Signatures of chronic pain in multiple sclerosis: a machine learning approach to investigate trigeminal neuralgia
Notice bibliographique
Résumé
ABSTRACT: Chronic pain is a pervasive, disabling, and understudied feature of multiple sclerosis (MS), a progressive demyelinating and neurodegenerative disease. Current focus on motor components of MS disability combined with difficulties assessing pain symptoms present a challenge for the evaluation and management of pain in MS, highlighting the need for novel methods of assessment of neural signatures of chronic pain in MS. We investigate chronic pain in MS using MS-related trigeminal neuralgia (MS-TN) as a model condition focusing on gray matter structures as predictors of chronic pain. T1 imaging data from people with MS (n = 75) and MS-TN (n = 77) using machine learning (ML) was analyzed to derive imaging predictors at the level of cortex and subcortical gray matter. The ML classifier compared imaging metrics of patients with MS and MS-TN and distinguished between these conditions with 93.4% individual average testing accuracy. Structures within default-mode, somatomotor, salience, and visual networks (including hippocampus, primary somatosensory cortex, occipital cortex, and thalamic subnuclei) were identified as significant imaging predictors of trigeminal neuralgia pain. Our results emphasize the multifaceted nature of chronic pain and demonstrate the utility of imaging and ML in assessing and understanding MS-TN with greater objectivity.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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) | 0,001 | 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 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 ».