Classification of chronic pain and spinal cord stimulation response using machine learning in magnetoencephalography data
Notice bibliographique
Résumé
BACKGROUND: Due to the complexity of pain, involving physical, psychological, emotional and social aspects, we are still unable to objectively quantify or fully understand this subjective experience. An increasing number of studies have attempted to identify biomarkers of pain using brain imaging tools like magnetoencephalography (MEG). In this study, we used machine learning to investigate the potential of MEG data as a biomarker for chronic pain and used this biomarker to quantify spinal cord stimulation (SCS) treatment effect. METHODS: The study population consisted of 25 patients with SCS, for whom we recorded resting-state MEG during tonic, burst and sham stimulation, 25 patients with chronic pain and 25 pain-free controls. We derived average power spectral densities across each of the 94 automated anatomical labeling atlas based brain regions and extracted six spectral features: the alpha peak frequency, alpha power ratio, and average power across the theta, alpha, beta, and low-gamma bands. Based on these features, we used automated machine learning to find the optimal combination of machine learning methods to create classification and regression models for pain and pain intensity. RESULTS: The theta power and alpha power ratio were the most promising features to classify chronic pain with an accuracy of 76%. The classification model outputs and self-reported pain scores of patients with SCS showed a Spearman correlation coefficient of 0.12. A regression model based on pain scores of all participants showed Spearman correlation coefficients between 0.27 and 0.41. CONCLUSION: This study achieved a promising 76% accuracy in classifying patients with chronic pain and pain-free controls using the theta power or alpha power ratio. However, this model's output poorly correlated with pain scores of patients with SCS. A larger variety of input features and outcome parameters is recommended.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».