SPRINT: handtekening voor pijnherstel bij tieners (SPRINT)

Tot 5% van de adolescenten (~ 3,5 miljoen alleen al in de VS) lijdt aan ernstige chronische musculoskeletale (MSK) pijn, die alle levensdomeinen treft en een aanzienlijke economische last vormt. De huidige behandelingen voor chronische MSK-pijn zijn suboptimaal en zijn gekoppeld aan de opioïdencrisis. Slechts ~50% van de adolescenten met chronische MSK-pijn die zich aanmelden voor multidisciplinaire pijnbehandeling herstellen, zoals gemeten aan de hand van klinische eindpunten van pijnernst en functionele beperkingen. Het ontdekken van robuuste markers van het herstel vs. persistentie van pijn en invaliditeit is essentieel om meer vindingrijke en patiëntspecifieke behandelstrategieën te ontwikkelen en om nieuwe benaderingen te bedenken die patiënten die refractair zijn ten goede komen. Aangezien chronische pijn een biopsychosociaal proces is, vereist de ontdekking en validatie van een prognostische en robuuste signatuur voor pijnherstel versus persistentie metingen over meerdere dimensies in hetzelfde patiëntencohort in combinatie met een geschikte 'big data' computationele analysepijplijn voor de extractie van betrouwbare en cross-gevalideerde resultaten uit een meerlagige en complexe dataset. Het onderzoeksteam is goed gepositioneerd om de studiedoelen uit te voeren met: (1) Een zeer bekwaam en ervaren team van wetenschappers en clinici van Stanford University, University of Toronto/Hospital for Sick Children en Cincinnati Children's Hospital Medical Center; (2) Een gestandaardiseerd monsterverzamelings-, verwerkings-, opslag- en distributiesysteem, gebruikmakend van het Stanford Biobank-platform, BioCatalyst, om de monsterinventaris samen te voegen met klinische annotaties voor een toegankelijke, virtuele biobank, binnen de Signature of Pain Recovery IN Teens (SPRINT) Biobank en Analyse Kern (SBAC); (3) Geavanceerde voorlopige gegevens die betrekking hebben op nieuwe kandidaten voor neuroimaging, immuun-, kwantitatieve sensorische en psychologische markers voor ontdekking; en (4) Expertise in machine learning-benaderingen om betrouwbare en prognostische bio-handtekeningen te extraheren uit een grote en complexe dataset. Het onderzoeksteam verwacht dat de resultaten van dit project risicostratificatie bij patiënten met chronische MSK zullen vergemakkelijken, een meer vindingrijke selectie van patiënten die waarschijnlijk zullen reageren omdat ze de huidige multidisciplinaire pijnbehandelingsbenaderingen ondergaan, en nieuw inzicht in biologische en gedragsprocessen die kunnen worden uitgebuit om nieuwe strategieën te ontwikkelen die ten goede komen aan degenen die weerbarstig zijn.

Voor de R61/Discovery Phase Aim individuen zullen grondig worden gekarakteriseerd via biologische (d.w.z. hersenstructuur en -functie, immuun, sensorische profielen), psychologische toestand en klinische eindpuntgegevens (d.w.z. pijnintensiteit, handicap). Onbevooroordeelde machine learning-algoritmen zullen een multivariaat model identificeren dat bestaat uit de meest prognostische biologische, psychologische en klinische eindpunten. Het model classificeert adolescenten met en zonder chronische MSK-pijn na een state-of-the-art multidisciplinaire pijnbehandeling. R33/validatiefase Aim valideert de biologische signatuur die in de R61-studie is afgeleid. Deze handtekening zal nuttig zijn voor een reeks op adolescenten gebaseerde klinische onderzoeken waarin identificatie van personen met het hoogste risico noodzakelijk is, en een klinisch bruikbaar interventie-algoritme biedt.