📄 medicine

Limited discriminative utility of resting-state heart rate variability for chronic pain–depression–anxiety comorbidity subtypes: an exploratory SHAP-based machine-learning analysis

这项利用基于 SHAP 的机器学习进行的探索性研究发现，静息态心率变异性在区分慢性疼痛—抑郁—焦虑共病亚型（特别是疼痛—抑郁和疼痛—焦虑主导型表现）方面具有有限且不稳定的判别效用，这表明其不足以作为此类分类的独立生物标志物。

原作者： Tian Xie, Jinchao Hu, Xin Tian, Guangyuan Ma, Jingchi Li, Jiexiang Yang, Yi Chen, Cheng Luo

发布于 2026-06-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Tian Xie, Jinchao Hu, Xin Tian, Guangyuan Ma, Jingchi Li, Jiexiang Yang, Yi Chen, Cheng Luo

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你的身体有一个非常敏感的“压力计”，叫做心率变异性（HRV）。把它想象成鼓手的节奏。一个健康、灵活的鼓手不会只是发出完美的、机器人式的“咚-咚-咚”声。相反，他们的节奏中会有细微且自然的起伏，这显示出他们能够适应音乐。这种心跳中的“抖动”告诉我们，你的身体自动控制系统（自主神经系统）处理压力和疼痛的能力如何。

长期以来，医生们一直知道，患有慢性疼痛的人通常也会面临抑郁和焦虑的困扰。这就像是一个经常聚在一起的三人组麻烦制造者。但问题在于：我们能否通过观察这个“压力计”（HRV），来分辨出这个三人组中不同的类型？

主要是疼痛 + 抑郁吗？
主要是疼痛 + 焦虑吗？
还是那极其沉重的疼痛 + 抑郁 + 焦虑组合？

这项研究试图回答这个问题，它使用了一个计算机“侦探”（机器学习）来观察这个压力计是否可以作为这些不同群体独特的“身份卡”。

实验过程：尝试整理拼图碎片

研究人员收集了 172 名慢性疼痛患者的数据。他们使用标准问卷来测量每个人感受到的疼痛、悲伤和担忧程度。根据这些评分，他们尝试将其中的 82 人分入三个特定的“俱乐部”：

疼痛-抑郁俱乐部（8 人）
疼痛-焦虑俱乐部（11 人）
三重麻烦俱乐部（63 人，同时拥有这三种症状）

注：前两个俱乐部规模很小，就像是在沙滩上寻找特定的沙粒一样；而第三个俱乐部则是一个庞大的群体。

他们将“压力计”数据（HRV）输入到三个不同的计算机模型中。每个模型都被问到：“你能通过观察这个人的心跳节奏，告诉我他是否属于这个特定的俱乐部吗？”

结果：喜忧参半

计算机侦探在识别前两个俱乐部时表现得非常糟糕，但在识别第三个俱乐部时表现得“还可以，但不完美”。

1. “疼痛-抑郁”和“疼痛-焦虑”俱乐部：失明的侦探
当计算机试图寻找“疼痛-抑郁”或“疼痛-焦虑”组的人群时，它基本上每次都会猜错。

类比： 想象一下，你要在停车场里找一辆红色的车，但计算机是色盲。它看了看心跳数据，然后说：“不，那不是红色的车，”即便那确实是一辆红色的车。
得分： 计算机的准确率甚至比抛硬币决定还要差。它未能正确识别出这两个小群体中的任何一个人。对于这些特定的组合，压力计并没有表现出独特的特征。

2. “三重麻烦”俱乐部：稍微好一点的侦探
当计算机寻找同时拥有这三种问题的群体（疼痛 + 抑郁 + 焦虑）时，它的表现稍好一些。

类比： 这个群体就像是一个嘈杂、混乱的派对。压力计能听到这种噪音，并说：“嘿，这个群体听起来和安静的那些不一样！”
得分： 它比其他组更容易猜对，但仍然有一个大缺陷。因为这个群体比其他组大得多，所以计算机倾向于对几乎所有人直接猜测“是的，这是三重麻烦组”。它擅长发现“嘈杂的派对”，但它还不足以成为一种可靠的方式，在没有其他检查的情况下证明某人专门拥有这种精确的组合。

计算机“看到了”什么（线索）

研究人员使用了一种特殊的工具——SHAP，来询问计算机：“你使用了哪些心跳线索来做出你的决定？”

对于疼痛-抑郁组，计算机主要观察了最快和平均的心跳。
对于疼痛-焦虑组，它观察了心跳数据的形状和三角形模式。
对于三重麻烦组，它观察了心跳的整体变异性和分布范围。

然而，由于计算机在识别前两个组时表现得非常糟糕，这些线索仅仅是“描述性的猜测”，而非被证实的事实。这就像是一个侦探列出了出现在现场的线索，但这些线索实际上并没有破案。

总结

该研究得出结论：你不能仅凭心跳“压力计”来诊断一个人究竟属于哪种特定类型的“疼痛-抑郁-焦虑”混合状态。

它不是神奇的身份卡： 心跳节奏并不具备能将“疼痛-抑郁”型与“疼痛-焦虑”型区分开来的独特“指纹”。
它可能只是一个粗略的过滤器： 它或许能比其他类型更好地识别出“沉重负担”组（三重麻烦俱乐部），但即便如此，它也还不足以单独作为可靠的判断依据。

研究人员表示，要真正对这些患者进行分类，我们需要更多的人参与研究、更优质的数据，并且我们需要将心跳数据与其他工具（如睡眠追踪器、血液检测或详细访谈）结合起来。目前来看，单凭心跳还不是开启这些特定亚型之门的钥匙。

技术摘要：静息态心率变异性（HRV）在 CPDA 亚型中的判别效用有限

问题陈述
慢性疼痛经常与抑郁和焦虑共病出现，形成一种复杂的共病状态，即慢性疼痛-抑郁-焦虑（CPDA）。虽然临床证据表明存在不同的亚型——具体包括疼痛-抑郁主导型、疼痛-焦虑主导型以及疼痛-抑郁-焦虑三重共病型——但目前的临床评估高度依赖于主观症状报告。目前缺乏成熟的客观生理指标来区分这些特定的 CPDA 亚型。尽管心率变异性（HRV）已被证实是与疼痛和情绪障碍相关的自主神经系统调节的重要指标，但其在区分这些异质性 CPDA 表型方面的具体效用仍不确定。本研究旨在调查静息态 HRV 是否可以作为一种可靠的生物标志物用于亚型分类，或者它仅仅反映了一种广泛的、跨诊断的自主神经失调模式。

研究方法
这项探索性横断面研究利用了来自中国西南地区一家医院的 172 名慢性疼痛住院患者的数据。

参与者分层： 从总队列中，根据症状负担相对于样本均值的水平，将 82 名患者分为三个互斥的 CPDA 亚型：
- 疼痛-抑郁主导型 ( $n=8$ )：高抑郁，低焦虑。
- 疼痛-焦虑主导型 ( $n=11$ )：高焦虑，低抑郁。
- 疼痛-抑郁-焦虑三重共病型 ( $n=63$ )：高水平的抑郁和焦虑。
- 注：其余参与者未达到这三个特定亚型的阈值标准，因此被排除在分类模型之外。
数据采集：
- 临床指标： 疼痛严重程度/干扰度（简表版疼痛影响问卷）、抑郁症状（汉密尔顿抑郁量表，HAMD-24）以及焦虑症状（汉密尔顿焦虑量表，HAM-A）。
- 生理指标： 通过 5 分钟非侵入式指尖传感器记录静息态 HRV。提取的特征包括时域指标（如 SDNN、RMSSD、pNN50、TINN、三角指数）、频域指标以及心率指标。
机器学习方法：
- 构建了三个加权二分类“一对多”（one-vs-rest）随机森林分类器，用于将每个特定亚型与其他两个亚型进行区分。
- 类别不平衡处理： 应用基于逆频率的类别权重，以惩罚对少数类别的误分类。
- 验证： 使用 ROC-AUC、准确率、混淆矩阵和分类报告对模型在留出测试集（分层 8:2 拆分）上的表现进行评估。
- 可解释性： 采用 SHAP（Shapley 加性解释）分析对特征重要性进行排序，并可视化 HRV 指标的贡献模式，包括非线性关系的依赖图。

关键结果
研究发现，静息态 HRV 在不同 CPDA 亚型之间的判别效用呈现不均衡且普遍有限的特征：

疼痛-抑郁主导型模型： 表现较差，AUC 为 0.483。关键在于，该模型未能正确识别测试集中的 2 例阳性病例，将其误分类为阴性。
疼痛-焦虑主导型模型： 同样表现出较差的判别能力，AUC 为 0.433。与抑郁主导型模型类似，它未能识别测试集中的 2 例阳性病例。
三重共病型模型： 显示出相对较高的判别能力，AUC 为 0.712。然而，该模型表现出向阳性分类倾斜的偏差：正确识别了 13 例阳性病例，但将 4 例阴性病例误分类为阳性。作者提醒，这种表现可能反映了整体共病负担较高，而非特定的亚型特征。
特征重要性 (SHAP)： 主要的 HRV 特征因模型而异：
- 疼痛-抑郁： 最大心率 (Max HR)、平均心率 (Mean HR)、pNN50。
- 疼痛-焦虑： TINN、pNN50、HRV 三角指数。
- 三重共病： HRV 三角指数、SDNN、CV。
- 少数类亚型的 SHAP 分布较为狭窄且集中在零附近，表明特征对模型输出的边际贡献有限。

意义与主张
本文明确指出，静息态 HRV 不能作为精确分类 CPDA 亚型的独立生物标志物，特别是在区分疼痛-抑郁主导型和疼痛-焦虑主导型表型方面。

主要结论： HRV 无法区分单一主导型亚型，这表明 HRV 反映的是疼痛和情感障碍共有的跨诊断自主神经失调，而非具有疾病特异性的特征签名。
细微发现： 虽然三重共病模型显示出较好的探索性判别能力，但作者将其归因于检测到了一种“高负担”状态，即以严重的全局自主神经失调为特征的状态，而非三重共病型的独特生理指纹。
方法论贡献： 本研究通过严谨的基于 SHAP 的评估，探讨了 HRV 的局限性，超越了简单的相关性分析，进而测试了实际的分类性能。它强调了在进行亚型发现时依赖小规模、不平衡样本的风险。
未来方向： 作者总结认为，HRV 可能作为高负担共病的高级筛查指标具有价值，但在能够为 CPDA 分层提供参考之前，需要通过更大规模、更平衡的队列以及多模态指标（临床、炎症、睡眠相关指标）进行验证。

作者承认的局限性
研究强调了以下约束条件：

亚型定义： 亚型是使用样本均值阈值而非既定的临床诊断标准定义的，这限制了其通用性。
样本量： 疼痛-抑郁组 ( $n=8$ ) 和疼痛-焦虑组 ( $n=11$ ) 的样本量过小，严重限制了统计效力和模型的稳定性。
验证： 由于缺乏外部验证且依赖于单一的训练-测试集拆分，所报告的 AUC 仅为探索性估计。
情境敏感性： 短期静息态 HRV 对呼吸、姿势和药物等因素较为敏感，这可能会降低其作为分类器的稳定性。

实验过程：尝试整理拼图碎片

结果：喜忧参半

计算机“看到了”什么（线索）

总结

技术摘要：静息态心率变异性（HRV）在 CPDA 亚型中的判别效用有限

类似论文