🇬🇧 EN 🇳🇴 NO
← Tilbake til EMF Signal Pain Ther
Therapeutic

🧠 Maskinlæringsmodell predikerer respons på pulset radiofrekvens ved zostersmerter

18. juni 2026 (EMFS)
16. jun 2026 (original)
Source: Pain Ther
Source category: Therapeutic
KI-bruk
En studie i Pain and Therapy av 1 773 pasienter med zoster-assosierte smerter rapporterer en CatBoost-modell for å predikere respons på pulset radiofrekvensbehandling. Forfatterne skriver at modellen kombinerer kliniske mål med lipid- og inflammasjonsmarkører for å støtte mer individualisert smertebehandling. Alle fem prediktorene — alder, baseline smerteskår, preoperativ opioidbruk, apolipoprotein B og nøytrofil-til-monocytt-ratio — er pasientkarakteristikker; modellen inkluderer ikke variabler for behandlingsprotokoll. De fem ble valgt fra en opprinnelig pool på 47 kliniske og laboratorievariabler gjennom en tretrinns variabelseleksjon.
🔬 Denne forskningen dekkes i EMF Signals seksjon om terapeutiske EMF-applikasjoner. Den undersøker kontrollert bruk av elektromagnetiske felt som mulig behandling, ikke miljøeksponering.
Merk: Artikkelen beskriver ikke PRF-behandlingens karakteristikker med hensyn til frekvens, varighet eller andre egenskaper.

Sitater (vår oversettelse)

"Pulset radiofrekvens (PRF) er en sentral nevromodulasjonsstrategi for zoster-assosierte smerter (ZAP); kliniske utfall viser imidlertid betydelig variasjon mellom individer."

[original: "Pulsed radiofrequency (PRF) is a pivotal neuromodulation strategy for zoster-associated pain (ZAP); however, clinical outcomes exhibit significant interindividual heterogeneity."]

— Lei Zhang et al.

"Denne studien hadde som mål å identifisere robuste prediktorer og utvikle et transparent rammeverk for maskinlæring (ML) for å forutsi behandlingsrespons, og dermed legge til rette for individualisert smertebehandling."

[original: "This study aimed to identify robust predictors and develop a transparent machine learning (ML) framework to forecast treatment response, thereby facilitating individualized pain management."]

— Lei Zhang et al.

Kilde

A Novel Machine Learning Signature Incorporating Lipid and Inflammatory Biomarkers to Predict Pulsed Radiofrequency Efficacy in Zoster-Associated Pain. pubmed.ncbi.nlm.nih.gov

📄 Underliggende forskning

A Novel Machine Learning Signature Incorporating Lipid and Inflammatory Biomarkers to Predict Pulsed Radiofrequency Efficacy in Zoster-Associated Pain.

Lei Zhang et al. (2026) Pain and therapy Journal Level 1ⓘ

🔗 DOI 📚 PubMed

Mer om dette temaet