文摘
即使有一种改进的理解疼痛机制和围术期疼痛管理的进步,术后疼痛控制不足依然存在。基于presurgery预测急性术后疼痛生理指标可以提供宝贵的见解个性化的,有效的镇痛策略,从而帮助提高止痛功效。考虑疼痛知觉之间的关联度和神经振荡,我们假设可以预测急性术后疼痛神经振荡测量手术之前不久。神经振荡之间的关系在这里,我们研究了前2小时胸腔镜手术,急性术后疼痛的主观强度。光谱功率密度的静息状态的β和γ乐队振荡frontocentral地区明显不同患者不同程度的急性术后疼痛(即。、低疼痛比中等/高疼痛)。之间的正相关关系也观察到光谱功率密度的静息状态的β和γ乐队振荡和主观的报道术后疼痛。然后,我们预测急性术后疼痛的程度根据神经振荡的特性使用机器学习技术,实现了92.54%的预测精度和真正的疼痛强度之间的相关系数和预测的疼痛强度为0.84。,急性术后疼痛的预测基于神经振荡测量前的手术是可行的,能满足临床需求在未来更好地控制术后疼痛和其他不必要的负面影响。这项研究是在临床试验注册中心注册(https://clinicaltrials.gov/ct2/show/NCT03761576?term=NCT03761576&draw=2&rank=1)注册号码NCT03761576。
1。介绍
每年超过2.3亿的大型手术执行世界各地(1]。即使有一种改进的理解疼痛机制和围术期疼痛管理的进步,术后疼痛控制不足仍在继续。事实上,是严重急性术后疼痛的发生率从20%到80%不等(2]。术后疼痛会导致一系列的负面影响,包括延迟恢复时间,增加了医疗成本,从急性疼痛的发病率增加慢性疼痛(1]。防止这些问题的一个方法是采用更有效的镇痛策略在围手术期处理。更有效的镇痛的帮助下可以取得成功预测急性术后疼痛基于生理指标在手术之前。利用机器学习技术的力量,我们可以识别风险预测急性术后疼痛患者手术前的基于生理指标。正确的预测将有助于深化我们对风险的生物学基础的理解。此外,预测将有助于开发更有针对性或预防性治疗(即。个性化治疗)提高镇痛效果3,4]。
疼痛是一种感觉和情感体验与高水平的变化在不同的个体(5]。重要的是,疼痛知觉神经振荡密切相关(6],它发挥着至关重要的作用在大脑区域的隔离和集成功能(7]。具体地说,许多研究急性和慢性疼痛使用脑电图(EEG)和脑磁图描记术(MEG)强调了重要作用的神经振荡在θ,α,β和γ频段在描述疼痛知觉6,8- - - - - -13),虽然特异性神经振荡和疼痛之间的关系是有争议的。疼痛知觉之间的关系和神经振荡可以总结在三个主要方面。首先,疼痛的刺激可以诱发显著调节的神经振荡在θ,α,β和γ频带(5,6,13,14,重要的是,一些神经振荡的大小的变化强劲与疼痛知觉的主观强度(5,13,15]。例如,伽马振荡记录从初级躯体感觉皮层可以预测主观疼痛强度在同一个人和编码疼痛敏感性不同的个体(5]。此外,伽马振荡在前额叶皮层编码的主观疼痛知觉主音热疼痛(10,16]。第二,神经振荡在疼痛的刺激也可能预测所诱发的疼痛知觉的主观强度(即将到来的疼痛的刺激17,18]。具体来说,α振荡在两国中部地区和伽马振荡顶叶区域协同作用,并且有因果预测随后的疼痛的刺激引发的疼痛知觉的强度(17]。第三,改变神经振荡观察到在许多慢性疼痛,如纤维肌痛(8,13,慢性背痛9],postherpetic神经痛(12]。例如,梅格的一项研究发现,纤维肌痛患者表现出增加β和γ的背外侧前额叶和眶额叶皮层8]。有趣的是,增加权力这两个频段也与更高的情感纤维肌痛患者疼痛评分(8]。
考虑疼痛知觉之间的关联度和神经振荡,我们假设可以预测急性术后疼痛神经振荡测量手术之前不久。在实践中,本研究目的可以实现基于神经成像技术相结合的方法来记录神经振荡和机器学习技术(19,20.]预测术后疼痛。机器学习是指一组算法,可以自动检测模式从神经影像数据和利用检测模式预测临床结果(21,22),如急性术后疼痛的强度。越来越多的证据已经记录表明机器学习可以从高维和嘈杂的神经影像数据中提取有意义的信息,从而有效地识别神经行为和疾病的标记(21,22]。
这里,神经振荡测量使用EEG技术手术,前不久的技术是临床可行的在大多数情况下,可以直接使用脑电图在病人的床边。手术前的神经振荡之间的关系和急性术后疼痛的主观强度量化使用光谱分析和偏相关分析。之后,机器学习技术应用于预测术后疼痛的强度基于脑电图记录前不久手术。理想情况下,手术高危患者的术后疼痛可以识别在手术之前,它可以提供一个重要的措施来优化术后疼痛的止痛剂更好的控制策略和其他消极的结果。
2。方法
麻醉学临床研究部门的北京大学人民医院,北京,中国。在北京大学人民医院医学伦理委员会批准了研究方案。从所有参与者获得书面知情同意。这项研究是在临床试验注册中心注册(https://register.clinicaltrials.gov/)注册号码NCT03761576。
2.1。参与者
北京大学人民医院的患者对于叶切除术,楔形切除,或纵隔切开术在胸腔镜手术招募了2018年11月至2019年3月。入选标准是:(1)年龄在35和65年之间,(2)教育水平超越中学,(3)美国麻醉医师协会(ASA) i ii级,(4)喜欢用术后病人自控镇痛(PCA),和(5)签署了知情同意。排除标准(1)神经系统疾病、精神疾病或精神病家族史(2),(3)创伤性脑损伤或postcraniotomy,(4)慢性疼痛或术前阿片类用户,和(5)需要开胸手术后或计划回到重症监护室。详细总结了人口统计信息表1。
2.2。研究设计
作为显示在图1(一)研究设计是由三个阶段组成的。在第一阶段,病人被要求签署知情同意在手术之前的一天,和病人被要求避免抽烟或喝咖啡或含咖啡因的饮料10小时前手术。在阶段2中,静息状态的脑电图数据收集所有患者手术前2小时(详情请见以下部分脑电图数据收集),和所有的病人被要求完成医院焦虑和抑郁量表(已经)脑电图数据收集。在第三阶段,术后疼痛1圣,2nd,3理查德·道金斯天从所有患者手术后收集。具体地说,在过去24小时内最高的术后疼痛评估11个数字评定量表(NRS)(0 =没有痛苦,10 =最疼痛的)10 - 14点钟1圣和2nd天后手术。在3理查德·道金斯手术后一天,在过去24小时内最高的术后疼痛评估使用相同的关系,但是在胸部镇痛管被移除。请注意,在过去24小时内最高的术后疼痛评估得到的疼痛在休息和疼痛由于运动,例如,咳嗽和呼吸。2014年由Zalon推荐(23),临床医师应积极与患者疼痛评分(即干预。,NRS评分)超过3。出于这个原因,患者NRS评分高于3的3理查德·道金斯天手术后被认为是与温和/高疼痛,而患者NRS评分3或低于3被认为是不低的痛苦。所有患者进行同样的调查,和所有病人提醒,他们可以在任何时候退出实验由于任何原因,但没有这样做。
(一)
(b)
请注意,脑电图数据收集后,患者首先接受了局部麻醉(即。,thoracic paravertebral block at T4 and T7 on the affected side) and then received general anesthesia according to the local clinical standards to ensure the safety of the surgery. Patients received thoracic paravertebral block at T4 and T7 on the affected side with an infusion of 0.4% bupivacaine (20 ml) before general anesthesia. The induction of anesthesia was achieved using midazolam (0.02-0.04 mg/kg), propofol (1-2 mg/kg), and sufentanil (0.2-0.4 μ克/公斤)。然后,rocuronium 1(0.6毫克/公斤)与double-lumen气管导管插管,纤维支气管镜检查证实了的位置。异丙酚麻醉维持1%七氟烷(0.1 - -0.3μ克/公斤/分钟),remifentanil (0.1 - -0.3μ克/公斤/分钟)在手术。提供更多和rocuronium舒芬太尼在需要的时候,应该舒芬太尼的总量不超过0.6μ克/公斤。Flurbiprofen axetil(100毫克)开始管理结束前30分钟的手术。随着注入flurbiprofen axetil(8毫克/ h),病人自控镇痛(PCA)和羟考酮(Perfusor调频PCA;单剂量1毫克,锁定5分钟,限制8毫克/ h)被用于所有的病人只要他们能够操作系统。
2.2.1。脑电图记录
病人躺在床上与semirecumbent位置沉默,温控房间。脑电图帽是他们头安装在每个电极插入导电胶,和所有电极阻抗保持低于10 kΩ。脑电图数据记录使用32路NuAmps Quickcap, NuAmps直流放大器,和4.5扫描采集软件(Compumedics Neuroscan, Inc .夏洛特,数控,美国)。NuAmps放大器(7181)被设置采样率为1000 Hz,信号带通滤波器从0.01到100赫兹。地面电极定位10毫米前Fz,和乳突电极(M2)被用来在线参考。在脑电图数据收集(总共5分钟),所有受试者被要求保持清醒,放松,和闭上眼睛,因为静息状态脑电数据的两次试验法的可靠性更高比眼睛睁开闭上眼睛条件条件(24]。
2.2.2。脑电图预处理
脑电图数据预处理使用EEGLAB [25]。连续脑电图数据首先离线rereferenced平均双边乳突电极(M1和M2)。然后,脑电图数据是0.5和80赫兹之间的带通滤波和切口过滤48 - 52赫兹。工件拒绝,连续脑电图数据划分为时代使用5 s的时间窗口。脑电图时代被分解成一系列独立的组件(ICs)使用infomax算法实现EEGLAB [25]。ICs的数量等于脑电图电极的数量。ICs污染眨眼和动作的识别和移除使用SASICA算法(26,27]。删除ICs的数量相当的轻微疼痛和中度/高度疼痛组( 和 ,分别 )。此外,时代被工件总值(即污染。,超过±75μV在任何频道)被自动拒绝。时代拒绝的比例没有显著不同的轻微疼痛和中度/高度疼痛组( 和 ,分别 )。
2.2.3。脑电图频谱分析
对于每个病人,预处理脑电图数据转换为频域使用韦尔奇的方法(窗口长度:2 s;重叠:50%)28),产生一个脑电图频谱范围从0.5到80赫兹,在步骤0.5赫兹。组级别脑电图光谱是通过计算每组的平均同一病人的脑电图光谱(即。、温和/高度疼痛组和轻微疼痛组)。评估小组不同的脑电图光谱,逐点详述的独立样本 - - - - - -为每个频率测试执行(在所有频率垃圾箱),每个电极和显著水平(值)是纠正使用错误发现率(罗斯福)过程29日]。此外,为假阳性控制观察,频率间隔的定义的值小于阈值( )超过5赫兹被认为是重要的。脑电图功率之间的偏相关分析也表现在不同的频段和急性术后疼痛(即。,NRS评分在3理查德·道金斯手术后一天)来评估他们的关系而控制了年龄和消除可能的异常值的影响。请注意,离群值被确定使用脑电图权力的三个标准差阈值,即。,数据被确认为一个异类,如果它的值是三个标准差远的意思是[30.]。
2.2.4。机器学习:分类和回归
我们进行了线性判别分析(LDA) (31日),一个典型的机器学习算法,预测术后疼痛强度基于脑电图记录前不久手术。考虑到任意的性质对分两组,我们也预计持续疼痛评分(即。术后疼痛的强度),使用多元线性回归(高)32]。分析交叉验证(LOOCV) [33)是用来评估预测性能。具体来说,LOOCV是通过把所有科目(科目)培训课程和1测试主题和反复执行相同的程序*确保每个主题是用作测试一次。分类精度和相关系数( )真正的疼痛强度和预测之间的疼痛强度被用来评估LDA的预测性能和高钙,分别。
评估的贡献脑电图特征在每个电极和每个频率预测性能,LDA和高钙首先表现为每个电极中每个频率空间域和频率域。分类和回归,脑电图所有功能测试一次,并为分类和预测精度的最大价值的回归相关系数电极级别和频率级别,分别用来评估这些特性的贡献在机器学习模型中。
为了达到更好的预测性能,脑电图特征在所有电极和频率(即。,the combination of features at the spatial and frequency domains) were used in the multivariate machine learning model. In the present study, there were 160 features for each electrode (from 0.5 Hz to 80 Hz with a resolution of 0.5 Hz) and 30 electrodes. In total, the feature dimension was 4800 (160 frequency bins × 30 electrodes), and the sample size was 67 (67 patients). This is a typical small sample size pattern recognition problem with a high feature dimension. In this case, the curse of feature dimensionality is the main problem for both classification and regression. To address this issue, feature selection is required before performing prediction. In addition, feature selection is an effective strategy for dimension reduction to prevent overfitting. Here, we firstly shrunk the features in the frequency domain to the range of 20-70 Hz, since there was no significant difference between the two groups for all channels outside the frequency range (i.e., 0.5-20 Hz and 70-80 Hz). Secondly, Sequential Floating Forward Selection (SFFS) method was used as a wrapper approach for additional feature selection [29日]。作为一种启发式搜索方法(34),设定触发器算法从一个空的特性集,主要由一个向前一步插入功能,删除功能落后一步。向前一步搜索特性集之外的最佳特性改善交叉验证的预测性能。每向前一步,落后一步去除特性集的特性,只要性能可以改善交叉验证。整个过程的设定触发器将停止如果不能改善预测性能或功能维度达到50。
2.2.5。统计分析
病人的人口统计信息适度/高度疼痛组和轻微疼痛组比较(即使用卡方测试。、性别、教育水平、ASA等级和操作类型)和一个独立样本 - - - - - -测试(即。、年龄)。有成绩的差异(即组。,anxiety score and depression score), doses of oxycodone, and postoperative pain (i.e., NRS scores on the 1圣,2nd,3理查德·道金斯天手术后)使用独立样本进行评估 - - - - - -测试。所有统计分析进行SPSS 25.0(美国纽约SPSS Inc .),和统计显著性水平是0.05。
3所示。结果
我们筛选84例胸腔镜手术资格。总结,如图1 (b),10个患者被排除在研究有以下原因:3例需要开胸,2例手术后回到了重症监护室,3例为谁胸部镇痛管没有删除在3理查德·道金斯2天手术后,患者术后感染(即。体温高于38.0°C以上2天)。此外,数据从7患者排除在以下分析由于EEG数据的质量差。结果,67例符合条件的包容。3根据术后疼痛理查德·道金斯天手术后,符合条件的病人分配到两组:中/高度疼痛组( )和轻微疼痛组( )。是显示在表1之间无显著差异,观察患者中度/高度疼痛组和轻微疼痛组临床和人口特征,即。、性别、年龄、教育水平、ASA年级,和操作类型。此外,焦虑和抑郁评分,评估使用了,病人在两组之间没有显著差异。然而,羟考酮的剂量和术后疼痛(例如,NRS 2nd手术后一天)的患者明显高于中度/高度疼痛组比轻微疼痛组( 和 ,分别)。
组级别的静息状态脑电振动光谱中度/强烈的疼痛和轻微疼痛组都是显示在图2。逐点统计分析显示,患者在中度/高度疼痛组明显高于静息状态脑电振荡的光谱功率密度frontocentral地区(最大FCz电极)在β和γ频带(21 - 55 Hz)比轻微疼痛的患者组( )。另外,服用β(14-30 Hz)和γ(31-50 Hz)乐队权力的适度的/高度疼痛组都显著高于轻疼痛组(见图3;β乐队: , ;伽玛乐队: , )。测试结果的可靠性,我们也进行偏相关分析EEG功率之间的β和γ频带和急性术后疼痛(即。,NRS评分在3理查德·道金斯手术后一天),同时控制了年龄和消除可能的异常值的影响,把三个标准差远的意思。两个β频带能量(部分 , )和伽玛乐队(部分力量 , )急性术后疼痛有显著相关性(图3)。
的贡献presurgery脑电图特征对机器学习算法的性能预测术后疼痛强度显示在图中4。脑电图特征在频域显示不同模式的贡献预测性能的分类(即。LDA,图4(一))和回归(即。高钙,图4(b))。然而,约30 Hz的特性提供了最歧视的信息分类和回归。在数据显示4(c)和4(d)、脑电图特点frontocentral地区更有识别力的分类和回归。分类、电极Cz FCz, F3提供预测精度最高。回归,电极F3, F4, FCz, Fz提供相关系数最高。
为了达到更好的预测性能,脑电图特征在所有电极和频率(即。,the combination of features at the spatial and frequency domains) were used in the multivariate machine learning model. The SFFS algorithm was stopped with 50 extracted features for both classification and regression. For classification, LDA with 50 features provided a prediction accuracy of 92.54% in the LOOCV test, i.e., 5 out of 67 patients have been misclassified. For regression, the MLR with 50 features also showed good prediction performance (Figure5),即。,the correlation between the real pain intensities and the predicted pain intensities was very strong ( , )。这些结果表明,脑电图的结合特性在空间和频率域提供补充信息来实现更好的预测性能比任何单一的脑电图特征。
4所示。讨论
在目前的研究中,我们发现,胸腔镜手术后moderate-to-high急性术后疼痛的发生率高(49%)根据主观报告上的疼痛强度3理查德·道金斯手术后一天。脑电图2小时在手术之前收集的数据表明,在中度/高度疼痛组明显高于光谱功率密度的静息状态的β和γ乐队振荡frontocentral地区比轻微疼痛的患者组(图2)。此外,一个积极的光谱功率密度之间的相关性观察静息状态的β和γ乐队振荡和主观的报道术后疼痛(图3)。重要的是,应用机器学习技术,急性术后疼痛的强度可以准确地预测基于静息状态记录脑电图数据之前手术(预测精度为92.54%,和真正的疼痛强度之间的相关系数和预测的疼痛强度是0.84)。因此,我们的研究提供了一个可行的策略来识别高风险的患者术后疼痛在手术前使用脑电图记录。这种策略可能在未来希望满足临床的需要,因为它将有助于优化术后疼痛的止痛剂更好的控制策略和其他不必要的负面影响。
与改进的理解疼痛的镇痛机制,越来越多的镇痛技术开发管理术后疼痛[35- - - - - -38]。尽管多模式镇痛通常应用于临床实践,基于主观疼痛临床疼痛评估报告,行为评估工具,或征求输入从护理人员39]表明,控制术后疼痛仍不足(38,40]。一项调查显示,大约75%的患者仍然报道痛苦出院后(41]。在目前的研究中,大约有49%的手术患者moderate-to-high急性术后疼痛(3理查德·道金斯手术后一天),术后疼痛的发生率是同样高的在先前的研究40- - - - - -42]。请注意,术后疼痛已经观察到的显著差异2nd手术后一天中度/高度疼痛组和轻微疼痛组。术后疼痛的不足管理要求更有效的镇痛方法。成功预测急性术后疼痛使用生理指标在手术之前将提供有价值的信息谁需要预先处理,从而为更有效和个性化的镇痛铺平了道路。
在目前的研究中,分析静息状态的脑电图2小时在手术之前收集的数据表明,光谱功率密度的β和γ乐队振荡frontocentral地区能够区分不同程度的急性术后疼痛患者。此外,静息状态的β和γ乐队的光谱功率密度振荡呈正相关,术后疼痛的主观报告。
一系列神经振荡中扮演一个重要的角色在编码疼痛知觉对健康和疾病的条件(8,15,16,43- - - - - -45]。证据表明,β区间振荡是高度相关的感觉运动功能,例如,运动前的准备和校准期间运动(46,47]。例如,β频带振动加强自愿当运动抑制或抑制(46]。运动和痛苦有密切关系,和nocifensive行为应对疼痛对人类有重要的保护功能(48]。除了刺激功能,β区间振荡已被证明是高度相关的疼痛在这两个基础和临床条件。在健康受试者中,β区间振荡的力量已被证明是由急性疼痛调制引起的电气、激光、接触热刺激(15,49,50]。然而,重要的是要注意,β区间振荡的功能解释仍然是投机,因为在这项研究中,脑电图数据收集在手术之前,也没有疼痛反应运动可以观察到。未来的研究需要描述的详细机制背后的β区间振荡的光谱功率密度之间的联系和急性术后疼痛。
伽玛乐队振荡,这被认为扮演着重要的角色在皮质集成和感知(6,49,51),反映大脑皮层活动直接相关的疼痛知觉(16,51,52]。出于这个原因,伽玛乐队目前振荡的一个最有前途的生物标记疼痛知觉(5,51]。重要的是,伽玛乐队振荡坚实的关系,观察疼痛知觉不仅受试层面也不同,在人类5,51)和啮齿动物(14]。机制而言,伽玛乐队振荡之间的密切关系和疼痛知觉会与伽玛乐队的整合作用振荡在痛苦的意识经验的生成53],作为通信伽玛乐队振荡是重要的在一个大型网络的皮层和皮层下脑区17,54]。此外,伽玛乐队振荡已经证明了促进行动选择行为相关的信息过滤机制(16,52]。在目前的研究中,我们观察到伽玛乐队振荡的光谱功率密度呈正相关,术后疼痛的主观报告。这个观察提供了额外的证据之间的密切关系伽玛乐队振荡和疼痛感知不同人体和可能与随后的疼痛反应的可能的分布式神经集合体之间的通信行为(5,11]。
此外,我们的研究结果表明,导致β和γ乐队振荡主要是记录frontocentral地区。这是让人想起先前的研究在急性和慢性疼痛8,9,12,16]。一些研究人员提出,疼痛chronification涉及从大脑回路与感觉相关流程转移到情感电路(55]。支持这个想法,先前的一项研究表明,β和γ和频带能量增加背外侧前额叶和前额皮质与高情感纤维肌痛患者疼痛评分(8]。此外,一般认为,前额叶皮层参与情绪加工(56]。主音和正在进行的临床疼痛的性质类似于慢性疼痛比相位的疼痛,如瞬态激光热疼痛,在躯体感觉皮质似乎起着至关重要的作用[5]。前额振荡的重要性,因此,可能表明情绪处理病人倾向于开发术后疼痛已经有些妥协在presurgery阶段,即使这些病人可能显示没有明确情感障碍或明显异常的情绪处理。未来的研究需要测试情感是否会扮演一些角色之间的关系发展中术后疼痛的神经振荡和概率。应该注意,α相关性不显著振荡和急性术后疼痛是本研究中观察到。由于α振荡是高度敏感的病人(例如,关注和期待),有可能,α振荡可能能够预测疼痛知觉的强度在很短的时间内(例如,几秒钟的时间)17),但不是在很长一段时间内(例如,本研究几天)。
神经振荡和急性术后疼痛之间的关系提供了一个坚实的基础的预测术后疼痛和手术前的生理指标。(即使用机器学习技术。,LDA with SFFS) achieved a prediction accuracy of 92.54% and a correlation coefficient of 0.84 based on resting-state EEG activities that were recorded 2 hours before the surgery. Ideally, the combination of resting-state EEG recording technique and machine learning algorithms would yield diagnostic biomarkers of acute postoperative pain. This diagnostic biomarker would be important for the development of effective analgesic strategies in the perioperative period, which would be helpful in controlling postoperative pain in surgery patients [21,22,53]。在实践中,脑电图装置便携和广泛装备,使应用程序的可行性在大多数临床情况因为它使得基于脑电图的诊断的生物标志物。然而,这项研究没有攻克的各自贡献特征和状态特征的患者脑电图数据以来的预测成功前2小时手术可能反映了这两个特征。重要的是,他们两人的个体差异可能导致止痛功效。如果是重要的特征特点,专门针对患者这些特质可能更有益的和具有成本效益的。如果状态特征、干预操纵这些州可能帮助实现更好的镇痛疗效。
几个额外的限制在当前研究中应该注意的。首先,目前的临床试验设计可能会混淆一些不必要的因素。尽管所有的病人采用标准化的操作程序,有一些变化在手术(例如,持续时间和手术的复杂性和止痛剂的类型和数量),这也可能影响到急性术后疼痛。其次,本研究的样本容量是有限的,和年龄、教育水平、手术的类型很多不同的科目。此外,更多的病人安排在其他类型的手术应该考虑在将来的研究中验证术后疼痛的因为它使得基于脑电图发现生物标志物。第三,这项研究并没有证明的特异性脑电图振荡剧烈的疼痛。一些研究表明,伽马振荡选择性编码阶段补剂热痛(5,16),但这个问题仍在激烈的争端。更重要的是,这项研究并没有明确解决这个问题,尽管神经振荡是证明预测术后疼痛。未来的研究可能会进一步测试脑电图振荡的特异性,并提供洞察专门预测术后疼痛和神经振荡或其他生理指标。
总之,我们提供了确凿的证据之间的密切关系的光谱功率密度静息状态的β和γ乐队振荡frontocentral地区和主观报告的术后疼痛。此外,我们预测急性术后疼痛的神经振荡特点的基础上使用机器学习技术,实现了92.54%的预测精度和真正的疼痛强度之间的相关系数和预测的疼痛强度为0.84。因此,急性术后疼痛的预测基于神经振荡测量前的手术是可行的,希望将来满足临床需求,从而帮助优化术后疼痛的止痛剂更好的控制策略和其他不必要的负面影响。
数据可用性
电子邮件(电子邮件保护)。
的利益冲突
所有作者声明没有利益冲突。
作者的贡献
范高,气汉族,彝族冯负责研究设计。范高,气汉族,彝族冯负责协议的设计。易风研究顾问协议和管理的研究。汉族患者负责招聘。气汉易风和负责数据收集。范高,气汉族,彝族冯负责研究行为。易风和李胡负责监测研究。Lupeng曰,范高、气汉和李胡负责数据分析。Lupeng悦,汉族,胡和李负责数据评估。张Lupeng悦,汉族,荔波,和李胡锦涛负责撰写的手稿。 Qi Han, Lupeng Yue, Gao Fei, Libo Zhang, Yi Feng, and Li Hu were responsible for editing and approval of the manuscript. Q. H. and L. Y. contributed equally. Y. F. and L. H. contributed equally.
确认
这项工作得到了中国国家重点研发项目(2018 yfc2001905)和中国国家自然科学基金(号。32071061,31822025,32000749)。