Documente Academic
Documente Profesional
Documente Cultură
Neurobiologia durerii
Comentariu
Către o înțelegere mai profundă a durerii: cum sunt necesari algoritmi de învățare
automată și de învățare profundă pentru a oferi următoarea generație de medicamente
pentru durere pentru utilizare în clinică
Scott Alexander Holmes a,d,e,1,* , Joud Mar'i a,1 , Stephen Green a,b , David Borsook a,c
A
Spitalul de Copii din Boston, Departamentul de Anestezie, Îngrijire Critică și Medicina Durerii, Boston, MA 02115, SUA b
Massachusetts Institute of Technology, Departamentul de Inginerie Mecanică, SUA
c
Spitalul General Massachusetts, SUA d
Centrul pentru durere și neuroștiință afectivă, Spitalul de Copii din Boston, SUA
și
Cuvinte cheie Pe măsură ce definiția noastră a durerii evoluează, factorii impliciti în definirea și prezicerea stării durerii cresc. Acești
Durere factori au fiecare caracteristici unice de date, iar rezultatele lor au fiecare atribute țintă unice. Caracterizarea clinică a
Măsurare
durerii nu necesită, așa cum este definită în cea mai recentă definiție IASP, nicio patologie tisulară, ceea ce sugerează
Neuroimagistică că experiența durerii poate fi unic de natură psihologică. Predicția stării durerii unei persoane poate fi optimizată prin
Senzorial
integrarea mai multor observații independente; cu toate acestea, modul în care sunt integrate are relevanță directă
Biomarker
pentru prezicerea dezvoltării durerii cronice, aplicarea clinică și investigarea cercetării. Provocarea actuală este de a
găsi modalități de integrare clinică a scalelor de evaluare a durerii cu neuroimagini ale sistemului nervos periferic și
central cu mediul biopsihocial și îmbunătățirea capacității noastre de flexibilitate de diagnostic și de traducere a
cunoștințelor prin modelarea datelor. Acest comentariu abordează modul în care cunoștințele noastre actuale
despre fenotipurile durerii și factorii de risc interacționează cu modelele statistice și cum putem avansa într-un
mod responsabil din punct de vedere clinic.
Introducere rezolvarea leziunii tisulare (Corder, 2013). Ca atare, în această revizuire, încercăm să
abordăm preocupările cu privire la modul în care luăm în considerare datele care intră
Natura largă și deseminată prin care durerea afectează corpul uman nu este surprinsă în modelele noastre statistice, precum și cât de maleabile considerăm variabilele noastre
prin metodele actuale de evaluare a durerii. Temele dominante în domeniul durerii de rezultat.
* Autorul corespunzator.
Adrese de e-mail: scott.holmes@childrens.harvard.edu (SA Holmes), joud.mari@childrens.harvard.edu (J. Mar'i), stephengreen36@googlemaial.com (S. Green),
dborsook@mgh.harvard.edu (D. Borsook).
1
Holmes SA și Mar'i J au contribuit în mod egal la acest manuscris.
https://doi.org/10.1016/j.ynpai.2022.100108
Primit 18 iulie 2022; Primit în formă revizuită la 31 octombrie 2022; Acceptat la 31 octombrie 2022
Disponibil online la 4 noiembrie 2022 2452-073X/© 2022 The Authors. Publicat de Elsevier Inc. Acesta
este un articol cu acces deschis sub licența CC BY-NC-ND (http://creativecommons.org/licenses/by nc-nd/4.0/).
Machine Translated by Google
factori conexe. Nivelul de sprijin social al unei persoane poate influența atât / nevroticismul și alții care sugerează că oferă o abordare mai personalizată a
(Oliveira, 2015), cât și poate fi influențat de (Brown et al., 2003; Master, 2009) îngrijirii medicale (Schaeuffele et al., 2021). Această abordare invită într-adevăr o
nivelul de durere pe care îl experimentează. Un nivel de empatie al individului discuție filozofică cu privire la semnificația „simptomelor”.
poate contribui, de asemenea, la „contagiozitatea” durerii (Martin, 2015) , iar Diferite abordări sugerează fie o boală latentă inerentă care se poate exprima în
persistența și amploarea unui stimul dureros afectează modul în care durerea forme diferite, dar interschimbabile (vezi O'Driscoll et al., 2022), fie, ca în cazul
interacționează cu dizabilitățile legate de motor (Neight și Bekbhat, 2018). teoriei sistemelor, în care simptomele sunt mai mult interpretate ca „agenți
Interacțiunea durerii cu comorbiditățile, cum ar fi depresia, anxietatea și frica de cauzali autonomi”. , fiind exprimată ca răspuns la anumite evenimente din mediul
durere, toate creează o diversitate extinsă și subiectivă a experienței durerii persoanei (Borsboom & Cramer, 2013; Cramer et al., 2010). Aceste perspective
(Thompson et al., 2019). Interesant este că procesarea durerii poate apărea în reciproce reflectă modul în care apar simptomele și ambele subliniază importanța
absența comportamentelor dureroase manifeste (de exemplu, mișcarea de pază, luării în considerare a prezentărilor variabile ale simptomelor într-un cadru clinic.
postură de evitare a durerii) (Keefe și Smith, 2002). Deși cortexul somatosenzorial Interesul pentru abordările transdiagnostice a crescut de la două articole publicate
oferă un terminal pentru primirea informațiilor nociceptive periferice (Liang et al., în 2003, la 72 în 2010, la 730 în 2022 (sursa: PubMed: termeni de căutare:
2011), releele extinse către regiunile prefrontale, motorii, parietale și alte regiuni „Transdiagnostic”). În special, aceasta trebuie să abordeze și natura variabilă a
ale creierului de ordin superior, precum și regiunile subcorticale, au definit o „testării” și limitarea conform căreia un simptom poate să nu fie luat în
formă distribuită de procesare a durerii ( Coghill, 2020; Coghill et al., 1999) cunoscut considerare în măsurătorile de screening mai puțin sensibile și, prin urmare,
în prezent sub numele de conectomul durerii (Davis, 2020). necesită actualizare și testare continuă. Perspectiva transdiagnostic este importantă
Printre aceste căi distribuite, factori cum ar fi debutul întârziat sau compensarea având în vedere că durerea este un construct psihologic și influențată de factori
durerii, sumarea repetitivă a impulsului nociceptiv și comoditățile reflectă potențial comorbidi și de mediu
intervenția asupra acestui conectom al durerii (Legrain și colab., 2011).
factor de stres.
2
Machine Translated by Google
date relevante din punct de vedere clinic pierdute prin reducerea nesupravegheată a ca K-Nearest-Neighbours oferă modalități puternice de integrare a modalităților, dar
factorilor. necesită un grad ridicat de supraveghere și intervenție. Alternativ, analizele Arborelui
Trebuie să se ia în considerare nu doar similitudinea datelor, ci și tabloul clinic de decizie pot aborda gradul înalt de supraveghere necesară și pot avea o aplicație
mai larg. Acest lucru poate fi realizat prin ponderarea în aval a factorilor care intră clinică ridicată; cu toate acestea, structura lor înnăscută limitează generalizarea. (2)
într-un model. De exemplu, dacă trebuie să alegem între eliminarea uneia dintre cele Cum definim fenotipurile durerii? Această întrebare implică resursele și metodele
două variabile dintr-un model și acestea oferă caracteristici de date similare, putem necesare pentru a defini o anumită stare clinică de durere. De exemplu, pe măsură ce
avea mai multă încredere în eliminarea unei variabile genetice asupra unei variabile construim dovezi pentru un diagnostic de sensibilizare centrală, va necesita un anumit
psihologice pe baza unei ponderi stabilite față de o durere predominant psihologică. marker al funcției creierului, fie direct, fie indirect și probabil un anumit nivel de auto-
rezultat. Dar pentru a face acest lucru avem nevoie de modele mai dinamice, care să raportare a participanților. Tehnici precum regresia parțială a celor mai mici pătrate
aibă feedforward și proiecții de feedback care să stabilească acest factor de ponderare. pot integra bine modalitățile; cu toate acestea, natura inerentă a algoritmilor săi reduce
Eficacitatea tehnicilor de reducere a datelor este discutabilă și probabil necesită dimensionalitatea prin crearea de structuri variabile latente, creând astfel metrici ale
considerații specifice investigatorului. Modul în care abordăm natura supravegheată durerii care pot fi puternic divorțate de lumea clinică. (3) Câtă rezoluție este necesară
a eliminării factorilor din datele noastre se va alimenta pentru a defini nu numai pentru a identifica un fenotip de durere? Aceasta este o chestiune atât de volum de
generalizarea modelelor și algoritmilor pe care le creăm, ci și aplicabilitatea clinică a date (de exemplu, dimensiunea eșantionului necesară pentru a identifica tendințele
acestor abordări. Transparența cu privire la modul în care sunt create modelele astfel datelor), cât și de amploarea datelor (de câte modalități avem nevoie pentru a clasifica
încât clinicienii să înțeleagă modul în care un diagnostic integrează o variabilă de cu exactitate o anumită întrebare de interes). Unele tehnici de clasificare pot avea
interes este relevantă pentru judecata clinică. probleme cu dimensiuni mari ale eșantionului (de exemplu, Mașini Vectori de
Suport); și altele, cum ar fi analiza discriminării liniare (LDA) au rezultate mai bune cu
eșantion de dimensiuni mai mari; cu toate acestea, chiar dacă este mai adaptabilă la
Prezicerea durerii: care sunt rezultatele noastre? o dimensiune mai mare a eșantionului, structura LDA pune un accent mai mare pe
variabilele cu niveluri mai mari de varianță (de exemplu, imagistica cerebrală),
Peste cinci ani, unde vrem să fim? A avea cunoștințele și flexibilitatea de a introducând potențial părtinire la variabilele cu dimensionalitate mai mică (de exemplu,
conversa cu un pacient și de a interacționa cu o platformă digitală pentru a determina scale de evaluare a durerii). Trebuie să recunoaștem diversitatea rezultatelor durerii
nivelul actual și temporal de durere al pacientului folosind tehnologiile online și și să integrăm punctele forte ale abordărilor într-o platformă comună.
predispoziția lor viitoare la durere este ideal și în concordanță cu eforturile moderne
care vizează biomarkerii pentru acută și stări de durere cronică. Deci cum ajungem
acolo? Predicția durerii acute și prognozarea durerii sunt probabil să necesite aplicarea
O platformă comună pentru diagnosticarea durerii și previzionarea simptomelor tuturor tehnicilor enumerate în Tabelul 1. Privind spre viitor, există limitări notabile.
viitoare, care este suficient de maleabilă pentru a integra definițiile evolutive ale După cum se arată în Fig. 1, avem nevoie de metode care sunt sensibile la datele
durerii implică provocări și considerații unice care sunt prezentate în Fig. 1. multimodale, seturi mari și mici de date și în special conversia între rezultatele
(1) Cât de stabil este un diagnostic? Trecerea de la durerea acută la cea cronică sau durerii. Investigarea și aplicarea cunoștințelor privind diagnosticul dinamic nu este
stimularea nociceptivă la multitudinea de domenii psihologice afectate de percepția ceva care este abordat în prezent în domeniul durerii, iar maleabilitatea inerentă a
durerii este o realitate pe care nu o abordăm în prezent. De exemplu, ca răspuns la o diagnosticului durerii este un factor major care limitează creșterea domeniului nostru.
vătămare fizică traumatică, o persoană se poate recupera de la stimulul fizic care a
produs durere (Rezultatul durerii 1), dar sistemul său nervos central poate rămâne
pregătit să experimenteze stimuli dureroși după aceea (Rezultatul durerii 2). Astfel de
tehnici
Fig. 1. Provocări în abordarea unei platforme comune de durere. Durerea este un construct definit din punct de vedere perceptiv, cu maleabilitate imensă. Diferite forme și
combinații de modalități pot fi utilizate pentru a defini condiții unice de durere, care ele însele, pot evolua temporal pentru a deveni cronice sau pot promova alte afecțiuni
de durere prin mecanisme precum sensibilizarea centrală și alodinia.
3
Machine Translated by Google
SA Holmes et al.
Neurobiology of Pain 12 (2022) 100108
Tabelul
1 Rezumatul tehnicilor utilizate în mod obișnuit pentru a evalua caracteristicile durerii.
Tehnică Prezentare generală Ipoteze Limitări Supraveghere Abilitatea de a integra mai multe
Modalitati
Componentă - PC-uri necorelate; - Exprimarea datelor combinate discriminarea între componente poate
Clasificatori
Liniar Găsește o combinație liniară de - Normalitate multivariată - Dimensiunea mică a eșantionului - Probleme Supravegheat Medie – Încrederea pe structura varianței
Discriminant caracteristici pentru a modela - Homoscedasticitate - Covarianțe de liniaritate oferă limitări similare ca PCA; cu toate
Analiză diferențele de grup și pentru a separa egale - acestea, face pași suplimentari către
două sau mai multe clase. Reduce Multicoliniaritate - reducerea dimensionalității
dimensionalitatea și este folosit ca Independen ă
clasificator liniar. Creează un hiperplan
Vector de suport pentru a separa datele în clase. Este folosit - Intrări numerice - Clasificare - Intrări mari de date - Clase Supravegheat Scăzut – Natura supravegheată permite o
Mașinărie ca model liniar pentru clasificare și analiza binară - Grupurile pot fi separate țintă suprapuse - Fără o explicație mai mare integrare a diferitelor modalități;
regresiei folosind un model de regresie probabilistică pentru clasificare - Alegerea totuși, performanța limitată cu seturi de
liniară kernelului nu este ușoară - Viteză și date mari limitează generalizarea și
dimensiune în antrenament / testare. - Date dependența de clasificatorii liniari va reduce
discrete - Performanță lentă de generalizare performanța de clasificare a datelor de
Arborele de decizie Clasifică și prezintă grafic Împărțirea setului de date - În mare parte instabil - Supravegheat în cea Medie – Permite luarea în considerare
Analiză alternative la fiecare punct de în clustere omogene - Predicție variabilă continuă a rezultatului mai mare parte independentă a modalităților; cu toate
decizie pentru a rezolva o problemă - Timp de antrenament - Nesupravegheat acestea, structura înnăscută limitează
pentru a realiza generalizarea
gruparea
K-Cel mai apropiat Prezice clasificarea noilor Variabile similare sunt Limitări de viteză la un număr mai mare de Supravegheat Medie – Abilitatea de a integra volume
Vecin eșantionează puncte din mai multe poziționați într-o apropiere variabile mari de date; cu toate acestea, dependență
clase și iterează peste K grupări similară unul față de celălalt de-a puternică de optimizarea grupului „K” și
pentru a minimiza funcția de eroare. lungul spațiului dimensional foarte sensibil la zgomot care va varia în
Capabil de analize de regresie și funcție de mod.
clasificare Învățare profundă O metodă
de învățare automată care vizează clasificarea care se bazează pe - Normalitatea datelor de intrare - Datele ortogonalizate ar trebui să fie Supravegheat i Înalt; Nivelurile ridicate de adaptabilitate
aplicarea iterativă a straturilor ascunse - Multicoliniaritate distribuite în mod normal Nesupravegheat și integrarea tehnicilor de fuziune permit
(nelimitate) pentru a dezvolta modele de - Homoscedasticitatea - Normalitatea multivariată cu dimensiuni independența considerentelor modalității
clasificare. mai mici ale eșantionului poate să nu fie datelor; cu toate acestea, necesită expertiză
păstrată pentru a efectua.
Spre o înțelegere mai profundă a durerii ipoteze la învățarea profundă, inclusiv omogenitatea dimensională (Rudolph și
Kroplin, 1997) și ipoteza de continuitate, cluster și varietate (vezi (Soni, 2019); cu
Mergând înainte, interesele noastre tehnice trebuie să fie larg interconectate toate acestea, ele se pot generaliza bine (în funcție de calitatea datelor introduse)
cu interesele noastre clinice, optimizând capacitatea noastră de a diagnostica și atunci când sunt combinate cu tehnicile de fuziune a datelor pot integra date
prezența durerii și de a prezice severitatea viitoare a durerii și de a diagnostica multimodale care pot necesita etape unice de pre-procesare.Învățarea profundă
durerea, indiferent de capacitatea unei persoane de a furniza simptome de durere rămâne foarte atractivă pentru eforturile care vizează o utilizare dinamică a
auto-raportate. variabilelor de intrare cu volume mari de date disponibile pentru instruire.Integrarea
Învățarea profundă este un subset al inteligenței artificiale care oferă un tehnicilor de fuziune a datelor (Werner, 2016; Werner, et al., 2014) permite
termen umbrelă pentru tehnicile și clasificatorii de reducere a componentelor. învățarea profundă să ia în considerare și să gestioneze în mod independent
Rețelele de învățare profundă sunt aranjate folosind un strat de intrare, straturi datele din diverse modalități.
ascunse și un strat de ieșire (vezi Fig. 2). Aplicarea unor astfel de modele poate Învățarea profundă și abordările bazate pe inteligența artificială se bucură în
fi dezvoltată într-o manieră online, evoluând cu introducerea datelor sau prin prezent de o practică limitată în domeniul durerii și al anesteziei. De exemplu,
cercetări anterioare de modelare, cum ar fi proceduri meta-ponderate, care pot cercetările anterioare, inclusiv cele realizate de Nagireddi et al., 2022, au evaluat
integra mai multe modalități în analizele lor (Rudovic, et al., 2019). Există unice aplicarea actuală a IA în contextul cercetării durerii, constatând că aceasta
4
Machine Translated by Google
Fig. 2. Prezentare generală a unui exemplu de model de învățare profundă care arată straturile de intrare, ascunse și de ieșire. În panoul din dreapta, sunt subliniați următorii pași propuși
pentru integrarea metodelor DL și AI în medicina durerii.
explorare în domenii precum evaluarea durerii, măsurători automate, diagnosticul fenotipuri clinice diferite și există fără simptome comportamentale evidente.
coloanei vertebrale, expresia facială și durerea neonatală. Într-o investigație Abordările AI se vor confrunta cu aceleași provocări cu care se confruntă clinicienii
separată, o abordare bazată pe IA pentru utilizarea terapiei cognitiv-comportamentale de astăzi, integrând atât impactul nociceptiv asupra procesării sistemului nervos
pentru durerea cronică a necesitat mai puțin de jumătate din timpul terapeutului ca periferic și central, cât și impactul acut, cronic și diseminat al nocicepției asupra
TCC standard pentru durerea cronică (Piette și colab., 2002; JAMA INTERNAL MED). procesării durerii prin creier și corp. Preocupările sunt plasate pe bună dreptate în
Această constatare evidențiază elementul oportunist al DL și AI, adică faptul că ceea ce s-a numit o criză de reproductibilitate, deoarece metodele AI și ML au
acestea trebuie să domine luarea deciziilor clinice, dar pot ajuta la sarcini care sprijină decolat cu puțină structură sau linii directoare la care să adere, sau pentru care
luarea deciziilor clinice și reduc sarcina de îngrijire a sănătății. Exemple de cazuri recenzenții trebuie să-i oblige pe autori (Gibney, 2022). Într-adevăr, multitudinea
mai complexe includ aplicarea de algoritmi precum Generative Pre-trained actuală de oportunități pentru care metodele AI și DL pot fi aplicate ar putea fi
Transformer-3 (GPT-3). Într-o revizuire recentă, Korngiebel & Mooney au subliniat depășit capacitatea noastră de a reglementa aplicarea acesteia. Sugerăm că domeniul
posibilitățile și capcanele cu GPT-3 în ceea ce privește procesarea limbajului durerii ar trebui să se concentreze pe trei piese critice care avansează: (1) având
natural în mediul de asistență medicală, ajutând la trecerea prin dosarele medicale rezultate dinamice pentru a aborda instabilitatea inerentă a rezultatelor durerii, care
și la interfața în conversații limitate cu pacienții; cu toate acestea, este limitat ca o va necesita atât tehnici supravegheate, cât și nesupravegheate. Abordările
formă de inteligență generativă artificială (AGI) care retrage orice aplicație în medii transdiagnostice ale intervențiilor psihologice sunt bine documentate și mijloacele
mai fluide și mai dinamice, cum ar fi conversațiile medic-pacient. prin care durerea – ca eveniment perceptiv – se poate „prezenta” prin diferite
domenii necesită o astfel de abordare (2) Integrarea factorilor de ponderare care
În cele din urmă, DeepMind a văzut o mare promisiune în domenii precum sunt relevanți clinic și informarea tehnicilor de reducere a datelor.
planificarea tratamentului cu radioterapie pentru cancer (Nikolov et al., 2021) și
detectarea bolilor oculare (De Fauw și colab., 2018); cu toate acestea, nu a existat Aplicarea unor astfel de modele trebuie să depășească interpretabilitatea clinică și,
nicio aplicație pentru medicina durerii din cunoștințele autorilor. Aceste exemple ca și în cazul diagnosticului modern, să permită medicilor să ia în considerare
evidențiază un început timpuriu și promițător către integrarea DL și AI în medicina subdomenii mai degrabă decât rezultatele binarizate izolat.
clinică. ție. (3) Examinați și reexaminați în mod continuu metadatele care reflectă leziunile
Tehnologiile de învățare profundă sunt probabil platforma ideală pentru tisulare, nocicepția și raportarea durerii pentru a înțelege nu numai nivelurile
clasificatorii de diagnosticare a durerii trans și pentru prognoza durerii. În prezente de durere, ci și pentru a începe înțelegerea factorilor de risc pentru
contextul durerii, supravegherea contribuției este în prezent necesară și depinde dezvoltarea durerii cronice. Aceasta se referă la reproductibilitatea oricăror modele aplicate.
foarte mult de raportarea subiectivă, deoarece focalizarea noastră clinică și Indiferent dacă pacientul se confruntă sau nu, trebuie să existe o actualizare continuă
standardul de aur în serviciile de tratare a durerii este auto-raportarea pacientului. a abordărilor menționate pentru a asigura cel mai înalt grad de fiabilitate și
Cu toate acestea, dacă considerăm că fiecare investigație a durerii finanțată de CIHR validitate pentru sănătatea pacientului. Va fi necesar un efort comunitar.
sau NIH necesită, cel puțin, nivelul de supraveghere pentru a defini cohortele de Scott A Holmes nu are niciun conflict de interese. Joud Mar'i nu are niciun
durere, avem deja date semnificative disponibile pentru a construi platforme conflict de interese. Stephen Green nu are niciun conflict de interese. David Borsook
robuste. Rezultatele noastre trebuie să fie distincte și motivate clinic, ceea ce nu are niciun conflict de
interes.
înseamnă că se pune un accent egal pe cercetători și pe clinicieni pe construirea și rafinarea acestor modele.
Ei trebuie să fie suficient de flexibili pentru a oferi cei mai puternici predictori ai
durerii viitoare și să fie la fel de sensibili la populațiile marginalizate, cum ar fi nou- Declarație de interese concurente
născuții care încă nu au învățat cum să exprime durerea, așa cum sunt față de
indivizii care raportează durere care are o bază psihologică dominată. Autorii declară că nu au interese financiare concurente cunoscute sau relații
personale care ar fi putut părea să influențeze munca raportată în această lucrare.
Mergând înainte, domeniul anesteziei creează provocări unice pentru abordările
AI și DL. Durerea este în sine o construcție psihologică, creând astfel o țintă extrem
de dinamică pentru clinicieni, care poate prelua
5
Machine Translated by Google
Referințe Liang, M., Mouraux, A., Iannetti, GD, 2011. Prelucrarea paralelă a informațiilor somatosenzoriale
nociceptive și non nociceptive în cortecile somatosenzoriale primare și secundare umane :
dovezi din modelarea cauzală dinamică a datelor de imagistică prin rezonanță magnetică
Atee, M., Hoti, K., Parsons, R., Hughes, JD, 2017. Pain Assessment in Dementia: Evaluation of a
funcțională. J. Neurosci. 31, 8976– 8985.
Point-of-Care Technological Solution. J. Alzheimer Dis. 60, 137– 150.
Martin, LJ, et al., 2015. Reducerea stresului social provoacă contagiune emoțională a durerii la șoarece
și oameni străini. Curr. Biol. 25, 326– 332.
Coghill, RC, Sang, CN, Maisog, JM, Iadarola, MJ, 1999. Pain Intensity Processing Within the Human
Master, SL, et al., 2009. Valorile unei imagini: fotografiile partenerilor se reduc experimental
Brain: A Bilateral, Distributed Mechanism. J. Neurofiziol. 82, 1934– 1943.
Durerea indusă. Psih. Sci. 20, 1316– 1318.
McIntosh, AR, Miˇsi´c, B., 2013. Multivariate Statistical Analyses for Neuroimaging Data.
Brown, JL, Sheffield, D., Leary, MR, Robinson, ME, 2003. Sprijin social și durere experimentală.
Annu. Rev. Psihol. 64, 499– 525.
Psychosom Med. 65, 276– 283.
Neight, G., Bekbhat, M. & Rowson, S. Neuroimmunology: Behavioral Effects. (2018).
Coghill, RC, 2020. Sistemul nociceptiv distribuit: un cadru pentru înțelegerea durerii.
Oliveira, VC, et al., 2015. Nivelul perceput al pacienților de izolare socială afectează
Trends Neurosci. 43 (10), 780– 794.
Prognosticul durerii lombare: izolare socială și dureri lombare. EURO. J. Pain 19,
Corder, G., et al., 2013. Activitatea constitutivă a receptorilor m-opioid duce la termen lung
538– 545.
Analgezie endogenă și dependență. 341, 7.
Ringn´er, M., 2008. Ce este analiza componentelor principale? Nat. Biotehnologia. 26, 303– 304.
Crofford, LJ, 2015. Durerea cronică: unde corpul se întâlnește cu creierul. Durerea cronică 17.
Rudolph, S. & Kroplin, B.-H. Despre ipoteze de modelare și rețele neuronale artificiale.
Davis, KD, et al., 2020. Descoperirea și validarea biomarkerilor pentru a ajuta la dezvoltarea terapiei
(1997).
durerii sigure și eficiente: provocări și oportunități. Nat. Rev.
Rudovic, O. et al. Experți în procese gaussiene meta-ponderate pentru prognoza personalizată
Neurol. 16, 381– 400.
de AD Modificări cognitive. ArXiv190409370 Cs Stat (2019).
Garcia-Larrea, L., Bastuji, H., 2018. Durere și conștiință. Prog. Neuro
Shlens, J. A Tutorial on Principal Component Analysis. 13 (2005).
Psihofarmacol. Biol. Psihiatrie 87, 193– 199.
Soni, D. Înțelegerea diferitelor tipuri de modele de învățare mecanică. (2019).
Ji, R.-R., Nackley, A., Huh, Y., Terrando, N., Maixner, W., 2018. Neuroinflammation and Central
Sutherland, S. Liderii cercetării durerii se reunesc pentru a stabili o cale către biomarkerii durerii.
Sensitization in Chronic and Widespread Pain. Anestezie 129, 343– 366.
(2020).
Jolliffe, I., 2002. Componentele principale în analiza de regresie. Prin Compune Anal.
167– 98. Thompson, E.L., Broadbent, J., Fuller-Tyszkiewicz, M., Bertino, M.D., Staiger, P.K., 2019.
O analiză de rețea a legăturilor dintre simptomele durerii cronice și simptomele tulburării
Keefe, FJ, Smith, S., 2002. Evaluarea comportamentului durerii: Implicații pentru psihofiziologia aplicată
afective. Int. J. Behav. Med. 26, 59– 68.
și direcțiile viitoare de cercetare. Appl. Psihofiziol. Biofeedback 11.
Werner, P., et al., 2016. Evaluarea automată a durerii cu descriptori de activitate facială. IEEE Trans. A
afecta. Calculator. 8, 286– 299.
Knezevic, N., Tverdohleb, T., Knezevic, I., Candido, K., 2018. Rolul polimorfismelor genetice la
Werner, P. i colab. Recunoașterea automată a durerii din semnale video și biomedicale. (2014).
pacienții cu durere cronică. Int. J. Mol. Sci. 19, 1707.
Witt, N., Coynor, S., Edwards, C., Bradshaw, H., 2016. Un ghid pentru evaluarea și managementul
Legrain, V., Iannetti, GD, Plaghki, L., Mouraux, A., 2011. The pain matrix reloaded.
durerii la nou-născut. Curr. Emerg. Hosp. Med. Rep. 4 (1), 1– 10.
Prog. Neurobiol. 93, 111– 124.