Objective Wearable Measures Correlate with Self-Reported Chronic Pain Levels in People with Spinal Cord Stimulation Systems
Notice bibliographique
Résumé
Abstract Spinal Cord Stimulation (SCS) is a well-established therapy for treating chronic pain. However, treatment response to SCS therapy may vary among people with chronic pain due to diverse pain perspectives amongst them. While, currently, chronic pain is evaluated by clinically validated patient reported outcomes (PROs) measures completed during a clinical assessment, monitoring improvement of the participant’s progress over time and comparison of PROs across participants remains subjective and challenging. Thus, objective measures to quantify pain are invaluable. This study aims to assess the feasibility of using digital biomarkers collected from wearables during SCS treatment to predict pain and PRO outcomes. Twenty participants with chronic pain were recruited and implanted with SCS. During the six months of the study, activity and physiological metrics were collected and data from 15 participants was used to develop a machine learning pipeline to objectively predict pain and PRO measures. We were able to reach the accuracy of 0.832 ± 0.012 in pain intensity prediction. The feature importance analysis showed that digital biomarker from the smart watch such as heart rate, heart rate variability, step count, and stand time can contribute to modeling different aspects of pain. The results of the study suggest that wearable biomarkers can be used to predict therapy outcomes in people with chronic pain and bring us another step closer towards objective evaluation of chronic pain.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 ».