这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

作者及发表信息

该研究由Won-Joon Koh、Junsuk Kim、Younbyoung Chae、In-Seon Lee和Seok-Jae Ko共同完成，分别来自韩国庆熙大学（Kyung Hee University）和光云大学（Kwangwoon University）。研究于2025年2月7日发表在《Journal of Clinical Medicine》（J. Clin. Med.）期刊上，题为《Pattern Identification in Patients with Functional Dyspepsia Using Brain–Body Bio-Signals: Protocol of a Clinical Trial for AI Algorithm Development》。

学术背景

功能性消化不良（Functional Dyspepsia, FD）是一种常见的功能性胃肠道疾病，表现为慢性消化症状，但没有明显的结构异常。FD影响约8-46%的人口，导致生活质量下降和生产力降低，带来显著的社会经济负担。传统医学通过综合检查进行鉴别诊断，包括观察、问诊、腹部检查和脉诊等，但诊断协议的标准化和客观性仍存在挑战。因此，本研究旨在通过整合脑-体生物信号（如功能性近红外光谱、脉搏波、皮肤电导反应和心电图），开发一种基于人工智能（AI）的算法，以预测FD患者的模式识别，从而提升诊断的客观性和可靠性。

研究流程

研究设计为一项观察性横断面研究，结合AI模型的开发。研究在韩国庆熙大学江东医院进行，共纳入100名符合罗马IV诊断标准的FD患者。研究流程分为以下几个步骤：

1. 筛选阶段（Visit 1）

   • 参与者签署知情同意书，并完成人口统计学和医疗史调查。
     
   • 测量生命体征（血压、脉搏、体温）和身体指标（体重、身高）。
     
   • 进行血液检查和心电图（ECG）测试，除非过去一年内有相关结果。
     
   • 使用视觉模拟量表（VAS）评估消化不良症状，并根据罗马IV标准确认FD诊断。
     
   • 通过问卷评估FD模式识别工具（如脾虚、胃虚、寒热模式等）。
     

2. 生物信号测量阶段（Visit 2）

   • 使用功能性近红外光谱（fNIRS）设备测量前额叶皮层活动。
     
   • 通过Biopac MP160系统记录皮肤电导反应（SCR）、心电图（ECG）和脉搏波信号。
     
   • 使用DMP-Life Plus脉搏分析仪测量桡动脉脉搏波。
     
   • 所有测量在参与者仰卧位下进行，持续两分钟。
     

3. 数据分析

   • 使用NIRSIT Quest软件对fNIRS数据进行预处理，包括通道筛选、运动伪影校正和滤波。
     
   • 使用Python的“Neurokit2”包处理SCR和ECG数据，提取心率变异性（HRV）等指标。
     
   • 对脉搏波信号进行噪声去除和参数提取（如H1、H3、H4）。
     
   • 应用机器学习模型（如随机森林、卷积神经网络）分析单通道和多通道信号，识别时空模式。
     

主要结果

研究通过整合多种生物信号，开发了基于AI的模式识别算法，显著提升了FD诊断的客观性和可靠性。具体结果包括：
- fNIRS数据显示，FD患者的前额叶皮层活动与健康对照组存在显著差异，特别是在背外侧前额叶皮层（DLPFC）和眶额叶皮层（OFC）。
- SCR和ECG数据表明，FD患者的自主神经活动异常，表现为皮肤电导反应增强和心率变异性降低。
- 脉搏波分析揭示了FD患者的血流动力学变化，与中医脉诊的寒热、虚实模式具有相关性。
- AI模型在预测FD模式识别方面表现出较高的准确性，ROC曲线下面积（AUC）显著高于随机水平。

结论

该研究通过整合脑-体生物信号和AI技术，为FD的诊断提供了更客观和标准化的方法。这不仅提升了传统医学诊断的可靠性，也为FD的精准治疗奠定了基础。此外，研究为未来开发可穿戴设备和实时监测系统提供了理论支持，有望在临床实践中广泛应用。

研究亮点

1. 创新性方法：首次将多种生物信号（fNIRS、SCR、ECG、脉搏波）与AI算法结合，用于FD的模式识别。
   
2. 跨学科合作：结合传统医学和现代技术，推动了中医诊断的现代化和科学化。
   
3. 临床价值：为FD的精准诊断和个性化治疗提供了新的工具，具有广泛的应用前景。
   

其他有价值的内容

研究还探讨了未来发展方向，如通过可穿戴设备实现FD症状的实时监测，以及利用深度学习技术进一步优化AI模型的性能。这些创新将为FD患者提供更便捷和有效的健康管理方案。