یک مطالعه اخیر در مجله نورولوژی JAMA بر روی شناسایی یک نشانگر مؤثر قشر حسحرکتی برای درد با استفاده از دو معیار، یعنی PAF و CME، متمرکز بوده است.
به گزارش رسانه اخبار پزشکی مدنا، در طول سالها، مطالعات زیادی نشانگرهای مختلفی برای درد پیشنهاد کردهاند که شامل ریتمهای نوسانی عصبی، پروتئینها، متابولیتها، چربیها و نشانگرهای تصویربرداری عصبی از ناهنجاریهای مکانیکی/ساختاری هستند. این نشانگرها به پزشکان کمک میکنند تا درد مزمن را تشخیص داده، پیشگیری کنند و درمان نمایند.
دانشمندان در شناسایی نشانگرهای بیولوژیکی درد با چالشهای زیادی روبهرو هستند که به دلیل اندازههای نمونه محدود ممکن است عملکرد اعتبارسنجی تحلیلی کامل با استفاده از رویکرد یادگیری ماشینی را دچار مشکل کند. همچنین، کمبود مدلهای بالینی مرتبط با درد و تکرارپذیری محدود مدلهای موجود مانع از ایجاد نشانگرهای برجسته درد شده است.
مطالعات قبلی نشان دادهاند که سیگنالدهی قشری-نخاعی که در پاسخهای حرکتی بعدی دخیل است و ریتمهای نوسانی عصبی که در پردازش ورودیهای نوسیسپتیو نقش دارند، عوامل مهمی در شکلگیری تجربه درد هستند. یک مطالعه قبلی ارتباط بین PAF، CME و درد را ثابت کرده است. این مطالعه نشان داد که PAF کندتر قبل از شروع درد و کاهش CME در طول درد طولانی (افسردگی) با سطوح بالاتر درد مرتبط هستند. در مقابل، PAF سریعتر و افزایش CME (تسهیل) با درد کمتر مرتبط بودند.
افرادی که در مراحل اولیه یک اپیزود درد طولانی، مانند بعد از جراحی، درد شدیدی را تجربه میکنند، در معرض خطر بالاتری برای ابتلا به درد مزمن در آینده هستند. اگر فردی PAF کند قبل از شروع درد طولانیمدت و یا افسردگی CME در مراحل حاد درد نشان دهد، ممکن است این نشانگر انتقال به درد مزمن باشد.
آزمایش PREDICT بر روی شناسایی یک نشانگر بیولوژیکی قشر حسحرکتی برجسته برای پیشبینی حساسیت به درد با استفاده از دو معیار: PAF و CME متمرکز است. این آزمایش از مدل درد عامل رشد عصبی (NGF) بر اساس درد عضلانی طولانیمدت مفصل فکیصورتی ایجاد شده از تزریق عضلانی NGF استفاده کرده است. PAF به عنوان نوسان غالب قشر حسحرکتی در بازه آلفا (۸-۱۲ هرتز) تعریف شده است، در حالی که CME به عنوان اثربخشی سیگنالهایی که از قشر حرکتی اولیه (M1) به عضلات محیطی منتقل میشود، تعریف شده است.
آستانههای درد تحت فشار، PAF و CME در روزهای ۰ (پایه)، ۲ و ۵ اندازهگیری شدند. PAF با استفاده از ثبت الکتروانسفالوگرافی در حالت استراحت با چشم بسته به مدت ۵ دقیقه از ۶۳ الکترود جمعآوری شد. PAF حسحرکتی پس از تعیین اجزای سیگنال که دارای اوج آلفا واضح (۸-۱۲ هرتز) در تجزیهوتحلیل فرکانسی و توپولوژی جمجمهای که نشاندهنده منبع حسحرکتی بود، محاسبه شد. رویکرد نقشهبرداری تحریک مغناطیسی ترانسکرانیال (TMS) برای اندازهگیری CME استفاده شد.
مطالعه جاری نقشهای از نمایش قشری حرکتی عضله ماستر را ایجاد کرد. تحریکپذیری قشری-حرکتی به عنوان حجم نقشه شاخص شد. در دفاتر الکترونیکی درد، شرکتکنندگان درد خود (۰-۱۰) را در طول فعالیتهای مختلف گزارش دادند و این دادهها هر روز جمعآوری شد، یعنی از روز ۱ تا روز ۳۰، ساعت ۱۰ صبح و ۷ شب.
تعداد ۱۵۹ شرکتکننده سالم که شامل ۷۰ زن و ۸۹ مرد بودند در آزمایش PREDICT ثبتنام کردند. با این حال، ۱۵۰ شرکتکننده این آزمایش را به پایان رساندند که میانگین سن آنها ۲۵.۱ سال بود. شرکتکنندگان در روزهای ۰، ۲ و ۵ تزریقات عضلانی NGF دریافت کردند. اندازهگیریهای PAF و CME نشاندهنده قابلیت اطمینان خوب تا عالی در آزمون مجدد بین جلسات بودند. امتیازهای درد شرکتکنندگان در مجموعه آموزش و آزمون به عنوان حساسیت به درد بالا و پایین طبقهبندی شدند. رگرسیون لجستیک نشان داد که PAF کندتر و افسردگی CME با درد بیشتر مرتبط بودند. ضرایب رگرسیون −۱.۲۵ و −۱.۲۷ برای PAF و CME به ترتیب حساسیت به درد را پیشبینی کردند.
مدل رگرسیون لجستیک قفلشده نشان داد که آستانه احتمال بهینه برای طبقهبندی به عنوان حساس به درد بالا ۰.۴۰ بود، با حساسیت ۰.۸۷۵ و ویژگی ۰.۷۹. برای اینکه به عنوان حساس به درد بالا شناخته شود، آستانه احتمال ۰.۴۰ به دادههای کنونی اعمال شد. این تحلیل تأکید کرد که یک تسهیلکننده به PAF کمتر از ۹.۵۶ نیاز دارد، و یک افسردگیکننده به PAF کمتر از ۱۰.۵۷ نیاز دارد.
یک PAF کندتر بصری در افرادی که پیشبینی میشود حساسیت بالاتری به درد داشته باشند، نسبت به کسانی که حساسیت کمتری به درد دارند، مشاهده شد. در نقشههای حرکتی عضله ماستر، کاهش CME در افرادی که پیشبینی میشود درد بالاتری داشته باشند، مشاهده شد. در مقابل، کسانی که پیشبینی میشود درد کمتری داشته باشند، CME بالاتری داشتند. شایان ذکر است که ترکیب امضای PAF/CME از هر کدام از اندازهگیریهای فردی برتر بود. مدلی که شامل نشانگرهای زیستی شامل PAF حسحرکتی، CME، جنسیت، مقیاس فاجعهآمیز درد (PCS) و امتیاز بیکمکی PCS بود، تنها از مدلی که شامل متغیرهای همبسته میشد، پیشی گرفت.
برای ارزیابی تکرارپذیری یافتهها، تحلیل با استفاده از روشهای مختلف محاسبه PAF و CME تکرار شد. صرفنظر از روشها، رگرسیون لجستیک به عنوان بهترین یا برترین مدل در مجموعه آموزش اعتبارسنجی شناسایی شد، با ناحیه زیر منحنی (AUC) که از عالی تا قابل قبول متغیر بود. یافتههای مطالعه نشان داد که امضای نشانگر PAF/CME میتواند بهطور مثبت برای پیشبینی انتقال درد از حاد به مزمن استفاده شود. این نشانگر میتواند به پزشکان در درمان افراد مبتلا به درد مزمن کمک کند.
