Markers of Fibromyalgia: Classification and Subtyping Using Self-Reported Measures
Notice bibliographique
Résumé
Fibromyalgia (FM) is a chronic pain disorder marked by widespread physical symptoms and psychological comorbidities. While neuroimaging has dominated FM research, such methods are often impractical or inaccessible in routine clinical care. This study investigates whether self-reported features can effectively distinguish FM patients from healthy controls (HC) and identify clinically meaningful FM subtypes, using the Emo-Fibro dataset (N = 66; 33 FM, 33 HC). We trained and evaluated supervised machine learning models including Logistic Regression, Random Forest and Support Vector Machine on the Toronto Alexithymia Scale (TAS-20) and the Positive and Negative Affect Schedule (PANAS), assessing feature importance using absolute coefficients, Gini importance, and permutation importance. The Random Forest model achieved the highest classification performance (Accuracy = 0.81, ROC-AUC = 0.82), indicating that these features alone can offer robust diagnostic insight. We then applied K-Means clustering to the FM group and identified two subtypes: high-distress versus lower-distress, characterized by emotional regulation, psychological burden, and affect. These findings suggest that patient-reported psychological data not only aid FM diagnosis but also reveal meaningful heterogeneity to guide personalized care. By focusing on accessible, self-reported measures, this study supports a practical and emotion-informed approach to FM research and management.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».