Machine Translated by Google

Neurobiology of Pain 12 (2022) 100108

Liste de conținut disponibile la ScienceDirect

Neurobiologia durerii

pagina de pornire a revistei: www.sciencedirect.com/journal/neurobiology-of-pain

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

Pediatric Pain Pathway Lab, Spitalul de Copii din Boston, SUA

INFORMATII ARTICOL ABSTRACT

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.

reflectă astăzi diagnosticul clinic, previziunea durerii și investigația de cercetare. Volumul

literaturii de astăzi acoperă dezvoltarea fenotipurilor durerii, factorii de risc genetici
pentru dezvoltarea stărilor dureroase, identificarea patologiei subclinice sau a inflamației
care ar putea antrena creierul la o „stare de durere” continuă sau persistentă și găsirea
unor noi și mai precise. modalități de a raporta durerea pentru populațiile sănătoase și
expuse riscului. Astfel de abordări reflectă activități independente. Este nevoie să existe
modalități de integrare a eforturilor anterioare de modelare a durerii care utilizează mai
multe modalități cu rezultate dinamice, astfel încât să se înțeleagă nu numai modul în
care leziunile tisulare duc la durere, ci și cum același nivel de durere poate fi susținut
chiar și după aparentul
Gunoi înăuntru, gunoi afară. Luați în considerare sursa datelor.
În timp ce nocicepția reprezintă activitate în neuroni senzoriali specifici, durerea
este mai complexă. Durerea este o experiență percepută subiectiv care are rădăcini într-o
rețea distribuită și extinsă de interacțiuni neurofiziologice (Coghill et al., 2020).
Procesarea subconștientă a stimulilor nociceptivi și a anomaliilor genetice atipice
(Knezevic și colab., 2018), neurologice și comportamentale (Garcia-Larrea și Bastuji,
2018) se adaugă diversității durerii și nocicepției. Expresia comportamentelor dureroase
este mediată de integrarea complexă a elementelor sociale, cognitive și motorii

* 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
SA Holmes et al.
factori conexe. Nivelul de sprijin social al unei persoane poate influența atât
(Oliveira, 2015), cât și poate fi influențat de (Brown et al., 2003; Master, 2009)
nivelul de durere pe care îl experimentează. Un nivel de empatie al individului
poate contribui, de asemenea, la „contagiozitatea” durerii (Martin, 2015) , iar
persistența și amploarea unui stimul dureros afectează modul în care durerea
interacționează cu dizabilitățile legate de motor (Neight și Bekbhat, 2018).
Interacțiunea durerii cu comorbiditățile, cum ar fi depresia, anxietatea și frica de
durere, toate creează o diversitate extinsă și subiectivă a experienței durerii
(Thompson et al., 2019). Interesant este că procesarea durerii poate apărea în
absența comportamentelor dureroase manifeste (de exemplu, mișcarea de pază,
postură de evitare a durerii) (Keefe și Smith, 2002). Deși cortexul somatosenzorial
oferă un terminal pentru primirea informațiilor nociceptive periferice (Liang et al.,
2011), releele extinse către regiunile prefrontale, motorii, parietale și alte regiuni
ale creierului de ordin superior, precum și regiunile subcorticale, au definit o
formă distribuită de procesare a durerii ( Coghill, 2020; Coghill et al., 1999) cunoscut
în prezent sub numele de conectomul durerii (Davis, 2020).
Printre aceste căi distribuite, factori cum ar fi debutul întârziat sau compensarea
durerii, sumarea repetitivă a impulsului nociceptiv și comoditățile reflectă potențial
intervenția asupra acestui conectom al durerii (Legrain și colab., 2011).
Din punct de vedere clinic, fiabilitatea, specificitatea și sensibilitatea datelor
pe care alegem să ne bazăm este o problemă semnificativă. De exemplu, durerea
neuropatică în prezent poate fi evaluată și diagnosticată printr-un examen fizic
detaliat, bazându-se pe auto-raportarea pacientului (vezi chestionarul painDETECT
16,17). Deși în prezent nu ne bazăm pe acest lucru, același nivel de durere ar
putea, teoretic, să fie clasificat prin neurografie periferică, arătând dovezi de
deteriorare a fibrelor nervoase periferice; deși cu distincția că neurografia
periferică ar putea identifica doar potențialul nociceptiv fără utilizarea auto-
raportului participantului. Cu toate acestea, nu toți pacienții sunt capabili să se
auto-raporteze - de la nou-născuți cu leziuni nervoase, până la copii și adulți cu
tulburări de comunicare (Atee et al., 2017; Witt et al., 2016), capacitatea noastră de
a proiecta o stare de durere propusă asupra datele observate privind durerea
neuropatică vor îmbunătăți considerabil capacitatea noastră de a identifica și
monitoriza participanții la durere. Definiția clinică a durerii trebuie să integreze
astfel de scenarii și să arate sensibilitate transdiagnostic la rezultatele dinamice
care reflectă diversitatea elementelor psihologice ale durerii (de exemplu,
catastrofizarea durerii, frica de durere), sensibilizarea centrală, evaluările durerii
acute și cronice și multe altele (Crofford). , 2015; Ji și colab., 2018).
Markeri în evoluție pentru durere
A existat un efort major pentru definirea biomarkerilor durerii (Sutherland,
2020). Reorientarea valorilor clinice ale durerii de la măsurile de auto-raportare a
pacientului către markeri neurologici obiectivi necesită luarea în considerare egală
a surselor de date ca și a rezultatelor clinice. Cu toate acestea, din punct de
vedere etic, trebuie să prețuim întotdeauna auto-raportul participantului, punând
preț pe auto-acțiunea supraviețuitorilor traumei și afecțiunilor medicale cronice.
Înțelegerea eficientă, fie îndreptată spre diagnostic, fie către monitorizarea
pacientului, necesită integrarea datelor psihologice și sociodemografice cu date
multivariate care descriu sănătatea sistemică a sistemului nervos central și periferic
subiacent. Metodele de integrare a datelor în domeniul durerii trebuie să ia în
considerare un suflu larg de variabilitate a datelor cu grade contrastante de
dimensionalitate, varianță și fiabilitate.
Transdiagnostica – un primer pentru diagnosticarea
dinamică Studiul sănătății mintale și al proceselor psihologice poate fi asistat
prin luarea în considerare și adoptarea abordărilor transdiagnostice.
Granițele diagnosticului (adică capacitatea de a diferenția un grup clinic de altul)
nu pot fi apreciate practic uneori, deoarece în realitate pot exista elemente ale
mai multor tulburări prezente simultan - aceasta poate include schimbări între
diferitele tulburări de sănătate mintală care apar prin procesul de recuperare. dintr-
un singur eveniment medical sau prin dezvoltare (Dalgleish et al., 2020). Lucrările
anterioare au evaluat utilizarea abordărilor transdiagnostice în intervenții pentru
procesarea psihologică, inclusiv comportamentul de evitare, reglarea emoțională,
afectul negativ.
2
Neurobiology of Pain 12 (2022) 100108
/ nevroticismul și alții care sugerează că oferă o abordare mai personalizată a
îngrijirii medicale (Schaeuffele et al., 2021). Această abordare invită într-adevăr o
discuție filozofică cu privire la semnificația „simptomelor”.
Diferite abordări sugerează fie o boală latentă inerentă care se poate exprima în
forme diferite, dar interschimbabile (vezi O'Driscoll et al., 2022), fie, ca în cazul
teoriei sistemelor, în care simptomele sunt mai mult interpretate ca „agenți
cauzali autonomi”. , fiind exprimată ca răspuns la anumite evenimente din mediul
persoanei (Borsboom & Cramer, 2013; Cramer et al., 2010). Aceste perspective
reciproce reflectă modul în care apar simptomele și ambele subliniază importanța
luării în considerare a prezentărilor variabile ale simptomelor într-un cadru clinic.
Interesul pentru abordările transdiagnostice a crescut de la două articole publicate
în 2003, la 72 în 2010, la 730 în 2022 (sursa: PubMed: termeni de căutare:
„Transdiagnostic”). În special, aceasta trebuie să abordeze și natura variabilă a
„testării” și limitarea conform căreia un simptom poate să nu fie luat în
considerare în măsurătorile de screening mai puțin sensibile și, prin urmare,
necesită actualizare și testare continuă. Perspectiva transdiagnostic este importantă
având în vedere că durerea este un construct psihologic și influențată de factori
comorbidi și de mediu
factor de stres.
Îngustarea imaginii: alegeți între o cheie și o perie pentru durere
Modelele predictive au mandatul de a optimiza acuratețea minimizând în
același timp numărul de variabile independente din model. Tehnicile de reducere
a dimensionalității vizează în mod specific numărul de termeni dintr-un model, fie
prin eliminarea caracteristicilor redundante, fie prin crearea de variabile latente
care reprezintă compoziții ale factorilor de bază. Este important și rar abordat
modul în care sunt luate în considerare diferitele tipuri de date. Pentru a afirma
clar problema, atunci când avem de ales între integrarea a două puncte de date,
unul din testarea psihologică și unul din imagistica cerebrală, reprezintă ele
aceeași valoare, indiferent de interesul nostru de a prezice sensibilizarea centrală
sau diferitele elemente psihologice ale durerii? Răspunsul practic la aceasta este
„Nu”. Datorită aspectelor practice (de exemplu, accesul la un RMN), experienței
îngrijitorului (de exemplu, încrederea în criteriile obiective mai mult din cauza
simularii pacientului) sau abordarea clinicianului, există o valoare empirică de a
cântări în mod disproporționat un factor față de altul, fie în momentul colectarea
datelor sau la momentul evaluării clinice. Pot exista mai multe opțiuni atunci când
se încearcă stabilirea unui set discret de predictori; cu toate acestea, fiecare poartă
implicite caracteristici de date, inclusiv ponderare clinică.
De exemplu, analiza corelației/variabilelor canonice (CCA/CVA) poate fi o
tehnică exploratorie supravegheată și nesupravegheată care leagă două seturi de
date cu scopul de a crea combinații de variabile care împărtășesc o corelație
optimă între ele (McIntosh și Miˇsi´c, 2013).
Odată ce perechile sunt identificate, eliminarea coliniarității (redundanța factorilor)
echivalează cu eliminarea unuia dintre factorii corelați. Care factor este ales pentru
eliminare este adesea un pas nesupravegheat în conductele automate; totuși,
dacă este lăsat supravegheat, va necesita o posibilă abordare a câtorva sute de
relații sau stabilirea unei reguli generalizate (de exemplu, prioritizarea tuturor
datelor psihologice față de datele imagistice). Analiza componentelor principale
(PCA) este o tehnică exploratorie nesupravegheată care reduce dimensionalitatea
unui set de date X într-o serie ordonată de componente principale unice, cu cât mai
mult posibil din varianța totală păstrată (Jolliffe, 2002). Varianța în PCA este
constrânsă la un număr minim de componente necorelate în proprietățile lor
dimensionale (de exemplu, spațiale sau temporale) (Ringn´er, 2008). Natura
nesupravegheată a acestui model înseamnă că componentele rezultate sunt bazate
pe date și sunt definite independent de considerentele clinice. Modelul nu ia în
considerare eticheta fiecărui punct de date și mai degrabă determină direcția celei
mai mari variații ortogonale din setul de date (Shlens, 2005). Capacitatea de
integrare intermodală este limitată pe baza concepției sale conform căreia datele
cu varianță mai mare echivalează cu o importanță mai mare, ceea ce poate duce la
distorsiuni în modelele din aval. Considerații similare sunt observate în cazul
analizei componentelor independente (ICA). În consecință, pot fi semnificative
Machine Translated by Google
SA Holmes et al.
date relevante din punct de vedere clinic pierdute prin reducerea nesupravegheată a
factorilor.
Trebuie să se ia în considerare nu doar similitudinea datelor, ci și tabloul clinic
mai larg. Acest lucru poate fi realizat prin ponderarea în aval a factorilor care intră
într-un model. De exemplu, dacă trebuie să alegem între eliminarea uneia dintre cele
două variabile dintr-un model și acestea oferă caracteristici de date similare, putem
avea mai multă încredere în eliminarea unei variabile genetice asupra unei variabile
psihologice pe baza unei ponderi stabilite față de o durere predominant psihologică.
rezultat. Dar pentru a face acest lucru avem nevoie de modele mai dinamice, care să
aibă feedforward și proiecții de feedback care să stabilească acest factor de ponderare.
Eficacitatea tehnicilor de reducere a datelor este discutabilă și probabil necesită
considerații specifice investigatorului. Modul în care abordăm natura supravegheată
a eliminării factorilor din datele noastre se va alimenta pentru a defini nu numai
generalizarea modelelor și algoritmilor pe care le creăm, ci și aplicabilitatea clinică a
acestor abordări. Transparența cu privire la modul în care sunt create modelele astfel
încât clinicienii să înțeleagă modul în care un diagnostic integrează o variabilă de
interes este relevantă pentru judecata clinică.
Prezicerea durerii: care sunt rezultatele noastre?
Peste cinci ani, unde vrem să fim? A avea cunoștințele și flexibilitatea de a
conversa cu un pacient și de a interacționa cu o platformă digitală pentru a determina
nivelul actual și temporal de durere al pacientului folosind tehnologiile online și
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?
O platformă comună pentru diagnosticarea durerii și previzionarea simptomelor
viitoare, care este suficient de maleabilă pentru a integra definițiile evolutive ale
durerii implică provocări și considerații unice care sunt prezentate în Fig. 1.
(1) Cât de stabil este un diagnostic? Trecerea de la durerea acută la cea cronică sau
stimularea nociceptivă la multitudinea de domenii psihologice afectate de percepția
durerii este o realitate pe care nu o abordăm în prezent. De exemplu, ca răspuns la o
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
Neurobiology of Pain 12 (2022) 100108
ca K-Nearest-Neighbours oferă modalități puternice de integrare a modalităților, dar
necesită un grad ridicat de supraveghere și intervenție. Alternativ, analizele Arborelui
de decizie pot aborda gradul înalt de supraveghere necesară și pot avea o aplicație
clinică ridicată; cu toate acestea, structura lor înnăscută limitează generalizarea. (2)
Cum definim fenotipurile durerii? Această întrebare implică resursele și metodele
necesare pentru a defini o anumită stare clinică de durere. De exemplu, pe măsură ce
construim dovezi pentru un diagnostic de sensibilizare centrală, va necesita un anumit
marker al funcției creierului, fie direct, fie indirect și probabil un anumit nivel de auto-
raportare a participanților. Tehnici precum regresia parțială a celor mai mici pătrate
pot integra bine modalitățile; cu toate acestea, natura inerentă a algoritmilor săi reduce
dimensionalitatea prin crearea de structuri variabile latente, creând astfel metrici ale
durerii care pot fi puternic divorțate de lumea clinică. (3) Câtă rezoluție este necesară
pentru a identifica un fenotip de durere? Aceasta este o chestiune atât de volum de
date (de exemplu, dimensiunea eșantionului necesară pentru a identifica tendințele
datelor), cât și de amploarea datelor (de câte modalități avem nevoie pentru a clasifica
cu exactitate o anumită întrebare de interes). Unele tehnici de clasificare pot avea
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
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),
introducând potențial părtinire la variabilele cu dimensionalitate mai mică (de exemplu,
scale de evaluare a durerii). Trebuie să recunoaștem diversitatea rezultatelor durerii
și să integrăm punctele forte ale abordărilor într-o platformă comună.
Predicția durerii acute și prognozarea durerii sunt probabil să necesite aplicarea
tuturor tehnicilor enumerate în Tabelul 1. Privind spre viitor, există limitări notabile.
După cum se arată în Fig. 1, avem nevoie de metode care sunt sensibile la datele
multimodale, seturi mari și mici de date și în special conversia între rezultatele
durerii. Investigarea și aplicarea cunoștințelor privind diagnosticul dinamic nu este
ceva care este abordat în prezent în domeniul durerii, iar maleabilitatea inerentă a
diagnosticului durerii este un factor major care limitează creșterea domeniului nostru.
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

Tehnici de reducere a componentelor

Canonical Explorează și măsoară corelația
asociativă Relațiile de analiză dintre - Normalitate - Valori aberante - Curbiliniaritate Nesupravegheat Scăzut – Susceptibil la o structură de
două seturi de vectori multivariate
crește interpretabilitatea
Reduce dimensionalitatea,
și - Liniaritate - Multicoliniaritate varianță similară între variabilele

minimizează pierderea de date într-un set de date. - Homoscedasticitatea de intrare.

Principiu - Linearitate - Ortogonalitate - Perpendicularitatea Nesupravegheat Scăzut – Încrederea pe varianță, deoarece

Componentă - PC-uri necorelate; - Exprimarea datelor combinate discriminarea între componente poate

Analiză spațial și temporal liniare duce la separarea necorespunzătoare a

Agregează și maximizează variația modalităților.
în cât mai puține componente
principale posibil
Independent Identifică sursele artefactuale de Non – Gaussian și - scump din punct de vedere informatic Nesupravegheat Scăzut – În mod ideal, componentele reflectă
Componentă variabilitate într-un set de date; permite Subcomponente - Independenta in domeniul constructului modalități similare, astfel încât separarea
Analiză izolarea „zgomotului” de componentele independente - Estimarea surselor de variabilitate in semnalului de zgomot nu se bazează pe
„semnal”. date caracteristicile datelor modalității.
Parțial Cel puțin Găsește relații și modele de regresie - Flexibilitate - Coliniaritate - - Semnificația testată prin metode Supravegheat Medie – Prin eliminarea variației partajate
Pătrate liniară între două matrice prin proiectarea Distributie normala - bootstrap: jackknife - Putere scăzută între predictori, sunt utilizate variabile
Regresia variabilelor prezise și observabile la o Date centrate și scalate pentru filtrarea variabilelor pentru importanță necorelate; cu toate acestea, niveluri mai
nouă matrice cauzală minoră - Încărcări de variabile latente mari de calcul statistic poate interfera cu
spa iu independente greu de interpretat - interpretarea datelor
Proprietățile distribuționale ale estimărilor
nu sunt cunoscute.

Clasificatori
Liniar Găsește o combinație liniară de
Discriminant caracteristici pentru a modela
Analiză diferențele de grup și pentru a separa
două sau mai multe clase. Reduce
dimensionalitatea și este folosit ca
clasificator liniar. Creează un hiperplan
- Normalitate multivariată - Dimensiunea mică a eșantionului - Probleme Supravegheat Medie – Încrederea pe structura varianței
- Homoscedasticitate - Covarianțe de liniaritate oferă limitări similare ca PCA; cu toate
egale - acestea, face pași suplimentari către
Multicoliniaritate - reducerea dimensionalității
Independen ă

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

în faza de testare. ordin superior.

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
Vecin eșantionează puncte din mai multe
clase și iterează peste K grupări
pentru a minimiza funcția de eroare.
Capabil de analize de regresie și
clasificare Învățare profundă O metodă
de învățare automată care vizează clasificarea care se bazează pe
aplicarea iterativă a straturilor ascunse
(nelimitate) pentru a dezvolta modele de
clasificare.
Variabile similare sunt
poziționați într-o apropiere
similară unul față de celălalt de-a
lungul spațiului dimensional
- Normalitatea datelor de intrare
- Multicoliniaritate
- Homoscedasticitatea
Limitări de viteză la un număr mai mare de
variabile
- Datele ortogonalizate ar trebui să fie
distribuite în mod normal
- Normalitatea multivariată cu dimensiuni
mai mici ale eșantionului poate să nu fie
păstrată
Supravegheat Medie – Abilitatea de a integra volume
mari de date; cu toate acestea, dependență
puternică de optimizarea grupului „K” și
foarte sensibil la zgomot care va varia în
funcție de mod.
Supravegheat i Înalt; Nivelurile ridicate de adaptabilitate
Nesupravegheat și integrarea tehnicilor de fuziune permit
independența considerentelor modalității
datelor; cu toate acestea, necesită expertiză
pentru a efectua.

Spre o înțelegere mai profundă a durerii
Mergând înainte, interesele noastre tehnice trebuie să fie larg interconectate
cu interesele noastre clinice, optimizând capacitatea noastră de a diagnostica
prezența durerii și de a prezice severitatea viitoare a durerii și de a diagnostica
durerea, indiferent de capacitatea unei persoane de a furniza simptome de durere
auto-raportate.
Învățarea profundă este un subset al inteligenței artificiale care oferă un
termen umbrelă pentru tehnicile și clasificatorii de reducere a componentelor.
Rețelele de învățare profundă sunt aranjate folosind un strat de intrare, straturi
ascunse și un strat de ieșire (vezi Fig. 2). Aplicarea unor astfel de modele poate
fi dezvoltată într-o manieră online, evoluând cu introducerea datelor sau prin
cercetări anterioare de modelare, cum ar fi proceduri meta-ponderate, care pot
integra mai multe modalități în analizele lor (Rudovic, et al., 2019). Există unice
ipoteze la învățarea profundă, inclusiv omogenitatea dimensională (Rudolph și
Kroplin, 1997) și ipoteza de continuitate, cluster și varietate (vezi (Soni, 2019); cu
toate acestea, ele se pot generaliza bine (în funcție de calitatea datelor introduse)
și atunci când sunt combinate cu tehnicile de fuziune a datelor pot integra date
multimodale care pot necesita etape unice de pre-procesare.Învățarea profundă
rămâne foarte atractivă pentru eforturile care vizează o utilizare dinamică a
variabilelor de intrare cu volume mari de date disponibile pentru instruire.Integrarea
tehnicilor de fuziune a datelor (Werner, 2016; Werner, et al., 2014) permite
învățarea profundă să ia în considerare și să gestioneze în mod independent
datele din diverse modalități.
Învățarea profundă și abordările bazate pe inteligența artificială se bucură în
prezent de o practică limitată în domeniul durerii și al anesteziei. De exemplu,
cercetările anterioare, inclusiv cele realizate de Nagireddi et al., 2022, au evaluat
aplicarea actuală a IA în contextul cercetării durerii, constatând că aceasta

4
Machine Translated by Google
SA Holmes et al.
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
coloanei vertebrale, expresia facială și durerea neonatală. Într-o investigație
separată, o abordare bazată pe IA pentru utilizarea terapiei cognitiv-comportamentale
pentru durerea cronică a necesitat mai puțin de jumătate din timpul terapeutului ca
TCC standard pentru durerea cronică (Piette și colab., 2002; JAMA INTERNAL MED).
Această constatare evidențiază elementul oportunist al DL și AI, adică faptul că
acestea trebuie să domine luarea deciziilor clinice, dar pot ajuta la sarcini care sprijină
luarea deciziilor clinice și reduc sarcina de îngrijire a sănătății. Exemple de cazuri
mai complexe includ aplicarea de algoritmi precum Generative Pre-trained
Transformer-3 (GPT-3). Într-o revizuire recentă, Korngiebel & Mooney au subliniat
posibilitățile și capcanele cu GPT-3 în ceea ce privește procesarea limbajului
natural în mediul de asistență medicală, ajutând la trecerea prin dosarele medicale
și la interfața în conversații limitate cu pacienții; cu toate acestea, este limitat ca o
formă de inteligență generativă artificială (AGI) care retrage orice aplicație în medii
mai fluide și mai dinamice, cum ar fi conversațiile medic-pacient.
În cele din urmă, DeepMind a văzut o mare promisiune în domenii precum
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
nicio aplicație pentru medicina durerii din cunoștințele autorilor. Aceste exemple
evidențiază un început timpuriu și promițător către integrarea DL și AI în medicina
clinică.
Tehnologiile de învățare profundă sunt probabil platforma ideală pentru
clasificatorii de diagnosticare a durerii trans și pentru prognoza durerii. În
contextul durerii, supravegherea contribuției este în prezent necesară și depinde
foarte mult de raportarea subiectivă, deoarece focalizarea noastră clinică și
standardul de aur în serviciile de tratare a durerii este auto-raportarea pacientului.
Cu toate acestea, dacă considerăm că fiecare investigație a durerii finanțată de CIHR
sau NIH necesită, cel puțin, nivelul de supraveghere pentru a defini cohortele de
durere, avem deja date semnificative disponibile pentru a construi platforme
robuste. Rezultatele noastre trebuie să fie distincte și motivate clinic, ceea ce
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-
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.
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
Neurobiology of Pain 12 (2022) 100108
fenotipuri clinice diferite și există fără simptome comportamentale evidente.
Abordările AI se vor confrunta cu aceleași provocări cu care se confruntă clinicienii
de astăzi, integrând atât impactul nociceptiv asupra procesării sistemului nervos
periferic și central, cât și impactul acut, cronic și diseminat al nocicepției asupra
procesării durerii prin creier și corp. Preocupările sunt plasate pe bună dreptate în
ceea ce s-a numit o criză de reproductibilitate, deoarece metodele AI și ML au
decolat cu puțină structură sau linii directoare la care să adere, sau pentru care
recenzenții trebuie să-i oblige pe autori (Gibney, 2022). Într-adevăr, multitudinea
actuală de oportunități pentru care metodele AI și DL pot fi aplicate ar putea fi
depășit capacitatea noastră de a reglementa aplicarea acesteia. Sugerăm că domeniul
durerii ar trebui să se concentreze pe trei piese critice care avansează: (1) având
rezultate dinamice pentru a aborda instabilitatea inerentă a rezultatelor durerii, care
va necesita atât tehnici supravegheate, cât și nesupravegheate. Abordările
transdiagnostice ale intervențiilor psihologice sunt bine documentate și mijloacele
prin care durerea – ca eveniment perceptiv – se poate „prezenta” prin diferite
domenii necesită o astfel de abordare (2) Integrarea factorilor de ponderare care
sunt relevanți clinic și informarea tehnicilor de reducere a datelor.
Aplicarea unor astfel de modele trebuie să depășească interpretabilitatea clinică și,
ca și în cazul diagnosticului modern, să permită medicilor să ia în considerare
subdomenii mai degrabă decât rezultatele binarizate izolat.
ție. (3) Examinați și reexaminați în mod continuu metadatele care reflectă leziunile
tisulare, nocicepția și raportarea durerii pentru a înțelege nu numai nivelurile
prezente de durere, ci și pentru a începe înțelegerea factorilor de risc pentru
dezvoltarea durerii cronice. Aceasta se referă la reproductibilitatea oricăror modele aplicate.
Indiferent dacă pacientul se confruntă sau nu, trebuie să existe o actualizare continuă
a abordărilor menționate pentru a asigura cel mai înalt grad de fiabilitate și
validitate pentru sănătatea pacientului. Va fi necesar un efort comunitar.
Scott A Holmes nu are niciun conflict de interese. Joud Mar'i nu are niciun
conflict de interese. Stephen Green nu are niciun conflict de interese. David Borsook
nu are niciun conflict de
interes.
Declarație de interese concurente
Autorii declară că nu au interese financiare concurente cunoscute sau relații
personale care ar fi putut părea să influențeze munca raportată în această lucrare.
5
Machine Translated by Google

SA Holmes et al. Neurobiology of Pain 12 (2022) 100108

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.