Nuove scoperte sul trattamento del mal di schiena cronico

Il dolore cronico alla schiena (cLBP) è una delle principali cause di disabilità in tutto il mondo. Le ricerche dicono che circa il 70% delle persone sperimenterà cLBP a un certo punto della propria vita, colpendo più della metà degli americani ogni anno. Nonostante questa alta prevalenza, trovare trattamenti efficaci che non si basino sugli oppioidi è stato difficile.

#Che cos'è il dolore cronico alla schiena?

Il dolore cronico alla schiena è una condizione complessa con vari fattori che possono influenzare come una persona vive il dolore. La maggior parte dei casi di cLBP sono classificati come non specifici, il che significa che non c'è una ragione chiara per il dolore. A causa di ciò, le persone rispondono spesso in modo diverso ai trattamenti.

Un modo comune per vedere il cLBP è attraverso il modello biopsicosociale (BPS). Questo modello considera il ruolo di fattori biologici, come il modo in cui i segnali del dolore vengono elaborati nel corpo, insieme a influenze psicologiche e sociali. Per esempio, cose come età, genere, razza, cultura e altre condizioni di salute possono influenzare come il cLBP colpisce un individuo.

Anche se il modello BPS è largamente accettato, gli studi mostrano che i trattamenti basati su questo modello spesso portano solo a piccole migliorie nei livelli di dolore. I trial clinici rivelano che anche i migliori trattamenti di solito riducono i punteggi del dolore di un paio di punti su una scala da 0 a 11. Questo effetto medio può nascondere le differenze in come vari gruppi di pazienti rispondono al trattamento.

Identificare questi diversi gruppi di pazienti è fondamentale per fornire cure personalizzate. Adattare il trattamento alle caratteristiche specifiche di ogni paziente può portare a risultati di salute migliori.

#Esplorare i modi per classificare i pazienti

I ricercatori hanno creato vari strumenti per aiutare a identificare diversi gruppi di pazienti in base alle loro caratteristiche e a come potrebbero rispondere al trattamento. Tuttavia, le evidenze che supportano questi strumenti possono essere inconsistenti. Per esempio, uno strumento comunemente usato chiamato Strumento di Screening per il Trattamento Mirato della Schiena (STarT back) ha mostrato risultati misti in termini di efficacia.

Alcuni studi mostrano risultati positivi usando lo strumento STarT back, mentre altri trovano poco o nessun effetto. Questo solleva la questione se l'approccio STarT back sia sufficiente o se dovrebbero essere considerati altri fattori nella classificazione dei pazienti.

Queste strategie di raggruppamento spesso si basano su un insieme limitato di misurazioni, che potrebbero non catturare completamente la complessità del cLBP. Utilizzare tecniche di machine learning e analizzare set di dati più ampi può aiutare a scoprire schemi nascosti e categorizzare i pazienti in gruppi che condividono tratti simili.

#Lo studio e il suo scopo

Questa ricerca mirava a usare il machine learning e l'analisi dei dati per identificare fattori che definiscono diversi gruppi di pazienti in una clinica specializzata nella gestione del dolore alla schiena. Lo studio ha coinvolto pazienti che hanno visitato il Servizio Integrato della Colonna Vertebrale UCSF tra il 2018 e il 2020. L'obiettivo era vedere come questi diversi gruppi si relazionavano agli esiti del trattamento basati su approcci non standardizzati e incentrati sul paziente.

I ricercatori hanno esaminato una serie di dati sui pazienti al momento della loro prima visita alla clinica, inclusi dati demografici, caratteristiche del dolore e altre condizioni di salute. Hanno confrontato lo strumento STarT back tradizionale con il loro processo basato su machine learning per trovare ulteriori caratteristiche utili per categorizzare i pazienti.

#Identificazione e analisi dei dati dei pazienti

Il Servizio Integrato della Colonna Vertebrale è progettato per migliorare le cure per i pazienti che soffrono di dolore cronico alla colonna. I pazienti ricevono valutazioni sia da fisioterapisti che da medici che lavorano insieme per creare piani di trattamento incentrati sull'educazione riguardo al dolore, strategie di auto-cura e trattamenti non invasivi.

Tutti i pazienti adulti diagnosticati con cLBP e indirizzati alla clinica durante il periodo di studio sono stati inclusi nell'analisi. Per mantenere una popolazione di studio consistente, i pazienti con determinate condizioni, come il cancro o gravi problemi neurologici che richiedevano interventi chirurgici urgenti, sono stati esclusi.

I dati sono stati raccolti utilizzando vari strumenti, inclusa la Scala Analogica Visiva (VAS) per l'intensità del dolore e il questionario di salute PROMIS-10 per valutare la salute generale. Sono stati condotti sondaggi di follow-up per valutare i progressi dei pazienti.

I ricercatori hanno raccolto ulteriori dati dalle cartelle cliniche elettroniche, come la storia medica dei pazienti, i farmaci prescritti e i trattamenti ricevuti nei sei mesi precedenti alla prima visita.

#Preparazione dei dati per l'analisi

Prima di analizzare i dati, i ricercatori hanno eseguito diversi passaggi per assicurarsi che fossero pronti per il machine learning. Hanno ricodificato le variabili categoriali, filtrato quelle non informative e gestito i valori mancanti attraverso un metodo noto come imputazione multipla.

Una volta che i dati sono stati puliti e organizzati, i ricercatori hanno applicato una tecnica chiamata Analisi delle Componenti Principali Non Lineari (NLPCA). Questo metodo ha permesso loro di analizzare tipi misti di dati, catturando relazioni complesse tra le variabili.

I risultati hanno portato all'identificazione di 25 componenti principali, che hanno aiutato a spiegare la variabilità nei dati dei pazienti. Per rendere i risultati più facili da interpretare, è stata applicata una tecnica di rotazione, riducendo la complessità e aiutando a comprendere le dimensioni principali dei dati.

#Raggruppamento dei pazienti in base alle caratteristiche

Utilizzando un approccio di clustering probabilistico, i ricercatori hanno modellato i dati trasformati per identificare gruppi distinti di pazienti. L'analisi ha rivelato tre cluster principali di pazienti in base ai loro punteggi individuali.

Ogni cluster rappresentava un gruppo con caratteristiche uniche, diverse da quelle identificate dallo strumento STarT back. Questo suggerisce che metodi oltre alla categorizzazione tradizionale potrebbero rivelare gruppi di pazienti diversi e potenzialmente più informativi.

Le caratteristiche dei cluster identificati erano significative. Il Cluster 1 consisteva in pazienti più giovani che sperimentavano bassi livelli di dolore ed erano meno propensi a ricevere prescrizioni di farmaci per il dolore. Il Cluster 2 includeva pazienti con una maggiore proporzione di assicurazione Medicaid e meno condizioni comorbose. Il Cluster 3 conteneva pazienti più anziani con livelli più elevati di dolore cronico e utilizzo di farmaci.

#Comprendere i fenotipi dei pazienti

I cluster sono stati ulteriormente caratterizzati dai loro punteggi di fattori fenotipici, che hanno aiutato a chiarire i tratti che definiscono ciascun gruppo di pazienti. I pazienti nel Cluster 1 erano generalmente più giovani, meno dipendenti dai farmaci per il dolore e avevano livelli di funzionalità migliori. Quelli nel Cluster 3 erano più anziani, riportavano condizioni di dolore più complesse e avevano un maggior uso di farmaci.

L'analisi ha anche esplorato come questi gruppi si relazionavano agli interventi di trattamento. È stato riscontrato che la quantità di farmaci per il dolore prescritti variava significativamente tra i cluster, con il Cluster 1 che aveva il minor utilizzo di farmaci e il Cluster 3 che aveva il più alto.

#Risultati del trattamento tra i gruppi di pazienti

I ricercatori hanno valutato come i diversi gruppi si sono comportati con i risultati del trattamento. Anche se non sono state trovate differenze significative tra i fenotipi in termini di cambiamenti nei punteggi fisici, mentali o di dolore, i cluster 2 e 3 hanno mostrato miglioramenti nella funzionalità fisica. Il Cluster 1, che aveva già livelli di funzionalità più elevati, non ha visto miglioramenti evidenti.

L'alta variabilità tra i pazienti suggerisce che potrebbero essere necessari ulteriori dati per identificare distinzioni più chiare negli effetti del trattamento. Inoltre, le interazioni tra i gruppi di pazienti hanno messo in evidenza la complessità nel trattare il cLBP.

#Il ruolo di vari fattori nel trattamento

Lo studio ha trovato che alcuni fattori potevano prevedere i risultati del trattamento. Per esempio, una funzione di base più bassa era associata a maggiori miglioramenti nella salute fisica e mentale dopo il trattamento. Inoltre, avere condizioni di dolore cronico sovrapposte e dolore alla testa era legato a risultati peggiori.

È interessante notare che è stata notata un'interazione tra razza e risposta al trattamento, in particolare per i pazienti asiatici in uno dei cluster. Questo suggerisce che fattori come le caratteristiche demografiche e il background culturale possono influenzare il recupero dal cLBP.

#Limitazioni e ricerche future

Anche se questo studio offre spunti preziosi sulla eterogeneità dei pazienti nel trattamento del cLBP, ha anche limitazioni. I dati provengono da un'unica clinica e il numero di pazienti inclusi era relativamente ridotto. Essendo uno studio osservazionale, deve essere riconosciuta la possibilità di associazioni coincidenziali.

Le ricerche future dovrebbero puntare a convalidare questi risultati in popolazioni di pazienti più diverse ed esplorare altri metodi combinati per identificare gruppi di pazienti stabili e clinicamente rilevanti. L'obiettivo è sviluppare strategie migliori per la stratificazione dei pazienti e adattare i trattamenti in base alle caratteristiche individuali.

#Conclusione

Il dolore cronico alla schiena presenta una sfida complessa per pazienti e operatori sanitari. Questo studio sottolinea il valore di utilizzare il machine learning e approcci basati sui dati per comprendere meglio le differenze tra i pazienti e i risultati del trattamento. Andando oltre i metodi tradizionali, i ricercatori possono scoprire nuove intuizioni che potrebbero portare a cure più efficaci e personalizzate per chi soffre di cLBP.