ترجمه فارسی مقاله زنان مبتلا به فیبرومیالژیا: بینش هایی در مورد تصویربرداری رفتاری و مغزی

چکیده

Fibromyalgia (FM) is a chronic condition marked by widespread pain, fatigue, sleep problems, cognitive decline, and other symptoms. Despite extensive research, the pathophysiology of FM remains poorly understood, complicating diagnosis and treatment, which often relies on self-report questionnaires. This study explored structural and functional brain changes in women with FM, identified potential biomarkers, and examined their relationship with FM severity. MRI data from 33 female FM patients and 33 matched healthy controls were utilized, focusing on T1-weighted MRI and resting-state fMRI scans. Functional connectivity (FC) analysis was performed using a machine learning framework to differentiate FM patients from healthy controls and predict FM symptom severity. No significant differences were found in brain structural features, such as gray matter volume, white matter volume, deformation-based morphometry, and cortical thickness. However, significant differences in FC were observed between FM patients and healthy controls, particularly in the default mode network (DMN), somatomotor network (SMN), visual network (VIS), and dorsal attention network (DAN). The FC metrics were significantly associated with FM severity. Our prediction model differentiated FM patients from healthy controls with an area under the curve of 0.65. FC measures accurately estimated FM symptom severities with a significant correlation (r = 0.45, p = 0.007). Functional connections in the DMN, VIS, and DAN were crucial in determining FM severity. These findings suggest that integrating brain FC measurements could serve as valuable biomarkers for early detection of FM and predicting FM symptom severity, improving diagnostic accuracy and facilitating the development of targeted therapeutic strategies.

چکیده به فارسی (ترجمه ماشینی)

فیبرومیالژیا (FM) یک بیماری مزمن است که با درد گسترده ، خستگی ، مشکلات خواب ، کاهش شناختی و سایر علائم مشخص می شود.علیرغم تحقیقات گسترده ، پاتوفیزیولوژی FM به طور ضعیف درک نشده است ، تشخیص و درمان را پیچیده می کند ، که اغلب به پرسشنامه های خود گزارش متکی است.این مطالعه به بررسی تغییرات ساختاری و عملکردی مغز در زنان مبتلا به FM ، شناسایی نشانگرهای زیستی بالقوه ، و رابطه آنها با شدت FM را بررسی کرد.از داده های MRI از 33 بیمار FM زن و 33 کنترل سالم همسان استفاده شد ، با تمرکز بر MRI با وزن T1 و اسکن FMRI حالت استراحت.تجزیه و تحلیل اتصال عملکردی (FC) با استفاده از یک چارچوب یادگیری ماشین برای تمایز بیماران FM از کنترل سالم و پیش بینی شدت علائم FM انجام شد.تفاوت معنی داری در ویژگی های ساختاری مغز ، مانند حجم ماده خاکستری ، حجم ماده سفید ، مورفومتری مبتنی بر تغییر شکل و ضخامت قشر مغز مشاهده نشد.با این حال ، تفاوت معنی داری در FC بین بیماران FM و کنترل سالم ، به ویژه در شبکه حالت پیش فرض (DMN) ، شبکه سوماتوموتور (SMN) ، شبکه بصری (VIS) و شبکه توجه پشتی (DAN) مشاهده شد.معیارهای FC به طور قابل توجهی با شدت FM همراه بود.مدل پیش بینی ما بیماران FM را از کنترل سالم با منطقه ای در زیر منحنی 0.65 متمایز کرد.اقدامات FC به طور دقیق شدت علائم FM را با همبستگی معنی داری تخمین می زند (45/0 = r ، 007/0 = p).اتصالات عملکردی در DMN ، VIS و DAN در تعیین شدت FM بسیار مهم بودند.این یافته ها نشان می دهد که ادغام اندازه گیری های FC مغز می تواند به عنوان نشانگرهای زیستی ارزشمندی برای تشخیص زودرس FM و پیش بینی شدت علائم FM ، بهبود دقت تشخیصی و تسهیل در توسعه استراتژی های درمانی هدفمند عمل کند.