《Diagnostics》：Prediction of Spinal Pain Intensity from Perception-Dependent Stimulation Thresholds and Patient Characteristics: A Regression and Machine Learning Approach
编辑推荐：
背景与目的：脊柱疼痛高度普遍，但临床上可及的疼痛量化工具仍然有限。本研究评估了使用StimaWELL 120MTRS衍生评分（StimaWELL 120MTRS-derived scores）结合人口统计学变量能否预测自我报告的脊柱疼痛强度，并将其性能与基于线
背景与目的：脊柱疼痛高度普遍，但临床上可及的疼痛量化工具仍然有限。本研究评估了使用StimaWELL 120MTRS衍生评分（StimaWELL 120MTRS-derived scores）结合人口统计学变量能否预测自我报告的脊柱疼痛强度，并将其性能与基于线性混合模型（linear mixed model，LMM）的关联分析进行比较。方法：78名脊柱疼痛成人（44名女性，34名男性；平均年龄43.08 ± 11.50岁）在两种电极配置下接受评估：对置电极（opposing electrode，OE）和相邻电极（adjacent electrode，AE）。自我报告疼痛采用数字疼痛评定量表（Numeric Pain Rating Scale，NPRS）测量。研究应用重复测量相关分析、组内相关系数（intraclass correlation coefficient，ICC）、LMM以及八种机器学习算法评估预测能力。结果：StimaWELL评分与NPRS之间的重复测量相关性可忽略不计且无统计学显著性（OE：r = ?0.003，p = 0.970；AE：r = 0.015，p = 0.876），ICC值表明一致性较差（OE：0.364；AE：0.452）。LMM显示两种配置均无统计学显著固定效应。尽管如此，机器学习算法实现了中等预测性能，其中极端随机树（Extra Trees）和CatBoost在基于AE的模型中取得了最高的容差准确率（最高达73–74%）。在特征重要性分析中，AE StimaWELL评分是主导预测因子，其次是体重和身高。结论：机器学习算法从StimaWELL 120MTRS数据中提取了LMM未发现的预测信号，凸显了设备衍生评分与疼痛强度之间的非线性关系。AE配置表现出更优的预测性能。这些发现提示StimaWELL 120MTRS可能在脊柱疼痛评估中提供补充性量化信息，但仍有待更大规模、多样化人群的外部验证。
论文解读
一、研究背景与问题
脊柱疼痛是全球范围内导致残疾和医疗支出的主要原因。2021年，腰背痛占全球所有残疾生活年的7.7%，位居首位，颈痛排名第15位。脊柱疼痛的多因素病因使其诊断和有效治疗面临挑战，而准确的评估对临床决策至关重要。疼痛本质上是主观的，仅靠自我报告测量不足以全面捕捉其复杂性，尤其是在心理因素与疼痛感知相互作用的慢性脊柱疾病中。定量评估方法能够更可靠地确定疼痛严重程度及其功能后果，并可能有助于避免不必要的影像学检查或手术干预。
StimaWELL 120MTRS是一种全脊柱电刺激系统，通过覆盖从颈椎到骶骨区域的12通道脊柱旁电极垫传递调制中频电流。在治疗前，系统执行标准化校准程序，逐步增加刺激强度直至参与者报告“强烈但无痛的感觉”，从而生成节段性刺激阈值评分。这些评分依赖于感知而非疼痛或肌肉活动的直接测量，可能受感觉处理、组织特征和神经肌肉反应的影响。既往证据表明StimaWELL治疗可改善慢性腰背痛患者的疼痛和功能障碍，但设备衍生校准评分本身是否能反映或预测疼痛强度仍不清楚。本研究旨在填补这一空白，探讨对置电极和相邻电极配置下获得的评分能否预测自我报告的脊柱疼痛强度。
二、研究设计与方法
本研究为探索性横断面研究，于2025年11月至2026年1月期间开展，经阿马西亚大学（Amasya University）非介入性临床研究伦理委员会批准，并在ClinicalTrials.gov前瞻性注册。研究人员从土耳其阿马西亚的一家私立物理治疗诊所招募了78名脊柱疼痛成人志愿者（44名女性，34名男性，年龄23–78岁），纳入标准包括：年满18岁、经医生诊断的背痛、慢性疼痛（持续时间>3个月）且近7天内复发、近期未使用镇痛药和肌松药、具备读写能力且能配合。排除标准涵盖神经系统、炎症或精神疾病病史、认知/前庭/听觉障碍、未确诊急性疼痛、神经根病、严重脊柱骨质疏松、椎体骨折史、电子植入物、心律失常、冠脉/颈动脉支架、电极部位活动性皮肤病变以及妊娠等。每位参与者仅由同一研究人员评估一次，分析数据集按观察层面构建，共获得来自78名参与者的266条观察记录。
研究采用的主要关键技术方法包括：第一，重复测量相关分析（repeated measures correlation，rmcorr），用于考察每种StimaWELL配置与NPRS之间的线性关联，该方法考虑了参与者内重复观测的非独立性；第二，组内相关系数（intraclass correlation coefficient，ICC），用于量化设备衍生评分与NPRS之间的绝对一致性；第三，线性混合模型（linear mixed model，LMM），以参与者身份作为随机效应，纳入年龄、性别、身高、体重作为固定效应协变量，分别构建包含OE评分和AE评分的两个模型；第四，八种机器学习算法，包括极端随机树（Extra Trees Regressor）、随机森林（Random Forest）、梯度提升（Gradient Boosting）、直方图梯度提升（Hist Gradient Boosting）、XGBoost、LightGBM、CatBoost和岭回归（Ridge Regression）。数据预处理采用列表删除法处理缺失值，数据集按参与者层面进行划分（80%训练集、20%测试集），确保同一参与者的所有观察不会同时出现在训练集和测试集中。模型性能通过R2、平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Squared Error，RMSE）和容差准确率（tolerance-based accuracy，TBA）评估，TBA定义为预测值落在10%误差范围内的比例。特征重要性采用平均不纯度减少（Mean Decrease in Impurity，MDI）指标计算。
三、研究结果
3.1 参与者特征：78名志愿者（44名女性，34名男性），平均身高168.59 ± 9.10 cm，平均体重74.00 ± 16.54 kg。
3.2 相关分析：OE-StimaWELL配置的重复测量相关可忽略不计且无显著性（r = ?0.003，p = 0.970），ICC为0.364（95% CI：0.19–0.50；F = 1.647；p < 0.001），表明一致性较差。AE-StimaWELL配置的重复测量相关同样可忽略（r = 0.015，p = 0.876），ICC为0.452（95% CI：0.31–0.57；F = 1.824；p < 0.001），表明绝对一致性中等。相关矩阵图直观确认了设备衍生评分与自我报告疼痛强度之间的弱线性关联。
3.3 线性混合模型：模型1（含OE评分）中，OE-StimaWELL评分不是NPRS的显著预测因子（B = 0.068，SE = 0.087，p = 0.434），年龄、性别、身高、体重等协变量均无显著性。模型2（含AE评分）中，AE-StimaWELL评分同样不是显著预测因子（B = 0.098，SE = 0.087，p = 0.259），各协变量也均无统计学显著性。
3.4 机器学习：在OE-StimaWELL模型中，Extra Trees取得最高R2（19.53 ± 11.65%），MAE为1.21 ± 0.25，RMSE为1.65 ± 0.36，TBA为66.51 ± 4.83%；岭回归和CatBoost也产生正R2值（分别为14.87 ± 21.19%和11.24 ± 33.55%），其余树集成算法在测试集上产生负R2值。在AE-StimaWELL模型中，Extra Trees表现突出（R2 = 6.90 ± 33.06%；MAE = 1.06 ± 0.22；RMSE = 1.51 ± 0.35；TBA = 73.64 ± 9.00%），CatBoost（TBA = 73.67 ± 9.66%）和Gradient Boosting（TBA = 73.27 ± 10.89%）也表现良好。AE模型整体TBA高于OE模型，表明AE配置可能携带更多预测信息。特征重要性分析显示，在所有模型中StimaWELL设备评分是最重要的单一预测因子，在OE模型中贡献22–28%的预测权重，在AE模型中贡献32–37%；体重和身高是其次最具影响力的预测因子，分别贡献约17–36%和17–21%；年龄贡献中等（16–22%）；性别重要性变异最大（6–17%）。AE-StimaWELL评分在所有三种算法中的特征重要性均高于OE评分。
四、讨论与结论
本研究的核心发现是：StimaWELL 120MTRS刺激阈值在OE和AE两种配置下均未与患者报告的疼痛强度表现出强线性关联，其单独或结合人口统计学变量的预测价值有限。重复测量相关和ICC结果一致表明设备衍生测量与患者报告测量之间的一致性有限，这与伤害性阈值和主观多维疼痛体验之间的概念性区分一致。线性混合模型未发现显著关联，部分可能反映样本临床特征相对同质以及横断面单次评估设计。值得注意的是，机器学习算法尽管整体预测性能中等，但实现了有意义的TBA，最佳模型在73–74%的情况下能在10%误差范围内正确预测NPRS。研究人员指出，10%容差阈值对应于NPRS 0–10量表上最大可接受预测误差1分，与脊柱疼痛人群最小临床重要差异（MCID）估计大致一致，但MCID估计在不同研究间差异较大。AE配置在统计和机器学习分析中均一致优于OE配置，提示AE配置可能携带更多生物学相关信号。设备评分在所有模型中是最重要的预测因子，支持其作为多变量疼痛预测框架中定量输入的潜力，但不应作为患者报告结果的独立替代品。体重的突出重要性与肥胖和脊柱疼痛负担相关的既有证据一致。研究局限包括横断面设计无法推断因果关系、样本量较小可能限制模型稳定性、仅纳入人口统计学和人体测量学变量而未评估心理因素、疼痛持续时间、身体功能和影像学发现，以及跨颈、胸、腰、骶区域合并观察可能引入异质性。未来研究应在更大、更多样化的人群中验证模型，纳入更广泛的临床和生物心理社会变量，并采用纵向设计评估设备衍生测量是否随时间追踪临床意义上的疼痛变化。
研究结论为：StimaWELL 120MTRS刺激阈值可能在多变量疼痛评估框架内贡献定量信息，但不应作为患者报告结果的独立替代品。小样本量、单中心设计和缺乏心理社会变量限制了研究结果的普适性。未来研究应在更大、更多样化的人群中验证这些模型，纳入更广泛的临床和生物心理社会变量，并采用纵向设计评估设备衍生测量是否随时间追踪临床意义上的疼痛变化。
