Bridging the Gap in Pain Measurement with a Brain-Based Index
Notice bibliographique
Résumé
(1) Background: Pain assessment still relies primarily on subjective self-report. To address these limitations, we developed Piq, an EEG-based index derived from beta-band brain activity (Piqβ) aimed at providing objective pain identification and quantification. (2) Methods: The study combined cross-sectional and longitudinal designs. Resting-state brain activity was recorded for five minutes, and EEG signals were preprocessed using a dedicated algorithm. Piqβ performance was assessed by identifying an optimal cutoff to discriminate pain from no pain, evaluating its association with VNRS, and estimating agreement using a modified concordance criterion (exact match or ±1 category). A graded scale was also established to classify pain into distinct categories, according to intensity. (3) Results: An optimal cutoff of 10% for Piqβ yielded 97.8% sensitivity and 88.2% specificity. Piqβ correlated with self-reported scores (ρ = 0.60, p < 0.0001) with acceptable agreement (mean bias −1.02), accounting for clinically acceptable discrepancies. Five levels of pain were proposed, and Piqβ demonstrated the ability to track intra-individual fluctuations over time, accounting for clinically acceptable discrepancies. (4) Conclusions: These findings provide strong evidence to support the Piqβ index as a valuable complement to subjective pain ratings.
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 | 0,014 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».