编辑推荐：
为解决预测脊髓电刺激（SCS）手术响应者的难题，研究人员开展相关研究，决策树模型预测准确率达 88.2%，助力精准医疗。
脊髓电刺激（SCS）是治疗顽固性慢性疼痛的常用方法，然而，由于缺乏客观的疼痛生物标志物，预测哪些患者会对 SCS 治疗产生响应一直是个难题。这就好比在黑暗中摸索，医生们难以精准判断哪位患者能从这一治疗中真正受益。据美国疾病控制与预防中心（CDC）估计，慢性疼痛影响着 5000 万美国人，不仅增加了医疗成本，还严重降低了患者的生活质量。而 SCS 虽已获 FDA 批准广泛应用，但在参数、设备选择及患者筛选方面缺乏明确标准，使得大量疼痛患者难以得到最佳治疗。
为了攻克这一难题，来自美国布朗大学沃伦阿尔珀特医学院（The Warren Alpert Medical School of Brown University）等机构的研究人员开展了一项极具意义的研究。他们利用机器学习技术，基于术中脑电图（EEG）数据和公认的结果测量指标，预测慢性疼痛患者对 SCS 治疗的响应情况。该研究成果发表在《Scientific Reports》上，为慢性疼痛的治疗带来了新的曙光。
在研究方法上，研究人员主要采用了以下关键技术：
- 数据采集：招募 20 例因慢性腰腿痛接受 SCS 植入手术的患者，收集术前和术后 3 个月患者报告的结局指标（PROMs），包括数字评分量表（NRS）、贝克抑郁量表（BDI）等多种评估指标。
- 手术与监测：手术在全身麻醉下进行，术中监测肌肉活动，放置 SCS 电极，术后进行 EEG 实验，记录不同刺激条件下的 EEG 信号。
- 数据分析：EEG 数据经离线分析，进行滤波、独立成分分析（ICA）等处理，提取多种 EEG 特征，运用主成分分析（PCA）和递归特征消除方法进行特征选择，构建预测模型。
研究结果如下：
- 患者队列与结局指标：17 例患者纳入分析，7 例为响应者，10 例为非响应者。两组在年龄、性别、诊断和疼痛位置等方面无显著差异。术前 PROMs 在两组间也无显著差异，但术后响应者的 NRSworst、NRSaverage和 Oswestry 残疾指数（ODI）评分显著低于非响应者。
- 频谱特征相关性：
- 全局活动：响应者和非响应者在全局活动的多个频段存在差异趋势，但均未达统计学显著水平。
- Alpha-theta 峰值功率比：响应者的 alpha-theta 峰值功率比高于非响应者，不同脑区该比值存在显著差异，且与术前疼痛强度和抑郁评分相关。
- 全局相对功率与子带相对功率：全局相对功率、相对 theta 功率、相对 beta 功率在两组间存在显著差异，且部分频段功率与术前 PROMs 存在相关性。
- 子带峰值频率：theta 频率在两组间存在显著差异，响应者 theta 峰值频率更快，且部分频段峰值频率与术前 PROMs 存在相关性。
- 机器学习：PCA 筛选出 12 个可指示 SCS 响应的 EEG 特征，决策树模型表现最佳，准确率达 88.2%，F1 评分 0.857，受试者工作特征曲线下面积（AUC-ROC）为 0.879。
研究结论和讨论部分指出，该研究揭示了与 SCS 响应者相关的独特神经模式，如 alpha-theta 峰值功率比等特征在响应者和非响应者间存在差异，这些发现有助于理解慢性疼痛对 SCS 治疗反应的神经生理机制，为预测治疗反应提供了潜在的 EEG 指标。机器学习在处理复杂数据集和预测手术结果方面具有巨大潜力，决策树模型能有效处理 EEG 特征间的非线性关系，准确预测响应者。但研究也存在局限性，如模型需多机构大样本验证，应延长术后随访时间等。未来研究可探索术前神经特征预测手术结果，提高患者选择的准确性，推动个性化医疗发展。该研究为慢性疼痛的治疗提供了新的思路和方法，有望改善患者的治疗效果和生活质量。
