Afecțiune cronică, fibromialgia este caracterizată prin dureri musculoscheletale difuze, oboseală, tulburări de somn și disfuncții cognitive. Diagnosticul rămâne o provocare majoră în practica clinică, deoarece boala nu beneficiază de biomarkeri obiectivi bine stabiliți, iar evaluarea se bazează în mare parte pe criterii subiective raportate de pacienți.

Într-un număr anterior al revistei „Viața Medicală”* am prezentat pe larg strategiile de diagnostic al acestei entități clinice atât de complexe.

Costurile anuale sociale per pacient sunt enorme, de aici venind în parte și urgența relativă a găsirii unor metode complementare obiective de diagnostic.

La ora actuală, diagnosticul fibromialgiei se bazează exclusiv pe simptome clinice subiective – fără a beneficia încă de teste biologice sau imagistice clare.

Se fac însă progrese în cercetarea medicală în acest domeniu. Medici și cercetători din țări diferite explorează potențialul electroencefalografiei (EEG) ca instrument de investigare a mecanismelor centrale ale durerii cronice.

Metodologie

Abordarea metodologică combină neuroștiințele cognitive cu tehnici moderne de inteligență artificială, permițând identificarea unor tipare subtile în datele EEG, care nu ar fi detectabile prin analiză vizuală convențională.

Studiul a inclus pacienți diagnosticați cu fibromialgie conform criteriilor American College of Rheumatology și un grup de control format din persoane sănătoase.

S-au înregistrat semnale EEG multi-canal în stare de repaus (resting state), captând activitatea spontană a creierului fără stimuli externi. Din semnalele EEG au fost calculate măsuri de conectivitate funcțională între perechi de electrozi, acoperind multiple benzi de frecvență (delta, theta, alpha, beta, gamma).

Algoritmii de tip machine learning au fost antrenați pentru a clasifica participanții în grupul fibromialgie vs control, pe baza caracteristicilor de conectivitate extrase.

Ce este conectivitatea funcțională EEG și ce măsoară ea?

Conectivitatea funcțională EEG reflectă gradul de sincronizare sau corelare a activității electrice între diferite regiuni ale creierului, indicând cât de bine „comunică” acestea în timp real.

Studiile anterioare au demonstrat că durerea cronică este asociată cu alterări ale rețelelor cerebrale, inclusiv modificări ale rețelei de repaus implicit (default mode network) și ale circuitelor de procesare a durerii:

modificări în banda alpha (8-13 Hz);

hipersincronizare în regiunile frontale;

alterarea conectivității thalamo-corticale;

dezechilibre în rețelele de inhibiție a durerii.

Ipoteză centrală

Pacienții cu fibromialgie prezintă niveluri mai scăzute de activitate cerebrală și o conectivitate funcțională redusă față de persoanele sănătoase.

Prin analiza conectivității, cercetătorii pot obține o „amprentă” neurofiziologică a stării creierului unui pacient cu fibromialgie, oferind o perspectivă obiectivă asupra mecanismelor centrale ale bolii.

Învățarea automată a jucat un rol central în acest studiu, permițând procesarea unui volum mare de date de conectivitate EEG și identificarea celor mai relevante caracteristici pentru clasificarea pacienților. Spre deosebire de metodele statistice tradiționale, algoritmii de ML pot detecta tipare complexe și neliniare în date multidimensionale. 

CONTRIBUȚIA STUDIULUI LA DOMENIU 

Rezultate principale

Studiul a identificat caracteristici specifice de conectivitate EEG care diferențiază semnificativ pacienții cu fibromialgie de persoanele sănătoase. Modelele de ML au demonstrat o capacitate de clasificare ridicată, sugerând că aceste caracteristici neurofiziologice pot constitui biomarkeri potențiali pentru fibromialgie.

Conectivitate alterată: Pacienții cu fibromialgie au prezentat tipare distincte de conectivitate funcțională față de grupul de control, în special în benzile de frecvență relevante pentru procesarea durerii.

Caracteristici discriminative: Algo­ritmii ML au identificat un subset de caracteristici de conectivitate cu putere discriminativă ridicată, reducând complexitatea modelului fără a pierde din acuratețe.

Performanță și clasificare: Modelele au obținut performanțe de clasificare semnificative, demonstrând potențialul EEG combinat cu ML ca instrument de diagnostic obiectiv.

Aceste rezultate susțin ipoteza că fibromialgia este asociată cu modificări măsurabile ale organizării rețelelor cerebrale, vizibile prin analiza conectivității EEG și detectabile prin tehnici computaționale avansate.

Rețelele de conectivitate funcțională în repaus (resting-state functional connectivity) reflectă modul în care regiunile cerebrale comunică în absența unui stimul extern. La pacienții cu fibromialgie, aceste rețele sunt perturbate în mod specific și reproductibil – oferind o amprentă neurologică unică a bolii.

Rezultatele sunt extrem de promițătoare, ML+ EEG reușind să atingă proporții de 91-100% de discriminare de separare între pacienții cu fibromialgie și grupa de control a pacienților sănătoși. 

Implicații clinice și diagnostice

Descoperirile acestui studiu au implicații semnificative pentru practica clinică în domeniul managementului durerii cronice. Identificarea unor biomarkeri neurofiziologici obiectivi pentru fibromialgie ar putea transforma fundamental modul în care această afecțiune este diagnosticată și monitorizată.

În prezent, diagnosticul de fibromialgie se bazează pe criterii clinice subiective, ceea ce duce adesea la întârzieri diagnostice de ani și la stigmatizarea pacienților.

Un biomarker EEG validat ar putea oferi o confirmare obiectivă a diagnosticului, reducând incertitudinea atât pentru pacienți, cât și pentru clinicieni. 

Concluzie

Studiul lui Li și al colaboratorilor demonstrează cum caracteristicile de conectivitate EEG, analizate prin tehnici de machine learning, pot diferenția cu acuratețe semnificativă pacienții cu fibromialgie de persoanele sănătoase. Aceste rezultate susțin existența unor modificări obiective, măsurabile ale organizării rețelelor cerebrale în fibromialgie, contribuind la înțelegerea mecanismelor centrale ale acestei afecțiuni.

Potențialul acestor descoperiri este considerabil: biomarkerii neurofiziologici bazați pe conectivitatea EEG ar putea, în viitor, să sprijine diagnosticul obiectiv, monitorizarea tratamentului și personalizarea intervențiilor terapeutice pentru pacienții cu fibromialgie. Combinarea EEG cu inteligența artificială reprezintă o direcție de cercetare extrem de promițătoare în durerea cronică. 

*https://pubmed.ncbi.nlm.nih.gov/41625159/

Bibliografia este disponibilă pe www.viata-medicala.ro 

Caracteristicile de conectivitate EEG identificate prin machine learning oferă o fereastră obiectivă asupra neurobiologiei fibromialgiei, deschizând calea spre biomarkeri clinici validați pentru această afecțiune dificil de diagnosticat. (Li J. et al., Frontiers in Pain Research, 2026)

STUDIU:  identificarea patternurilor cu ajutorul machine learning 
 

Un studiu* publicat în Frontiers in Pain Research în ianuarie 2026 a urmărit identificarea unor patternuri, caracteristici specifice de conectivitate în EEG, pentru a reuși o diferențiere a pacienților cu fibromialgie față de persoanele sănătoase, utilizând tehnici avansate de machine learning.

Machine learning (ML) sau învățarea automată este o ramură a inteligenței artificiale care permite computerelor să învețe să efectueze sarcinile fără a fi explicit programate pentru fiecare regulă în parte. Analizând mari cantități de date, acești algoritmi identifică și creează modele pentru a face predicții sau pentru a analiza decizii autonome.

Acești algoritmi măsoară activitatea electrică a creierului prin intermediul electroencefalogramei cu o rezoluție temporală ridicată și oferă informații despre modul în care diferite regiuni cerebrale comunică între ele – aspect cunoscut sub denumirea de conectivitate funcțională cerebrală.

Scopul final al acestor analize este dezvoltarea unor biomarkeri neurofiziologici obiectivi care să sprijine diagnosticul și înțelegerea mecanismelor patologice ale fibromialgiei. 

Caracteristicile de conectivitate EEG identificate prin machine learning oferă o fereastră obiectivă asupra neurobiologiei fibromialgiei, deschizând calea spre biomarkeri clinici validați pentru această afecțiune dificil de diagnosticat. (Li J. et al., Frontiers in Pain Research, 2026)