研究亮点

1. 研究首次验证了以脑皮层峰值α频率（PAF）和大脑皮层运动兴奋性（CME）为基础的神经生物标志物组合，能准确预测个体对慢性疼痛的敏感程度。
2. 在150名健康成人中，建立的机器学习模型在训练集上表现出完美的判别能力（AUC=1.00），在独立测试集上也达到了优异的预测效果（AUC=0.88），显示出极高的临床潜力。
3. 该 biomarker 具有良好的重复性和可靠性，为未来个性化疼痛管理提供有力的生物学依据。

慢性疼痛已成为全球范围内主要的健康难题之一，严重影响患者的生活质量和劳动能力。尽管如此，临床上对于疼痛敏感差异的个体化评估一直存在挑战。传统的诊断手段依赖主观疼痛描述，缺乏客观的生物学标志物来帮助识别高风险个体。近年来，神经影像学和神经电生理研究识别出一些潜在的疼痛生物标志物，但缺乏经过严格验证的、具有临床转化潜力的指标。

发表在JAMA Neurology期刊上一项研究，旨在验证一种基于脑皮层电生理信号的生物标志物，包括脑电的峰值α频率（PAF）和经颅磁刺激（TMS）评估的大脑皮层运动兴奋性（CME），能否准确预测个体的疼痛敏感性，为慢性疼痛的早期筛查和干预提供新的科学工具。

本研究涉及一个单中心的前瞻性队列设计，共招募了150名健康成人，年龄在18至44岁，排除有慢性疼痛、神经精神疾病史的个体。采用模型模拟临时颚关节痛，分别在第0、2、5天测量脑电的PAF和经颅磁刺激的CME指标，连续30天收集疼痛日记。通过神经电生理和影像技术，获得个体的神经活动指标，然后利用多种机器学习算法（如逻辑回归、随机森林、支持向量机）建立疼痛敏感性预测模型。模型的性能由训练集和独立测试集的AUC值代表，验证了该生物标志物组合在痛感预测中的有效性和稳健性。

详细研究结果

样本特征

最终入组的150名参与者中，有66位女性，84位男性，平均年龄为25.1岁（标准差6.2）。通过成长混合模型（GMM）分析，将参与者分为高敏感和低敏感两类。

主要模型性能

在训练集上，逻辑回归模型表现出最佳性能，AUC达到1.00，意味着模型能完美分辨出高低疼痛敏感者（假设阈值调整后）。在独立的测试集中，该模型的AUC降至0.88（95%置信区间：0.78-0.99），表现依然极佳。

图 模型性能曲线和重要参数指标

 

Tags： JAMA Neurology：首次证实脑皮层峰值α频率联合大脑皮层运动兴奋性可精准预测疼痛敏感性，机器学习模型 AUC 达 0.88