灾难化在膝骨关节炎患者焦虑和抑郁症状评分中的作用：基于EEG和机器学习的多模态评估

《Experimental Brain Research》：The role of catastrophizing in anxiety and depression symptom scores among knee osteoarthritis patients: a multimodal assessment with EEG and machine learning

　　

为了探究膝骨关节炎（KOA）患者中焦虑与抑郁相关症状严重程度、疼痛灾难化以及静息态脑电图（EEG）特征之间的维度关联，研究人员分析了来自DEFINE队列的62名KOA患者的静息态EEG频谱功率（δ、θ、α、β）。情绪症状采用医院焦虑抑郁量表（HADS）进行评估，同时使用疼痛灾难化量表（PCS）及临床-人口学变量。多元回归分析识别出显著预测因子，并事后采用线性和基于树的机器学习模型来探索多元和非线性方法是否与回归结果一致。在回归和探索性机器学习模型中，灾难化与焦虑和抑郁症状评分均独立且显著相关。对于抑郁，还观察到多因素模式：较高的双侧顶叶δ功率、较高的灾难化、较低的教育程度和较高的体重与更严重的症状评分独立相关。机器学习分析表明，EEG特征是较弱的独立相关因素，但与临床变量结合时显示出适度的互补关联。疼痛灾难化与焦虑和抑郁症状评分持续相关，而静息态EEG特征与KOA的抑郁症状评分显示出有限但互补的关联。重要的是，这些关联是在一个以亚临床HADS评分为主的样本中观察到的，研究结果应被解释为反映康复队列中的维度关联，而非临床焦虑或抑郁障碍。

**论文解读：灾难化在膝骨关节炎患者焦虑和抑郁症状评分中的作用：基于EEG和机器学习的多模态评估**

**研究背景与意义**

膝骨关节炎（KOA）是全球范围内最常见的慢性疼痛和残疾原因之一，其特征为关节软骨的进行性退变和炎症过程，导致持续性疼痛、僵硬和功能下降，严重影响患者的生活质量。除了躯体症状，KOA患者常伴有焦虑和抑郁等情绪症状，患病率在20%至40%之间。这些精神共病会加剧疼痛感知、放大残疾程度并降低康复依从性。疼痛灾难化——即对疼痛相关威胁的反复思考、放大和无助感——在KOA及其他骨关节炎人群中，对主观疼痛体验和焦虑、抑郁症状的形成起着核心作用。近年来，识别能够捕捉慢性肌肉骨骼疼痛与情绪症状严重程度之间相互作用的神经生理学标志物备受关注。脑电图（EEG）因其非侵入性、低成本和高时间分辨率，成为一种有前景的工具。静息态EEG振荡活动反映了与兴奋性、感觉整合和情感调节相关的大尺度皮质动力学，这些过程在包括KOA在内的慢性疼痛状态下已知会发生改变。然而，目前尚缺乏针对KOA患者中EEG特征与焦虑、抑郁症状维度关联的系统研究，尤其是结合疼痛灾难化这一关键认知-情感变量的多模态评估。本研究旨在探讨KOA患者中静息态EEG振荡活动与情绪症状严重程度之间的关联，同时考虑临床和人口学因素，并引入机器学习方法作为补充分析。该研究论文发表在《Experimental Brain Research》。

**主要关键技术方法**

研究人员从DEFINE队列（巴西圣保罗大学医学院物理医学与康复研究所Lucy Montoro康复研究所）中选取62名KOA患者，纳入标准包括年龄≥50岁、根据Kellgren-Lawrence分级系统确诊原发性KOA、膝关节疼痛持续至少3个月。EEG数据采用128通道EGI Netstation^?系统记录4分钟静息态闭眼状态，预处理采用标准化流程PIPEMAT-RS（基于MATLAB的静息态EEG预处理集成管道），包括降采样至250 Hz、1-50 Hz带通滤波、自动伪迹剔除、ICA（独立成分分析）及ICLabel分类去除伪迹。频谱功率分析采用FFT（快速傅里叶变换）计算相对功率，覆盖δ（1-3.9 Hz）、θ（4-7.9 Hz）、α（8-12.9 Hz）、β（13-30 Hz）等频带，并根据国际10-20系统将21个电极组合为9个感兴趣区域（ROI：前额左、右、双侧；中央左、右、双侧；后部左、右、双侧）。情绪症状采用医院焦虑抑郁量表（HADS）评估，疼痛灾难化采用疼痛灾难化量表（PCS）。统计分析采用多元回归（目的性选择法）和事后探索性机器学习（线性回归、岭回归、套索回归、弹性网回归、随机森林回归，5折交叉验证）。

**研究结果**

**情绪特征**
62名KOA患者的HADS焦虑平均分为5.74（SD=3.91），抑郁平均分为4.66（SD=3.60），29.0%的患者焦虑评分超过临床阈值（≥8分），24.2%的患者抑郁评分超过阈值，表明样本以亚临床症状为主。

**回归分析**
- **焦虑**：初始EEG-only模型（R=0.418，调整R²=0.174）保留了两个显著预测因子：中央右侧θ功率（β=-127.70，p=0.004）和中央双侧θ功率（β=117.96，p=0.008）。加入PCS后，最终模型（R=0.549，调整R²=0.301）显示PCS显著（β=0.131，p=0.002），两个θ特征仍显著但系数略有减弱。
- **抑郁**：初始模型识别出双侧顶叶δ功率为显著预测因子（β=12.69，p=0.007）。最终模型（R=0.629，调整R²=0.353）保留PCS（β=0.097，p=0.012）、教育程度（β=-0.261，p=0.022）和体重（β=0.059，p=0.046）为独立预测因子，表明抑郁症状的多因素模式。

**机器学习分析**
- **焦虑**：PCS-only模型在所有算法中解释了最大的方差，EEG-only模型表现出近乎为零的解释能力，EEG与PCS结合后性能无显著提升。
- **抑郁**：EEG-only模型性能差，临床变量（PCS、教育、体重）模型表现中等，EEG与临床变量结合后略有改善，随机森林模型在交叉验证中表现更稳定。

**结论与讨论**

本研究通过回归和机器学习方法的互补使用，揭示了在KOA患者中，疼痛灾难化与焦虑和抑郁症状评分均独立且持续相关，而静息态EEG特征对抑郁症状评分显示出有限但互补的关联。具体而言，焦虑症状主要由认知-情感机制（疼痛灾难化）解释，而非静息态EEG振荡活动；抑郁症状则与顶叶δ功率增加、灾难化、低教育程度和高体重相关，表明其多因素性质。机器学习分析进一步确认了灾难化的核心作用，并指出EEG特征在单独使用时预测能力弱，但与临床变量结合时能提供适度补充信息。这些发现强调了在KOA康复背景下，心理干预（如认知行为疗法减少灾难化）的重要性，以及将EEG作为多模态评估中辅助工具的可能性。研究局限性包括横断面设计、样本量较小（N=62）、以女性为主（91.9%）、症状范围受限（主要为亚临床）以及未进行因果关系推断。未来研究应通过纵向设计、更大样本、更平衡的性别分布以及更先进的EEG分析（如源定位、功能连接），进一步验证和扩展这些发现。

**研究结论**（翻译原文结论部分）
总之，本研究提供了关于KOA患者中心理和神经生理因素与情绪症状评分之间关联的新证据，样本以亚临床HADS评分为主。跨分析策略显示，疼痛灾难化与焦虑和抑郁症状评分均持续且独立相关，突显其作为可修改的认知-情感相关因素的核心作用。对于抑郁，顶叶δ振荡被确定为适度但显著且独立的相关因素，即使在控制人口学和临床因素后依然如此。这些慢波动力学可能反映与慢性疼痛负担相关的神经生理过程，而非原发性心境障碍病理。探索性机器学习模型与回归结果基本一致，表明灾难化是两种结局的显著相关因素，而EEG特征在与临床变量结合时对抑郁症状评分提供了适度的补充关联价值。总之，这项二次探索性分析表明，疼痛灾难化是KOA患者中与焦虑和抑郁症状评分一致相关的认知-情感相关因素，而静息态EEG特征对抑郁症状评分显示出有限但条件特异性的关联。所有发现反映了以亚临床样本为主的维度关联，不应推广至具有临床显著焦虑或抑郁障碍的人群。在更大样本和纵向队列（包括更高比例临床相关症状评分的样本）中进行重复，对于阐明神经生理机制以及评估EEG标志物在慢性疼痛人群多模态评估中的潜在补充作用至关重要。