慢性颈肩痛患者脑动态功能网络状态转换异常的特征与机制研究

针对慢性颈肩痛(CNSP)中枢机制不清的问题，研究人员采用隐马尔可夫模型(HMM)分析静息态功能磁共振(rs-fMRI)数据，首次揭示CNSP患者存在5种特征性脑功能状态，其状态占据率(FO)、平均驻留时间(ALT)及转换概率显著异常，为个体化神经调控提供了新靶点。

　　

慢性颈肩痛(CNSP)作为颈椎病最常见的临床症状，全球年患病率高达37.2%，不仅严重影响患者生活质量，更造成每年1345亿美元的医疗负担。现有镇痛治疗存在胃肠不适、药物依赖等副作用，而非侵入性神经调控技术虽展现潜力，却因中枢机制不明而疗效受限。传统神经影像学研究多采用静态功能连接分析，无法捕捉脑活动的快速波动——这恰是疼痛体验非线性特征的关键。

为解决这一难题，川北医学院附属医院放射科邱志强^1,4、刘天慈^1,4等团队在《Scientific Reports》发表研究，首次运用隐马尔可夫模型(HMM)解码CNSP患者的脑动态特征。该技术突破传统滑动窗口法的局限，通过自适应识别116个脑区的多变量时间序列，将脑活动建模为隐藏状态的概率转换过程。研究纳入32例CNSP患者与32名健康对照(HCs)，采集3.0T Siemens MAGNETOM Skyra的rs-fMRI数据，经CONN工具箱预处理后，通过HMM-MAR算法识别最优脑状态数，最终确定5种特征状态：状态1（SN-FPN-皮层下网络高连接，背外侧前额叶皮层(DLPFC)高活动）、状态2（感觉运动网络(SMN)-SN高连接）、状态3（全脑高连接低活动）、状态4（视觉网络(VN)优势）和状态5（全脑低连接）。

Fractional occupancy分析显示，CNSP患者在状态1（疼痛自我调控）和状态2（疼痛感知）的FO显著增高（P<0.05），而HCs在状态3（放松状态）的FO更高（P<0.001）。Averaged lifetime揭示患者状态1/2的ALT延长（P<0.05），状态3ALT缩短，提示患者更持久处于疼痛处理状态。Switching rate表明患者状态转换更频繁（P=0.045），反映疼痛体验的动态波动。Transition probability图谱显示，患者倾向于从其他状态转向状态1/2（最高概率：状态2→状态1=0.5），而HCs多转向状态3（状态1→状态3=0.55）。

相关性分析发现，状态2的FO与疼痛强度(VAS)正相关（r=0.431），状态3的FO/ALT与焦虑(SAS)、抑郁(SDS)负相关（r<-0.435），状态1的FO/ALT与抑郁正相关（r>0.453），提示不同脑状态与临床症状存在特异性关联。

讨论部分指出，DLPFC的高活动可能反映患者通过认知控制抑制疼痛，而SN-SMN的功能耦合增强暗示疼痛感知-评估的神经整合。状态3的减少则表明患者难以进入放松状态，这与其情绪障碍相互印证。该研究首次建立CNSP的HMM状态转换模型，为精准神经调控提供新靶向——例如通过rTMS增强DLPFC活动或调控SN-SMN耦合。

局限性包括缺乏疼痛波动的实时验证，以及样本排除重度疼痛患者可能引入偏倚。未来需通过纵向研究验证状态特征的治疗预测价值。这项开创性工作为理解慢性疼痛的神经振荡机制提供了全新框架，标志着动态脑网络研究向临床转化迈出关键一步。