基于脑电图的聚类分析显示脊髓电刺激手术前慢性疼痛患者的显著分离

慢性疼痛与皮层活动紊乱有关，但个体在这些神经模式上的差异仍知之甚少。脑电图（EEG）提供了一种非侵入性地表征这些动力学的方法，可能有助于识别与脊髓电刺激（SCS）预后相关的患者亚型。本研究将无监督机器学习应用于术前脑电图，以确定慢性疼痛患者是否表现出不同的神经生理聚类，以及这些组在临床特征或患者报告结局（PROs）上是否存在差异。PROs包括疼痛强度及相关领域（如残疾、灾难化和情绪）的测量，采用数字疼痛评定量表（NRS）、Oswestry残疾指数（ODI）、疼痛灾难化量表（PCS）、麦吉尔疼痛问卷（MPQ）和Beck抑郁量表（BDI）进行评估。对16名计划接受SCS植入的患者记录了静息态头皮脑电图。在标准预处理后，提取频谱特征，并应用K均值聚类（K=3）识别脑电图特征空间内的结构。出现了三个聚类。聚类1的特征是全局α和低β功率降低，以及θ功率和熵降低，提示感觉运动相关区域内振荡活动和频谱复杂性降低的模式。相反，聚类2显示α和低β功率升高，与不同的振荡特征一致，可能反映网络动力学的改变。聚类3表现出中等α和低β功率，以及最高的θ熵，表明神经活动模式具有更大的频谱复杂性和变异性，将此类与其他聚类区分开来，并可能对疼痛处理相关。人口统计学变量在各组间相似，但NRS“最严重”评分存在显著差异（p=0.046）。特征重要性分析确定初级躯体感觉（S1）、次级躯体感觉（S2）、初级运动（M1）和顶枕（PO）区域的峰值低β和α功率是聚类分离的最强贡献者。S1、S2、M1和PO的峰值低β功率显示出最稳健的聚类间差异（所有p≤0.004），S1和M1的峰值α功率也存在显著差异（p≤0.008）。在聚类2和3中，多个脑电图特征与术后PROs改善显著相关，提示症状变化的潜在神经标志物。聚类特异性脑电图特征与术后改善相关，支持脑电图在识别慢性疼痛表型和指导个体化神经调控方法中的潜在效用。