efficient and, therefore, appealing as a potential biomarker of chronic pain. However, results of EEG studies are heterogeneous. Therefore, we conducted a systematic review (PROSPERO CRD42021272622) of quantitative resting-state EEG and magnetoencephalography (MEG) studies in adult patients with different types of chronic pain. We excluded populations with severe psychiatric or neurologic comorbidity. Risk of bias was assessed using a modified Newcastle-Ottawa Scale. Semiquantitative data synthesis was conducted using modified albatross plots. We included 76 studies after searching MEDLINE, Web of Science Core Collection, Cochrane Central Register of Controlled Trials, and EMBASE. For cross-sectional studies that can serve to develop diagnostic biomarkers, we found higher theta and beta power in patients with chronic pain than in healthy participants. For longitudinal studies, which can yield monitoring and/or predictive biomarkers, we found no clear associations of pain relief with M/EEG measures. Similarly, descriptive studies that can yield diagnostic or monitoring biomarkers showed no clear correlations of pain intensity with M/EEG measures. Risk of bias was high in many studies and domains. Together, this systematic review synthesizes evidence on how resting-state M/EEG might serve as a diagnostic biomarker of chronic pain. Beyond, this review might help to guide future M/EEG studies on the development of pain biomarkers.
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 | 0,008 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,007 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».