Strojové učení najde kombinované biologické a psychosociální údaje zlepšují chronickou predikci bolesti

Podmínky chronické bolesti, dlouhodobé zdravotní stavy charakterizované přetrvávající bolestí v konkrétních oblastech těla, je často obtížné diagnostikovat a léčit. Pochopení biologických markerů (tj. Geny a vzorců mozku), psychologických charakteristik a sociálních faktorů spojených s větším rizikem rozvoje těchto podmínek by mohlo být vysoce výhodné, protože by mohlo pomoci navrhnout účinnější strategie k jejich diagnostice.

Vědci na McGill University a dalších institutech nedávno provedli studii zaměřenou na identifikaci biomarkerů a psychosociálních faktorů spojených s vývojem vývoje Podmínky chronické bolesti. Jejich zjištění, Publikováno v Lidské chování přírodybyly získány analýzou dat z velké biomedicínské databáze, jmenovitě z britské biobank pomocí Advanced strojové učení techniky.

„Naše studie začala jako snaha identifikovat spolehlivé mozkové biomarkery pro chronickou bolest pomocí údajů z britské biobank, největší dostupné kohorty pro zobrazování mozku,“ řekl Matt Fillingim, první autor příspěvku, Medical Xpress. „Rychle jsme zjistili, že tyto biomarkery nemohou spolehlivě odlišit chronickou bolest od jedinců bez bolesti.

„Avšak při aplikaci na specifické podmínky bolesti, jako je fibromyalgie a revmatoidní artritidaBiomarkery vykazovaly větší slib, což nás přimělo integrovat další psychosociální faktory a rozmanitá biologická data (krevní testy, zobrazování kostí, genetika), abychom lépe porozuměli chronické bolesti a její související podmínkám. “

V rámci jejich studie Fillingim a jeho kolegové analyzovali data shromážděná od více než 523 000 lidí a uložených ve Velké Británii Biobank. Tato data zahrnovala skenování zobrazování mozku, genetické profily, skenování zobrazování kostí, krevní testy a podrobné psychosociální informace.

„Pomocí strojového učení jsme identifikovali vzorce, které předpovídaly různé podmínky chronické bolesti,“ vysvětlil Fillingim. „Klíčovou součástí našeho přístupu zahrnovalo stratifikace jednotlivců na základě jejich biologických a psychosociálních rizikových profilů, které nám umožnily pochopit, jak každý přispívá jednotlivě a jak interagují synergicky, ovlivňovat rozvoj podmínek chronické bolesti.“

Použití metod založených na strojovém učení byl Fillingim a jeho kolegové schopni odhalit biomarkery a psychosociální faktory spojené s 35 zdravotními stavy spojenými s bolestí, včetně revmatoidní artritidy a dna nebo samostatně hlášené chronické bolesti ve specifických částech těla (např. Bolest zad, bolest kolen atd.).

Vědci zjistili, že modely, které se dívaly Biologické markery a psychologické faktory byly lepší při předpovídání vývoje podmínek chronické bolesti než modely, které se zaměřily pouze na biomarkery nebo psychosociální faktory.

„Zatímco biologické markery účinně identifikovaly specifické zdravotní stavy spojené s bolestí, psychosociální faktory nejlépe předpovídaly subjektivní zkušenost s bolestí,“ řekl Fillingim. „To silně podporuje prominentní biopsychosociální model bolesti a zdůrazňuje potřebu holistického přístupu k diagnostice a léčbě bolesti.“

V budoucnu by tyto výsledky mohly informovat o vývoji spolehlivějších strategií pro odhad rizika, že konkrétní lidé budou vyvinout podmínky chronické bolesti nebo k přesné diagnostice těchto stavů, když lidé přistupují k lékařům s časnými příznaky.

„Strávili jsme hodně času shromažďováním dalších údajů ze studií bolesti po celém světě,“ dodal Fillingim. „Naším dalším krokem je otestovat, zda se tato zjištění replikují u jednotlivců z různých regionů, kultur a sociodemografického pozadí. To nám pomůže pochopit, jak univerzální jsou tyto biomarkery a psychosociální faktory a zda je třeba je přizpůsobit pro konkrétní populace.“

© 2025 Science X Network