编辑推荐：
慢性疼痛诊疗面临诸多挑战，寻找可靠生物标志物迫在眉睫。研究人员利用机器学习分析多维生物数据，发现生物标志物与心理社会因素协同能精准预测慢性疼痛相关疾病和自我报告疼痛，为诊疗提供新方向。
在医学领域，慢性疼痛是一个极为普遍且棘手的问题。它如同隐匿在暗处的 “幽灵”，不仅给患者带来身体上的折磨，还严重影响着他们的生活质量。据统计，全球约有 20% - 40% 的人在一生中至少经历过一次慢性疼痛，然而，由于慢性疼痛具有主观性强、个体差异大等特点，目前在诊断和治疗方面都面临着巨大挑战。传统上，医生主要依据患者的症状描述和简单的身体检查来判断疼痛情况，但这种方式缺乏客观性和准确性。而且，疾病或损伤的严重程度并不能可靠地指示疼痛的预后，比如骨关节炎患者关节退变的影像学测量结果，与患者实际感受到的疼痛强度关联性并不强。同时，以往寻找慢性疼痛生物标志物的研究进展缓慢，存在样本量小、数据集通用性差、生物特征有限以及研究的疼痛表型范围窄等问题，这使得慢性疼痛的精准诊疗难以实现，患者往往无法得到及时有效的治疗。
为了解开慢性疼痛诊疗的困局，来自加拿大麦吉尔大学（McGill University）等机构的研究人员展开了一项极具意义的研究。他们的研究成果发表在《Nature Human Behaviour》上，为慢性疼痛的诊疗带来了新的曙光。
研究人员采用了多种关键技术方法。首先，他们利用了英国生物银行（UK Biobank）的大规模数据，该数据库包含了丰富的生物和心理社会信息。同时，研究还纳入了 “All of Us Research Program” 和 “Open Pain data repository” 的数据集进行验证。在分析数据时，研究人员运用机器学习技术，构建了预测性机器学习模型，通过嵌套交叉验证逻辑回归和随机超参数搜索，对多种疼痛表型和疼痛相关诊断进行分类预测。
研究结果主要包括以下几个方面：
- 疼痛相关疾病的生物标志物预测：研究人员旨在识别能预测各种慢性疼痛相关疾病的生物标志物。通过对血液免疫测定、大脑和骨骼成像以及遗传学等多维度生物数据的分析，他们发现不同生物标志物对不同疾病的预测效果各异。例如，对于发病机制明确的疾病，如多发性硬化症（大脑生物标志物，AUC 为 0.87）、痛风（血液生物标志物，AUC 为 0.83）和风湿性多肌痛（血液生物标志物，AUC 为 0.82），预测准确性较高；约一半的选定医疗条件可通过生物标志物进行准确预测（AUCs＞0.70）。而且，某些疾病可由多种生物模态独立预测，而有些则由单一生物模态预测12。
- 慢性疼痛的分类预测：研究人员训练模型对慢性疼痛进行分类预测，发现生物标志物在预测自我报告疼痛方面表现较弱（AUC 在 0.50 - 0.62 之间），除非疼痛遍布多个身体部位；而心理社会因素在预测自我报告疼痛方面表现更可靠，在所有身体部位的预测中 AUC＞0.70，对于全身疼痛的预测 AUC 达到 0.923。
- 生物标志物与心理社会因素的协同作用：研究人员发现生物标志物和心理社会因素之间存在协同作用。将参与者按生物标志物和心理社会风险分为五个五分位数，结果显示，处于最高五分位数的参与者，无论是生物标志物还是心理社会因素，患医疗疾病的风险都显著增加；而两者均处于最高五分位数时，风险更是大幅提升。这种协同作用在不同生物标志物模态和疼痛相关疾病中均一致存在45。
研究结论表明，慢性疼痛相关的医疗条件可以通过生物标志物和心理社会因素的协同作用进行准确预测，但疼痛报告主要由心理社会因素预测。这一发现挑战了传统观念中认为单一可靠生物标志物可检测或预测患者慢性疼痛主观体验的观点。研究人员指出，未来在慢性疼痛生物标志物的发现工作中，应将相关心理社会因素纳入开发方案，采用这种整体方法有助于提高生物标志物的诊断和预后效用，支持个性化治疗策略。这不仅能提高诊断的准确性，还能为患者提供更有针对性的治疗方案，从而减轻患者的痛苦，在慢性疼痛的诊疗领域具有重要的意义，为后续研究和临床实践开辟了新的方向。
