基于术前测量的神经振荡预测术后急性疼痛

摘要

即使对疼痛机制有了更好的理解，围手术期疼痛管理也取得了进展，术后疼痛仍未得到充分控制。基于术前生理指标预测术后急性疼痛，可为个体化、有效的镇痛策略提供有价值的见解，有助于提高镇痛效果。考虑到疼痛感知和神经振荡之间的强相关性，我们假设术后急性疼痛可以通过术前测量的神经振荡来预测。在此，我们探讨胸腔镜手术前2小时的神经振荡与术后急性疼痛的主观强度之间的关系。不同程度的术后急性疼痛(低疼痛vs.中/高疼痛)患者额中央区静息状态β和γ波段振荡的谱功率密度有显著差异。静息状态β和γ波段振荡的谱功率密度与术后疼痛的主观报告之间也观察到正相关。然后，我们利用机器学习技术，基于神经振荡特征预测术后急性疼痛水平，预测准确率为92.54%，真实疼痛强度与预测疼痛强度的相关系数为0.84。总之，基于术前测量的神经振荡预测术后急性疼痛是可行的，可以满足未来临床对术后疼痛和其他不良影响的更好控制需求。该研究已在临床试验注册中心注册(https://clinicaltrials.gov/ct2/show/NCT03761576?term=NCT03761576&draw=2&rank=1)及登记号码NCT03761576．

1.简介

全世界每年进行的大型手术超过2.3亿例[1］．即使对疼痛机制有了更好的理解，围手术期疼痛管理也取得了进展，术后疼痛仍未得到充分控制。事实上，中-重度急性术后疼痛的发生率在20% - 80%之间[2］．术后疼痛会导致一系列负面后果，包括恢复时间延迟、护理成本增加、急性疼痛向慢性疼痛过渡的发生率增加[1］．预防这些问题的一种方法是在围手术期采用更有效的镇痛策略。通过术前生理指标成功预测术后急性疼痛，可实现更有效的镇痛。利用机器学习技术的力量，我们可以根据术前的生理指标预测术后急性疼痛，从而识别有风险的患者。正确的预测将有助于加深我们对这种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的治疗(即个体化治疗)，以提高镇痛效果[3.，4］．

疼痛是一种感官和情感体验，在不同的个体之间有很大的差异性[5］．重要的是，疼痛感知与神经振荡密切相关[6]，在大脑功能区域的分离和整合中起着至关重要的作用[7］．具体来说，大量使用脑电图(EEG)和脑磁图(MEG)对急性和慢性疼痛进行的研究强调了θ、α、β和γ频段的神经振荡在表征疼痛感知方面的重要作用[6，8- - - - - -13，尽管神经振荡和疼痛之间关系的特异性存在争议。疼痛知觉与神经振荡之间的关系可以概括为三个主要方面。首先，痛感刺激可以诱导θ、α、β和γ频段的神经振荡的显著调节[5，6，13，14]，而且重要的是，某些神经振荡幅度的变化与疼痛感知的主观强度有很强的相关性[5，13，15］．例如，从初级躯体感觉皮层记录的伽马振荡可以预测同一个体的主观疼痛强度，并编码不同个体之间的疼痛敏感性[5］．此外，前额叶皮层的伽马振荡可能编码强直性热痛的主观疼痛感知[10，16］．其次，痛觉刺激前的神经振荡也可以预测即将到来的痛觉刺激所引发的疼痛感知的主观强度[17，18］．具体地说，双侧中央区域的α振荡和顶叶区域的γ振荡在预测随后的痛觉刺激引起的疼痛感知强度方面具有协同作用和因果关系[17］．第三，改变的神经振荡在许多慢性疼痛的情况下被观察到，如纤维肌痛[8，13，慢性背痛[9]，以及疱疹后神经痛[12］．例如，一项脑磁图研究发现，纤维肌痛患者背外侧前额叶和眼窝前额叶皮层的β和γ能量增加[8］．有趣的是，在纤维肌痛患者中，这两个频段的能量增加也与较高的情感性疼痛评分相关[8］．

考虑到疼痛感知和神经振荡之间的强相关性，我们假设术后急性疼痛可以通过术前测量的神经振荡来预测。在实践中，将记录神经振荡的神经成像技术与机器学习技术相结合，可以实现这一研究目标[19，20.来预测术后疼痛。机器学习是一组算法，可以自动从神经成像数据中检测模式，并利用检测到的模式预测临床结果[21，22]，如术后急性疼痛的强度。越来越多的证据表明，机器学习能够从高维和有噪声的神经成像数据中提取有意义的信息，从而有效地识别行为和疾病的神经标记[21，22］．

在这里，在手术前不久使用脑电图技术测量神经振荡，在大多数情况下该技术是临床可行的，因为脑电图可以直接在患者床边使用。采用频谱分析和偏相关分析量化术前神经振荡与术后急性疼痛主观强度之间的关系。随后，根据术前不久的脑电图记录，应用机器学习技术预测术后疼痛的强度。理想情况下，在手术前就能识别出术后疼痛高危的手术患者，这可以为优化镇痛策略，更好地控制术后疼痛和其他不良后果提供重要措施。

2.方法

临床研究在北京大学人民医院麻醉科进行。北京大学人民医院医学伦理委员会批准了该研究方案。所有参与者均获得书面知情同意。该研究已在临床试验注册中心注册(https://register.clinicaltrials.gov/)及登记号码NCT03761576．

2.1.参与者

招募于2018年11月至2019年3月期间在北京大学人民医院胸腔镜手术下接受肺叶切除术、楔形切除术或纵隔切开术的患者。入选标准为(1)年龄在35 - 65岁之间，(2)中学以上教育程度，(3)美国麻醉医师协会(ASA) I-II级，(4)术后首选患者自控镇痛(PCA)，(5)签署知情同意。排除标准为:(1)神经系统疾病，(2)精神疾病或精神家族史，(3)创伤性脑损伤或开颅术后，(4)慢性疼痛患者或术前使用阿片类药物者，(5)术后需要或计划返回重症监护室的开胸患者。详细的人口统计信息汇总于表中1．

2.2.研究设计

如图所示1(一)，研究设计由三个阶段组成。在第一阶段，患者被要求在手术前一天签署知情同意书，并被要求在手术前10小时避免吸烟或喝咖啡或含咖啡因的饮料。第2期采集所有患者术前2小时静息状态脑电图数据(采集脑电图数据详见下节)，并指导所有患者在采集脑电图数据前完成医院焦虑抑郁量表(HADS)。必威2490第3期，术后疼痛1^圣, 2^nd，和3^{理查德·道金斯}术后收集所有患者的数据。具体来说，在过去24小时内的术后最高疼痛用11分制数值评分量表(NRS)进行评估(0 =无疼痛，10 =可想象的最严重疼痛)，评分时间为1分钟至14点^圣和2^nd手术后几天。在第3页^{理查德·道金斯}术后第一天，使用相同的NRS评估过去24小时内的最高术后疼痛，但在取出胸镇痛管后。请注意，在过去24小时内，最高的术后疼痛是通过对休息时疼痛和运动引起的疼痛(如咳嗽和呼吸)的评估得出的。如Zalon 2014年推荐的[23]时，临床医生应积极干预疼痛评分(即NRS评分)大于3的患者。由于这个原因，NRS评分高于3的患者在3^{理查德·道金斯}NRS评分为3分或低于3分的患者被认为无轻度疼痛。所有患者都由同一名调查员检查，并提醒所有患者可以在任何时间以任何理由退出实验，但没有人这么做。

请注意，在采集脑电图数据后，先对患者进行局部麻醉(即患侧T4、T7胸椎旁阻滞)，再根据当地临床标准进行全身麻醉，以确保手术安全。患者在全麻前予患侧T4、T7胸椎旁阻滞，输注0.4%布比卡因(20 ml)。麻醉诱导采用咪达唑仑(0.02-0.04 mg/kg)、异丙酚(1-2 mg/kg)和舒芬太尼(0.2-0.4 mg/kg)μ克/公斤)。然后用双腔气管内管插管罗库溴铵(0.6-1 mg/kg)，经纤维支气管镜确认位置。麻醉维持在1%七氟醚，异丙酚(0.1-0.3μG /kg/min)、瑞芬太尼(0.1-0.3μG /kg/min)。按需增加舒芬太尼和罗库溴铵，舒芬太尼总剂量不超过0.6μ克/公斤。在手术结束前30分钟开始给药氟比洛芬酯(100 mg)。在输注氟比洛芬酯(8 mg/h)的同时，氧可酮(Perfusor fm PCA;所有患者一旦能够操作该系统，就立即使用单次剂量1 mg，锁定5分钟，限制8 mg/h)。

2.2.1.脑电图记录

病人躺在一张半平卧的床上，在一个安静的、温度可控的房间里。脑电图帽戴在头部，每个电极插入导电凝胶，所有电极阻抗保持在10 k以下Ω．使用32通道NuAmps Quickcap、NuAmps DC放大器和Scan 4.5采集软件记录脑电图数据。夏洛特，北卡罗来纳州，美国)。NuAmps放大器(型号7181)设置为1000hz的采样率和0.01到100hz的信号带通滤波器。接地电极位于Fz前方10mm处，以右侧乳突电极(M2)作为在线参考。在脑电图数据采集过程中(共5分钟)，所有受试者都被指导保持清醒、放松和闭眼，因为闭眼条件下静卧状态脑电图数据的测试重测可靠性高于睁眼条件[24］．

2.2.2.脑电图预处理

使用EEGLAB对脑电图数据进行预处理[25］．连续脑电图数据首先离线参考平均双侧乳突电极(M1和M2)。然后对EEG数据进行0.5 ~ 80 Hz的带通滤波和48 ~ 52 Hz的陷波滤波。对于伪影排斥，连续脑电图数据被分割成5秒的时间窗。使用在EEGLAB中实现的信息max算法将EEG周期分解为一系列独立组件(ICs) [25］．ICs的数量等于EEG电极的数量。使用SASICA算法识别并去除被眨眼和动作污染的ICs [26，27］．低疼痛组和中/高疼痛组去除的ic数量相当( 而且 ，分别 )。此外，受总伪影污染的年代(即，超过±75μV在任何通道)被自动拒绝。低疼痛组和中/高疼痛组之间拒绝的时间比例无显著差异( 而且 ，分别 )。

2.2.3.脑电图谱分析

对每个患者，采用Welch 's方法将预处理后的脑电图数据转换到频域(窗口长度:2 s;重叠:50%)[28]，产生从0.5到80赫兹的脑电图频谱，步长为0.5赫兹。通过计算各组(中/高疼痛组和低疼痛组)单例患者脑电图谱的平均值，得到组级脑电图谱。为评估脑电谱的组间差异，采用逐点独立样本 -对每个频率(跨所有频率箱)和每个电极进行测试，显著水平(值)已使用错误发现率(FDR)程序校正[29］．此外，为了控制假阳性观察，频率区间与值小于定义的阈值( ）超过5hz被认为是显著的。不同频段的脑电图功率与术后急性疼痛(即3^{理查德·道金斯})评估他们的关系，同时控制年龄的影响并排除可能的异常值。请注意，这些离群值是使用脑电图功率三个标准差的阈值来识别的，即，如果该数据的值距离平均值有三个标准差，则该数据被识别为离群值[30.］．

2.2.4.机器学习:分类与回归

我们进行了线性判别分析(LDA) [31]，这是一种典型的机器学习算法，基于术前不久的脑电图记录来预测术后疼痛的强度。考虑到二分类两组的任意性，我们还使用多元线性回归(MLR)预测持续疼痛评分(即术后疼痛强度)[32］．留一项交叉验证(LOOCV) [33]用于评估预测性能。具体来说，LOOCV是通过将所有受试者(科目)训练受试者和1名测试受试者，重复执行相同步骤确保每个受试者都被用作测试对象一次。分类精度及相关系数( ）分别对LDA和MLR的预测效果进行了评价。

为了评估每个电极和每个频率的脑电图特征对预测性能的贡献，首先在空间域对每个电极和频域对每个频率进行LDA和MLR。对于分类和回归，对所有EEG特征进行一次测试，分别使用电极水平的分类预测精度最大值和频率水平的回归相关系数最大值来评估这些特征在机器学习模型中的贡献。

为了获得更好的预测性能，在多元机器学习模型中使用了所有电极和所有频率的EEG特征(即空间和频域特征的组合)。在目前的研究中，每个电极(从0.5 Hz到80 Hz，分辨率为0.5 Hz)和30个电极有160个特征。特征维数为4800(160个频率箱× 30个电极)，样本量为67例(67例患者)。这是一个典型的高特征维小样本模式识别问题。在这种情况下，特征维数的诅咒是分类和回归的主要问题。为了解决这个问题，在进行预测之前需要选择特征。此外，特征选择是防止过拟合的有效降维策略。在这里，我们首先将频域特征缩小到20-70 Hz的范围内，因为在频率范围(0.5-20 Hz和70-80 Hz)以外的所有通道，两组之间没有显著差异。其次，采用顺序浮动前向选择(SFFS)方法作为附加特征选择的包装方法[29］．作为启发式搜索方法[34时，SFFS算法从一个空的特征集开始，主要由前向插入特征和后向删除特征两部分组成。向前步在特征集外搜索最佳特征，以提高交叉验证时的预测性能。在每个向前的步骤之后，向后的步骤删除特征集中的特征，只要在交叉验证中性能可以提高。如果预测性能无法提高或特征维数达到50，则SFFS的整个过程将停止。

2.2.5.统计分析

采用卡方检验(即性别、教育程度、ASA分级和手术类型)和独立样本对中/高疼痛组和低疼痛组患者的人口统计学信息进行比较 -测试(即年龄)。HADS评分(即焦虑评分和抑郁评分)、羟考酮剂量和术后疼痛(即NRS评分1^圣, 2^nd，和3^{理查德·道金斯}术后天数)采用独立样本进行评估 -测试。所有统计分析均采用SPSS 25.0 (SPSS Inc.， New York, USA)进行，统计学显著性水平设为0.05。

3.结果

我们筛选了84例接受胸腔镜手术的患者。如图所示1 (b)3例患者需要开胸，2例患者术后返回重症监护室，3例患者未拔除胸镇痛管^{理查德·道金斯}术后1天，2例患者出现术后感染(即体温高于38.0℃2天以上)。此外，由于脑电图数据质量较差，有7例患者的数据被排除在接下来的分析之外。结果，有67例患者符合纳入条件。3 .根据术后疼痛情况^{理查德·道金斯}术后次日，将符合条件的患者分为两组:中/高疼痛组( ）低疼痛组( )。如表所示1中/高疼痛组患者与低疼痛组患者在临床和人口学特征(性别、年龄、教育程度、ASA分级、手术类型)上无显著差异。此外，使用HADS评估的焦虑和抑郁得分在两组患者之间没有显著差异。然而，羟考酮的剂量和术后疼痛(如NRS上2^nd术后第一天)，中/高疼痛组患者明显高于低疼痛组患者( 而且 ，分别)。

中/高痛组和低痛组静息状态脑电图振荡的组级谱如图所示2．点对点的统计分析显示，中/高疼痛组患者在β和γ频段(21 - 55 Hz之间)的额中央区静息状态脑电图振荡的谱功率密度(最大在FCz电极)明显高于低疼痛组( )。当单独测量时，中/高疼痛组的β (14-30 Hz)和伽马(31-50 Hz)波段功率均显著高于低疼痛组(见图)3.；β乐队: ， ；伽玛乐队: ， )。为了检验结果的稳健性，我们还对β和γ频段的脑电图功率与术后急性疼痛(即3^{理查德·道金斯}手术后第一天)，同时控制年龄的影响，并去除可能的离均值三个标准差远的异常值。两贝塔带功率(部分 ， ）和伽马波段功率(部分 ， ）与术后急性疼痛显著相关(图3.)。

术前脑电图特征对机器学习算法预测术后疼痛强度的性能的贡献如图所示4．在频域的脑电图特征显示出对分类预测性能的不同贡献模式(即LDA，图4(a))和回归(即MLR，图4(b))。然而，30hz左右的特征为分类和回归提供了最具鉴别性的信息。如图所示4(c)和4(d)额中央区的脑电图特征对分类和回归都具有更强的识别力。在分类上，电极Cz, FCz和F3提供了最高的预测精度。在回归分析中，F3、F4、FCz和Fz电极的相关系数最高。

为了获得更好的预测性能，在多元机器学习模型中使用了所有电极和所有频率的EEG特征(即空间和频域特征的组合)。停止SFFS算法，提取50个特征进行分类和回归。在分类方面，LDA具有50个特征，在LOOCV检验中预测准确率为92.54%，即67例患者中有5例被错分。对于回归，具有50个特征的MLR也显示出良好的预测性能(图5)，即真实疼痛强度与预测疼痛强度之间的相关性非常强( ， )。这些结果表明，空间域和频率域的脑电图特征组合可以提供互补的信息，比单一脑电图特征具有更好的预测性能。

4.讨论

在本研究中，我们根据胸腔镜术后疼痛强度的主观报告发现，胸腔镜术后中-高急性术后疼痛发生率较高(49%)^{理查德·道金斯}手术后第二天。术前2小时采集的脑电图数据显示，中/高疼痛组患者额中央区静息状态β和γ波段振荡的谱功率密度明显高于低疼痛组患者(图2)。此外，静息状态β和γ波段振荡的谱功率密度与术后疼痛的主观报告呈正相关(图3.)。重要的是，应用机器学习技术，可以根据术前记录的静息状态脑电图数据准确预测术后急性疼痛强度(预测准确率为92.54%，真实疼痛强度与预测疼痛强度相关系数为0.84)。因此，我们的研究为术前通过脑电图记录识别术后疼痛高危患者提供了一种可行的策略。该策略有望在未来满足临床需求，因为它将有助于优化镇痛策略，以更好地控制术后疼痛和其他不必要的负面影响。

随着对疼痛镇痛机制认识的提高，越来越多的镇痛技术被开发出来，以管理术后疼痛[35- - - - - -38］．虽然多模态镇痛通常应用于临床实践，但临床疼痛评估基于主观疼痛报告、行为评估工具或征求护理人员的意见[39表明对术后疼痛的控制仍不充分[38，40］．一项调查显示，约75%的患者在出院后仍报告疼痛[41］．在本研究中，约49%的手术患者经历了中度至重度的术后急性疼痛(3^{理查德·道金斯}术后第一天)，其术后疼痛的发生率在之前的研究中同样很高[40- - - - - -42］．请注意，术后疼痛在2上已经观察到明显的差异^nd术后次日，中/高疼痛组与低疼痛组比较。术后疼痛的处理不足需要更有效的镇痛策略。术前利用生理指标成功预测术后急性疼痛将为哪些人需要预先治疗提供有价值的信息，从而为更有效和个性化的镇痛铺平道路。

在本研究中，术前2小时静息状态脑电图数据分析显示，额中央区β和γ波段振荡的谱功率密度能够区分不同程度的术后急性疼痛患者。此外，静息状态β和γ波段振荡的谱功率密度与术后疼痛的主观报告呈正相关。

一系列神经振荡在编码健康和疾病情况下的疼痛感知中起着重要作用[8，15，16，43- - - - - -45］．证据表明，β带振荡与感觉运动功能高度相关，例如，运动前的准备和运动中的校准[46，47］．例如，当运动被抑制或自动抑制时，β带振荡增强[46］．运动和疼痛之间有密切的关系，对疼痛做出反应的意识行为对人类具有重要的保护功能[48］．除了运动相关的功能，β带振荡已被证明与疼痛在基础和临床条件下高度相关。在健康受试者中，β波段振荡的功率已被证明是由电、激光和接触热刺激引起的急性疼痛调节的[15，49，50］．然而，需要注意的是，β带振荡的功能解释仍是推测性的，因为在本研究中，脑电图数据是在术前收集的，此时没有观察到与疼痛相关的运动。未来的研究需要描述β波段振荡的谱功率密度与术后急性疼痛之间关联的详细机制。

伽马带振荡，被认为在皮质整合和感知中起着至关重要的作用[6，49，51，反映与疼痛感知直接相关的皮质活动[16，51，52］．因此，伽马波段振荡是目前最有希望的疼痛感知生物标志物之一[5，51］．重要的是，伽马波段振荡和疼痛感知之间的坚实关系不仅在受试者水平上观察到了，而且在不同受试者中也观察到了[5，51]和啮齿动物[14］．就机制而言，伽马波段振荡与疼痛知觉之间的密切关系可能与伽马波段振荡在疼痛意识体验的产生中所起的整合作用有关[53]，因为伽马波段振荡对于大脑皮层和皮层下区域的大型网络中的通信非常重要[17，54］．此外，伽玛波段振荡已被证明为筛选行为相关信息的过滤机制提供支持[16，52］．在本研究中，我们观察到伽马波段振荡的谱功率密度与术后疼痛的主观报告呈正相关。这一观察结果为伽玛波段振荡和不同人类主体的疼痛感知之间的密切关系提供了额外的证据，并可能与分布式神经元群之间可能的沟通有关，从而导致随后的疼痛相关行为[5，11］．

此外，我们的研究结果显示，与疼痛相关的β和γ波段振荡大多来自额中央区。这让人想起以前关于急性和慢性疼痛的研究[8，9，12，16］．一些研究人员认为，疼痛时间化涉及到从与感觉过程相关的大脑回路到情绪回路的转变[55］．支持这一观点的是，先前的一项研究表明，在纤维肌痛患者中，背外侧前额叶和眼窝前额叶皮层的β和γ波段能量的增加与较高的情感性疼痛评分相关[8］．此外，人们普遍认为前额叶皮层与情绪处理有关[56］．临床疼痛的强直性和持续性更类似于慢性疼痛，而不是阶段性疼痛，如瞬时激光引起的热痛，在这种疼痛中体感皮层似乎起着至关重要的作用[5］．因此，前额叶振荡的重要性可能表明，那些容易出现术后疼痛的患者的情绪处理在术前阶段就已经在一定程度上受到了损害，即使这些患者可能没有表现出明显的情绪障碍或明显的异常情绪处理。未来的研究需要测试情绪是否在神经振荡和发生术后疼痛的概率之间的关系中发挥一定作用。值得注意的是，在本研究中未观察到α振荡与术后急性疼痛之间的显著相关性。由于α振荡对患者的状态(例如，注意力和预期)高度敏感，因此有可能α振荡能够在短时间内(例如，几秒钟)预测疼痛感知的强度[17]，但不是在很长一段时间内(例如，在目前的研究中，几天)。

神经振荡与术后急性疼痛之间的关系为术前用生理指标预测术后疼痛提供了坚实的基础。基于术前2小时记录的静息状态脑电图活动，使用机器学习技术(即带有SFFS的LDA)实现了92.54%的预测精度和0.84的相关系数。理想情况下，静息状态脑电图记录技术和机器学习算法的结合将产生急性术后疼痛的诊断生物标志物。该诊断性生物标志物对于围手术期制定有效的镇痛策略非常重要，有助于控制手术患者的术后疼痛[21，22，53］．在实际应用中，该脑电图设备具有便携性和广泛的配置，这使得在大多数临床情况下应用基于脑电图的诊断生物标志物具有可行性。然而，本研究并没有对患者的特征和状态特征对预测成功的各自贡献进行梳理，因为术前2小时采集的脑电图数据可能反映这两种特征。重要的是，两者都可能导致镇痛效果的个体差异。如果是特征特征很重要，那么专门针对具有这些特征的患者可能更有益，也更划算。如果是状态特征，干预操作这些状态可能有助于获得更好的镇痛效果。

应该注意到本研究的一些其他限制。首先，目前的临床实验设计可能会被一些不必要的因素所混淆。虽然所有患者都采用了标准化的手术程序，但在手术过程中存在一些差异(如手术时间和复杂性、镇痛药的种类和数量)，这也可能影响术后急性疼痛。第二，本研究样本量有限，不同受试者的年龄、受教育程度、手术类型差异较大。此外，未来的研究应考虑更多安排其他类型手术的患者，以验证已确定的基于脑电图的术后疼痛生物标志物。第三，本研究未证实脑电图振荡对急性疼痛的特异性。一些研究表明伽马振荡选择性地编码了阶段性和紧张性热痛[5，16，但这个问题仍在激烈的争论中。更重要的是，该研究没有明确解决这个问题，即使神经振荡被证明可以预测术后疼痛。未来的研究可能会测试脑电图振荡的特异性，并为用神经振荡或其他生理测量方法专门预测术后疼痛提供进一步的见解。

总之，我们为额中央区静息状态β和γ波段振荡的谱功率密度与术后疼痛的主观报告之间的密切关系提供了坚实的证据。此外，我们利用机器学习技术，基于神经振荡特征预测术后急性疼痛水平，预测准确率为92.54%，真实疼痛强度与预测疼痛强度的相关系数为0.84。因此，基于术前测量的神经振荡预测术后急性疼痛是可行的，有望满足未来临床的需要，从而帮助优化镇痛策略，更好地控制术后疼痛和其他不良影响。

数据可用性

电子邮件doctor_yifeng@sina.com．

利益冲突

所有作者声明没有竞争利益。

作者的贡献

Fei Gao, Qi Han, Yi Feng负责研究设计。高飞、韩琦、易峰负责协议设计。易峰是研究方案和研究管理的顾问。祁涵负责招募病人。祁涵、易峰负责数据收集。Fei Gao, Qi Han, Yi Feng负责研究行为。易峰、李虎负责研究监测。岳卢鹏、高飞、韩琪、李虎负责数据分析。Lupeng Yue, Qi Han和Li Hu负责数据评估。岳鲁鹏、韩琦、张立波、李虎等人负责撰写手稿。 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.

致谢

国家重点研究与发展计划项目(2018YFC2001905)和国家自然科学基金项目(no . 32071061、31822025、32000749)资助。

参考文献

1. E. M. Pogatzki-Zahn, D. Segelcke和S. A. Schug，“术后疼痛-从机制到治疗”，疼痛报告，第2卷，no。2, pp. e588-e588, 2017。视图:出版商的网站|谷歌学者
2. W. Mei, M. Seeling, M. Franck等，“全麻苏醒后需要早期干预的术后疼痛的独立危险因素，”欧洲疼痛杂志第14卷第4期。2、2010。视图:出版商的网站|谷歌学者
3. F. Denk, S. B. McMahon和I. Tracey，《疼痛脆弱性:神经生物学的视角》，自然神经科学，第17卷，no。2, pp. 192-200, 2014。视图:出版商的网站|谷歌学者
4. K. Wartolowska和I. Tracey，“神经成像作为疼痛诊断和镇痛发展的工具”，神经病治疗第6卷第1期。4, pp. 755-760, 2009。视图:出版商的网站|谷歌学者
5. L. Hu和G. D. Iannetti，“跨物种疼痛感知变异性的神经指标，”美国国家科学院院刊第116卷第1期。5, 2019年第1782-1791页。视图:出版商的网站|谷歌学者
6. M. Ploner, J. Gross, L. Timmermann, B. Pollok和A. Schnitzler，“疼痛抑制自发的大脑节律，”大脑皮层第16卷第1期。4, pp. 537-540, 2006。视图:出版商的网站|谷歌学者
7. G. Buzsáki和Y. Christen，大脑的微观、中观和宏观动力学，施普林格公开赛，2016。
8. M. Lim, J. S. Kim, D. J. Kim，和C. K. Chung，“纤维肌痛患者前额叶皮层的低频和高频振荡活动增加，”人类神经科学前沿， 2016年第10卷。视图:出版商的网站|谷歌学者
9. E. S. May, M. M. Nickel, S. T. Dinh等人，“前额伽马波振荡反映慢性背痛患者持续的疼痛强度。”人脑绘图，第40卷，no。1, pp. 293-305, 2018。视图:出版商的网站|谷歌学者
10. 彭伟，胡磊，张铮，“自发振荡活动对热痛的影响”，《公共科学图书馆•综合》第9卷第1期。3, 2014年第e91052条。视图:出版商的网站|谷歌学者
11. 岳磊，G. D. Iannetti和L. Hu，“伤害感受器诱导的γ带振荡的神经起源，”神经科学杂志，第40卷，no。17, pp. 3478-3490, 2020。视图:出版商的网站|谷歌学者
12. 周锐，王建军，齐伟等，“疱疹后神经痛患者静息状态伽马振荡活动升高的脑电图，”神经科学前沿， vol. 12, p. 750, 2018。视图:出版商的网站|谷歌学者
13. N. Fallon, Y. Chiu, T. Nurmikko和A. Stancak，“纤维肌痛综合征患者静息脑电图中的θ波振荡改变，”欧洲疼痛杂志，第22卷，no。1, 2018年第49-57页。视图:出版商的网站|谷歌学者
14. 彭伟，夏晓霞，易明等，“自由运动大鼠反映疼痛相关行为的脑振荡，”疼痛第159卷第1期。1, pp. 106-118, 2018。视图:出版商的网站|谷歌学者
15. G. Misra，王卫东，D. B. Archer, A. Roy, S. A. Coombes，“利用高密度脑电图数据自动分类疼痛感知”，神经生理学杂志第117卷第1期。2, pp. 786-795, 2017。视图:出版商的网站|谷歌学者
16. E. Schulz, E. S. May, M. Postorino等人，“前额叶伽马振荡编码人类的强直性疼痛，”大脑皮层，第25卷，no。11, pp. 4407-4414, 2015。视图:出版商的网站|谷歌学者
17. tuy .， Z. Zhang, A. Tan等，“α和γ振荡振幅协同预测即将到来的伤害感刺激的感知，”人脑绘图，第37卷，no。2, pp. 501-514, 2016。视图:出版商的网站|谷歌学者
18. C. Babiloni, A. Brancucci, C. D. Percio等人，“预期脑电图α节律预测疼痛强度的主观感知。”疼痛日记第7卷第1期。10，第709-717页，2006。视图:出版商的网站|谷歌学者
19. 曹卓，“基于脑电图的人工智能脑机接口及其应用综述”，脑科学的进步第6卷第1期。3, pp. 162-170, 2020。视图:出版商的网站|谷歌学者
20. 胡磊，张铮，脑电图信号处理与特征提取，施普林格新加坡私人有限公司，2019。
21. J. Lee, I. Mawla, J. Kim等人，“基于机器学习的临床疼痛预测使用多模态神经成像和自主度量，”疼痛(阿姆斯特丹)，第160卷，no。3, pp. 550-560, 2019。视图:出版商的网站|谷歌学者
22. J. Levitt和C. Y. Saab，“疼痛的‘生物标记’是什么意思，机器能被教去测量疼痛吗?”神经学字母《中国科学》，第702卷，第40-43页，2019。视图:出版商的网站|谷歌学者
23. M. L. Zalon，“腹部大手术恢复期患者的轻度、中度和重度疼痛”，疼痛管理护理，第15卷，no。2, pp. e1-12, 2014。视图:出版商的网站|谷歌学者
24. 段伟，陈晓霞，王玉军，赵伟，袁宏，雷晓，“静息状态脑电图的功率谱再现性、功能连通性和网络构建，”神经科学方法杂志， vol. 348, p. 108985, 2021。视图:出版商的网站|谷歌学者
25. A. Delorme和S. Makeig，“EEGLAB:单次试验脑电图动力学分析的开源工具箱，包括独立成分分析，”神经科学方法杂志第134卷，no。1，第9-21页，2004。视图:出版商的网站|谷歌学者
26. M. Chaumon, D. V. Bishop和N. A. Busch，“选择用于伪影校正的脑电图独立成分的实用指南”神经科学方法杂志， vol. 250, pp. 47-63, 2015。视图:出版商的网站|谷歌学者
27. A. Delorme, T. Sejnowski，和S. Makeig，“使用高阶统计和独立成分分析增强脑电图数据中的伪迹检测”，NeuroImage(佛罗里达州奥兰多)第34卷第4期。4，页1443-1449,2007。视图:出版商的网站|谷歌学者
28. 李j .， P. Stoica和Y. Wang，信号的光谱分析Morgan & Claypool出版社，2006年。
29. Y. Benjamini和Y. Hochberg，“控制错误发现率:一种实用而强大的多重测试方法”，皇家统计学会杂志。系列B:方法论，第57卷，页289-300,1995。视图:出版商的网站|谷歌学者
30. F. E. Grubbs，“检测样本中外围观察的程序”，技术计量学，第11卷，no。1，第1 - 21页，1969年。视图:出版商的网站|谷歌学者
31. w·j·克拉扎诺夫斯基，多元分析原理:用户视角第3卷，克拉伦登出版社，1988年。
32. m·h·库特纳，应用线性统计模型McGraw-Hill Irwin, 2005年第5版。
33. a . M. Molinaro, R. Simon和R. M. Pfeiffer，“预测误差估计:重采样方法的比较”，生物信息学第21卷第4期。15, pp. 3301-3307, 2005。视图:出版商的网站|谷歌学者
34. P. Pudil, J. Novovičová和J. Kittler，“特征选择中的浮动搜索方法”，模式识别信，第15卷，no。11，第1119-1125页，1994年。视图:出版商的网站|谷歌学者
35. 丁伟，陈勇，李东等，“单剂量胸椎旁镇痛用于胸腔镜肺叶切除术术后疼痛控制的研究-一项随机对照试验，”国际外科杂志2018年，第57卷，第8-14页。视图:出版商的网站|谷歌学者
36. M. Ekinci, B. Ciftci MD, B. E. Gölboyu, Y. Demiraran, Y. Bayrak，和S. Tulgar，“比较胸腔镜手术后前锯肌平面阻滞和竖脊肌平面阻滞治疗疼痛的随机试验，”疼痛医学第21卷第4期。6, pp. 1248-1254, 2020。视图:出版商的网站|谷歌学者
37. D. T. Finnerty, a . McMahon, J. R. McNamara, S. D. Hartigan, M. Griffin和D. J. Buggy，“比较竖肌平面阻滞与前锯肌平面阻滞在微创胸外科中的应用:一项随机临床试验，”英国麻醉杂志:BJA，第125卷，no。5, pp. 802-810, 2020。视图:出版商的网站|谷歌学者
38. M. E. wojtyovich, J. wsupport.sikowski, N. Wójcik等，“后外侧开胸术患者椎旁阻滞和胸硬膜外镇痛的术后疼痛管理评估和止痛效果比较”，心胸外科杂志第14卷第4期。1，第78页，2019年。视图:出版商的网站|谷歌学者
39. R. Chou, D. B. Gordon, O. a . de Leon-Casasola等人，“术后疼痛的管理:来自美国疼痛学会、美国区域麻醉和疼痛医学学会、美国麻醉师学会区域麻醉委员会、执行委员会和管理委员会的临床实践指南”，疼痛日记，第17卷，no。2, pp. 131-157, 2016。视图:出版商的网站|谷歌学者
40. 王宏，李树清，梁楠楠，刘伟，刘宏，“中国成人开胸术后疼痛体验及影像辅助胸外科手术”，临床护理杂志第26卷第4期。17-18，第2744-2754页，2017。视图:出版商的网站|谷歌学者
41. J. L. Apfelbaum, C. Chen, S. S. Mehta和T. J. Gan，“术后疼痛体验:一项全国调查的结果表明术后疼痛仍未得到有效控制。”麻醉与镇痛，第97卷，no。2, pp. 534-540, 2003。视图:出版商的网站|谷歌学者
42. M. Bendixen, O. D. Jorgensen, C. Kronborg, C. Andersen和P. B. Licht，“通过视频辅助胸腔镜手术或前外侧胸腔镜肺叶切除术治疗早期肺癌的术后疼痛和生活质量:一项随机对照试验，”柳叶刀肿瘤学杂志，第17卷，no。6, pp. 836-844, 2016。视图:出版商的网站|谷歌学者
43. M. Case, H. Zhang, J. Mundahl等，“镰状细胞病患者脑功能活动和连接的脑电图和功能磁共振成像表征，”神经影像学临床2017年，第14卷，第1-17页。视图:出版商的网站|谷歌学者
44. A. M. gonzales - roldan, I. Cifre, C. Sitges和P. Montoya，“纤维肌痛患者休息时脑电图振荡的动态改变”，疼痛医学， 2016年第17卷。视图:出版商的网站|谷歌学者
45. S. Vanneste, J. Ost, T. Van Havenbergh和D. De Ridder，“纤维肌痛的静息状态下脑电活动和连通性”，《公共科学图书馆•综合》，第12卷，no。6、文章e0178516, 2017。视图:出版商的网站|谷歌学者
46. A. G. Androulidakis, A. A. Kuhn, C. Chu Chen等人，“多巴胺能治疗促进帕金森病丘脑下区侧化运动活动，”大脑，第130卷，no。2，第457-468页，2007。视图:出版商的网站|谷歌学者
47. A. K. Engel和P. Fries，“β波段振荡——信号现状?”神经生物学的最新观点，第20卷，no。2, pp. 156-165, 2010。视图:出版商的网站|谷歌学者
48. 吕旭东，姚旭东，“运动引起的痛觉减退:行为特征和神经机制，”纽约科学院年鉴, 2021年。视图:出版商的网站|谷歌学者
49. O. Jensen, J. Kaiser和J. P. Lachaux，“与注意力和记忆相关的人类γ频率振荡”，神经科学的发展趋势，第30卷，no。7，第317-324页，2007。视图:出版商的网站|谷歌学者
50. H. E. Rossiter, S. F. Worthen, C. Witton, S. D. Hall和P. L. Furlong，“Gamma振荡振幅编码初级躯体感觉皮层的刺激强度。”人类神经科学前沿， 2013年第7卷。视图:出版商的网站|谷歌学者
51. 张志刚，胡磊，洪玉生，a . Mouraux, G. D. Iannetti，“初级躯体感觉皮层的γ带振荡——与主观疼痛强度的直接和义务相关，”神经科学杂志，第32卷，no。22, pp. 7429-7438, 2012。视图:出版商的网站|谷歌学者
52. J. Gross, A. Schnitzler, L. Timmermann和M. Ploner，“人类初级躯体感觉皮层的Gamma振荡反映了疼痛感知。”公共科学图书馆生物学第5卷第5期。5, pp. e133-1173, 2007。视图:出版商的网站|谷歌学者
53. E. Schulz, A. Zherdin, L. Tiemann, C. Plant和M. Ploner，“从脑电图数据的多元分析解码个体对疼痛的敏感性”，大脑皮层，第22卷，no。5, pp. 1118-1123, 2012。视图:出版商的网站|谷歌学者
54. A. B. Saleem, A. D. Lien, M. Krumin等，“小鼠视觉皮层窄带伽马振荡的皮层下源和调制”，神经元，第93卷，no。2, pp. 315-322, 2017。视图:出版商的网站|谷歌学者
55. J. A. Hashmi, M. N. Baliki, L. Huang等人，“形状变化的疼痛:背部疼痛的时间化将大脑表征从伤害感知回路转移到情绪回路，”大脑，第136卷，no。9, pp. 2751-2768, 2013。视图:出版商的网站|谷歌学者
56. A. Etkin, T. Egner和R. Kalisch，“前扣带和内侧前额叶皮层的情绪处理”，认知科学的发展趋势，第15卷，no。2, pp. 85-93, 2011。视图:出版商的网站|谷歌学者

betway赞助

betway赞助版权所有©2021祁涵等。这是一篇开放获取的文章创作共用授权协议该法律允许在任何媒体上不受限制地使用、分发和复制，前提是必须正确引用原著。