Могут ли умные часы предсказывать мигрень? Применение машинного обучения (ML) с использованием ночных показателей автономной нервной системы (АНС) и сна, полученных с носимых устройств, для прогнозирования головной боли

Цель: Исследовать, могут ли ночная активность автономной нервной системы (АНС) и показатели сна, измеренные носимым устройством, предсказывать возникновение мигрени на следующий день у пациентов с эпизодической и хронической мигренью. Предпосылки: Непредсказуемость приступов мигрени увеличивает нагрузку заболевания и ограничивает эффективное применение таргетных превентивных стратегий. Мелкомолекулярные антагонисты рецепторов кальцитонин-связанных пептидов (CGRP), доступные в ограниченных ежемесячных количествах, используются как для острой, так и для превентивной терапии мигрени. Следовательно, повышение способности идентифицировать дни с повышенным риском мигрени может существенно улучшить ведение заболевания и результаты лечения. Методы: В проспективном наблюдательном исследовании взрослые пациенты с мигренью (N = 10; 5 с хронической мигренью и 5 с эпизодической мигренью) в течение целевого периода четырех недель носили смарт-часы Empatica EmbracePlus® во время сна. Участники вели дневник головной боли, отмечая дни без головной боли, с немигренозной головной болью или с мигренью. Сначала был выполнен групповой анализ с использованием линейных моделей со смешанными эффектами (LMM). Затем были обучены персонализированные модели машинного обучения (ML) с использованием ночной электродермальной активности (EDA), изменчивости пульсового ритма (PRV), частоты дыхания (RR), продолжительности сна, прерываний сна и пробуждений для прогнозирования: (1) мигрени на следующий день и (2) головной боли на следующий день (включая мигрень и немигренозную головную боль). Производительность суммировали с помощью площади под кривой рабочей характеристики приемник-оператор и кривой точность–отзыв (AUROC, AUPRC), чувствительности, специфичности, точности и прецизионности. Анализы SHapley Additive exPlanation (SHAP) выявляли наиболее влиятельные предикторы в наилучших моделях для прогнозирования мигрени и головной боли на следующий день. Обобщенные аддитивные модели (GAM) исследовали ночную временную динамику PRV и EDA. Результаты: Групповой анализ с LMM не выявил значимых различий в показателях АНС и сна в ночи перед днями без головной боли, днями с мигренью и днями с немигренозной головной болью. Однако индивидуальные модели с использованием elastic-net регрессии, случайных лесов и градиентного бустинга показали умеренно лучшие, чем случайные, AUROC для прогнозирования мигрени на следующий день у 5/10 участников и для прогнозирования головной боли на следующий день у 3/10 участников. В моделях прогнозирования мигрени на следующий день четыре из пяти пациентов с эпизодической мигренью показали AUROC лучше случайного; у пациентов с хронической мигренью таких улучшений не наблюдалось. Наиболее эффективные индивидуальные модели достигли умеренно-хорошей производительности (AUROC 0.68 для мигрени на следующий день и 0.81 для головной боли на следующий день). В наилучших моделях анализ SHAP показал, что продолжительность сна и более высокий минимальный PRV влияют на вероятность мигрени и головной боли на следующий день, тогда как EDA влияла на вероятность мигрени на следующий день, но не на вероятность головной боли на следующий день. Анализы GAM показали, что первые три часа после засыпания и период перед пробуждением были временными окнами, когда PRV и EDA различались перед днем с мигренью или головной болью в этих высокопроизводительных моделях. Выводы: Применение персонализированных моделей ML к данным о автономной активности и сне, полученным с носимых устройств, может помочь в выявлении дней с повышенным риском мигрени; EDA, PRV и продолжительность сна определены как важные признаки для прогнозирования. Результаты обосновывают проведение дальнейших исследований по изучению того, как целенаправленные медикаментозные и поведенческие вмешательства в дни высокого риска могут повысить точность терапии мигрени, и подчеркивают важность определения механистических подгрупп пациентов с мигренью, которые с наибольшей вероятностью выиграют от предиктивного моделирования.