Predicting placebo analgesia in patients with chronic pain using natural language processing: a preliminary validation study
Notice bibliographique
Résumé
ABSTRACT: Patients with chronic pain show large placebo effects in clinical trials, and inert pills can lead to clinically meaningful analgesia that can last from days to weeks. Whether the placebo response can be predicted reliably, and how to best predict it, is still unknown. We have shown previously that placebo responders can be identified through the language content of patients because they speak about their life, and their pain, after a placebo treatment. In this study, we examine whether these language properties are present before placebo treatment and are thus predictive of placebo response and whether a placebo prediction model can also dissociate between placebo and drug responders. We report the fine-tuning of a language model built based on a longitudinal treatment study where patients with chronic back pain received a placebo (study 1) and its validation on an independent study where patients received a placebo or drug (study 2). A model built on language features from an exit interview from study 1 was able to predict, a priori, the placebo response of patients in study 2 (area under the curve = 0.71). Furthermore, the model predicted as placebo responders exhibited an average of 30% pain relief from an inert pill, compared with 3% for those predicted as nonresponders. The model was not able to predict who responded to naproxen nor spontaneous recovery in a no-treatment arm, suggesting specificity of the prediction to placebo. Taken together, our initial findings suggest that placebo response is predictable using ecological and quick measures such as language use.
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 | 0,021 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».