|
Variáveis de modelagem no
desenvolvimento de biomarcadores de dor
Ana Carolina Teles Marçal
Revisão sistemática realizada na Coreia do Sul, avaliou o efeito do uso de diferentes variáveis de modelagem no estudo de biomarcadores de dor baseados em neuroimagem. O estudo apontou que pesquisas que avaliam mais regiões cerebrais relacionadas à dor, que utilizam amostras maiores e que avaliaram mais dados durante as fases de teste ao invés das fases de treinamento, impactaram positivamente o desenvolvimento de biomarcadores da dor baseados em neuroimagem.
O estudo avaliou 57 artigos que incluíam modelos preditivos de dor baseados em neuroimagem e posteriormente conduziram análises de benchmark que usou dados de imagens de 124 ressonâncias magnéticas que envolviam um teste com dor induzida por estímulo térmico. Para o desenvolvimento de modelos preditivos, utilizaram a técnica de machine learning. Entre os dados mais focados pelos pesquisadores, foi apontado que a maioria dos estudos foi realizado em amostras populacionais (66,8%), com modelos de classificação binária (72,6%), modelos que avaliavam mais regiões do cérebro foram mais prevalentes (56%).
Por fim, a revisão sistemática indica que os níveis de dados, escalas espaciais e número das amostras foram determinantes importantes para a performance de classificações e predição. Números maiores de regiões cerebrais relacionadas à dor, amostras maiores e redução de avaliação de dados relacionados à fase de treinamento em contraste ao aumento da avaliação durante a fase de teste, foram apontados como úteis.
Referências: Lee DH, Lee S, Woo CW. Decoding pain: uncovering the factors that affect the performance of neuroimaging-based pain models. Pain. 2025;166(2):360-375. doi:10.1097/j.pain.0000000000003392 |
