Uckac B. et al. Decoding chronic pain: integrating genetics, neuroimaging, and AI for precision management // Frontiers in Pain Research, 2026. DOI: 10.3389/fpain.2026.1747942

Авторы статьи: Uckac B., Ogonowski N. S., García-Marín L. M., Diaz-Torres S., Farrell S. F., Nyholt D. R., Rentería M. E.

Оригинал статьи распространяется по лицензии CC BY 4.0

Перевод статьи: ©2026 ООО «Издательство «Открытые системы», распространяется по лицензии CC BY-NC-ND 4.0

Аннотация

Хронический болевой синдром все чаще признается самостоятельной нозологической формой, формирующейся под влиянием взаимосвязанных биологических, психологических и социальных факторов и поражающей почти каждого третьего взрослого человека в мире. В данном обзоре систематизированы современные данные об эпидемиологии, механизмах развития и терапии хронической боли с упором на конвергенцию генетических, нейробиологических и психосоциальных факторов. Опираясь на результаты актуальных популяционных исследований, клинических испытаний, нейровизуализационных работ и мультиомиксного генетического анализа, мы подчеркиваем сложность и гетерогенность этого состояния. Хроническая боль несоразмерно чаще поражает лиц пожилого возраста, женщин и социально-экономически дезадаптированные группы населения; она часто коморбидна с психиатрическими, кардиоваскулярными и нейродегенеративными заболеваниями, что отражает общие пути дезадаптивной нейропластичности. Хотя фармакотерапия зачастую обеспечивает лишь умеренный долгосрочный эффект, интегрированные психологические, физиотерапевтические и интервенционные подходы демонстрируют более устойчивое улучшение функции и качества жизни пациентов. Достижения в области геномики и крупномасштабные полногеномные поисковые исследования (GWAS) выявили обширное полигенное перекрытие хронической боли с психическими и иммунологическими признаками, в то время как методы нейровизуализации последовательно демонстрируют изменения в префронтальных, инсулярных (островковых) и лимбических контурах, определяющих восприятие и персистенцию боли. Несмотря на традиционную опору на субъективные жалобы пациентов, новые методы цифрового фенотипирования, носимые устройства и инструменты искусственного интеллекта (ИИ) открывают перспективные пути для объективного мониторинга и персонализированной терапии. Интеграция биологических, поведенческих и средовых данных будет иметь решающее значение для достижения подлинно прецизионного подхода к лечению хронической боли.

1. Введение

Хронический болевой синдром — это тяжелое расстройство, возникающее в результате взаимодействия биологических, психологических и социальных факторов. По имеющимся оценкам, оно поражает 30–33% мирового населения, включая жителей стран с низким и средним уровнем дохода, и вносит основной вклад в структуру инвалидизации и нагрузку на систему здравоохранения во всем мире (1, 2).

В Международной классификации болезней 11-го пересмотра (МКБ-11), разработанной Всемирной организацией здравоохранения (ВОЗ), хроническая боль определяется как боль, которая сохраняется или рецидивирует на протяжении более трех месяцев (3). Данная классификационная структура разделяет:

• хроническую первичную боль, при которой сама боль представляет собой основное заболевание;
• хроническую вторичную боль, когда болевой синдром возникает как симптом предлежащей патологии.

Дополнительные коды расширения позволяют охарактеризовать тяжесть боли в таких доменах, как интенсивность, дистресс и влияние на повседневную активность (интерференция); каждый домен оценивается по шкале от 0 до 10 с использованием таких инструментов, как цифровая рейтинговая шкала (ЦРШ) или визуально-аналоговая шкала (ВАШ). Также указываются временные паттерны, включая постоянную или эпизодическую боль (4).

В рамках этой структуры болевые синдромы все чаще классифицируют с использованием патогенетических дескрипторов:

Ноцицептивная боль возникает вследствие действительного или угрожающего повреждения тканей и активации периферических ноцицепторов, обычно ассоциированных с воспалением или механической травмой (5).

Невропатическая боль является следствием повреждения или заболевания соматосенсорной нервной системы (6).

Ноципластическая боль означает боль, возникающую из-за измененного центрального процессинга ноцицептивных сигналов при отсутствии явного повреждения тканей или патологии соматосенсорной системы; она обычно ассоциирована с центральной сенсибилизацией и нарушением механизмов антиноцицептивной модуляции (7).

Хроническая боль накладывает тяжелое и неравномерное бремя на общественное здравоохранение. В США 20,9% взрослых заявляют о наличии хронической боли, а 6,9% испытывают высокоинтенсивную боль, сопряженную со значительным ограничением жизнедеятельности (8). Половые различия манифестируют после пубертатного периода и сохраняются на протяжении всей жизни: женщины в целом сообщают о более высокой болевой чувствительности и ее колебаниях, связанных с гормональными и социальными влияниями (9). Распространенность резко увеличивается с возрастом — от ~14% у молодых людей до более чем 60% у лиц в возрасте ≥75 лет, что отражает сочетанное воздействие старения, мультиморбидности и социальных детерминант здоровья (10).

Хронизация острого болевого синдрома является частым феноменом, и в ряде клинических ситуаций частота перехода достигает 80–90% (11). Примерно треть случаев хронической послеоперационной или посттравматической боли имеет невропатические черты, что подчеркивает необходимость точного фенотипирования и разработки таргетных алгоритмов ведения пациентов (12).

Достижения в области нейровизуализации, генетики и клинических исследований все чаще показывают, что хроническая боль отражает взаимодействие между средовыми факторами (например, профессиональное выгорание / перенапряжение, гиподинамия, социально-экономическое неблагополучие) и сопутствующими психическими, кардиоваскулярными и нейродегенеративными заболеваниями (Рисунок 1). Эти данные обосновывают применение стандартизированной биопсихосоциальной модели, повышающей точность клинической оценки и стратификации пациентов в исследованиях.

Рисунок 1. Концептуальная модель ведения хронической боли

На данном рисунке показано, как генетическая и молекулярная предрасположенность, изменения мозговых контуров по данным нейровизуализации, цифровое фенотипирование, средовые воздействия, а также коморбидные состояния и подходы к лечению совместно определяют характеристики хронической боли. Данные домены поступают в ИИ-системы прецизионной поддержки принятия врачебных решений. При этом стратификация фенотипов и интеграция признаков выступают в качестве сквозных процессов, организующих и синтезирующих мультимодальные данные для обеспечения персонализированной медицинской помощи при хронической боли.

Несмотря на прогресс в понимании механизмов развития, клиническое ведение хронической боли все еще затруднено из-за её гетерогенности, перекрестных коморбидных состояний, недостаточных диагностических возможностей и слабой трансляции исследовательских методов в реальную практику.

Фармакотерапевтические препараты первой линии (например, нестероидные противовоспалительные препараты [НПВП], антидепрессанты, габапентиноиды и опиоиды) преимущественно используются для купирования хронической боли и могут уменьшить симптоматику у определенной группы пациентов. Однако их эффективность зачастую варьирует от слабой до умеренной и нередко нивелируется токсичностью, развитием толерантности, риском формирования зависимости или низкой приверженностью к долгосрочному лечению. Эти широко применяемые анальгетики в первую очередь таргетируют периферические ноцицептивные или нейромедиаторные пути и не способны надежно воздействовать на центральную сенсибилизацию и дезадаптивную нейропластичность, поддерживающие персистирующий болевой синдром (13).

В данном обзоре представлен мультидисциплинарный анализ проблемы хронической боли, включающий вопросы эпидемиологии, коморбидности, генетического риска, церебральных механизмов и терапевтических подходов. Мы рассматриваем популяционное бремя и диспропорции в оказании помощи, выделяем общие биологические пути коморбидности, а также резюмируем генетические и нейровизуализационные доказательства наследственного риска и измененной архитектоники мозговых контуров. Фармакологические, интервенционные и немедикаментозные стратегии рассматриваются в трансляционном аспекте. В завершение мы оцениваем новые инструменты на базе машинного обучения и искусственного интеллекта, направленные на улучшение фенотипирования, прогнозирования и персонализированного ведения пациентов с хронической болью.

Методы

В данном обзоре мы применили метод нарративного синтеза, сосредоточив внимание на исследованиях, опубликованных за последние 5 лет. Поиск производился в базах данных PubMed и Scopus с использованием следующих стартовых поисковых запросов: «chronic pain» (хроническая боль) или «multisite chronic pain» (мультифокальная хроническая боль) в сочетании с терминами «polygenic» (полигенный), «genetics» (генетика), «GWAS» (полногеномное поисковое исследование), «machine learning» (машинное обучение), «AI» (ИИ), «artificial intelligence» (искусственный интеллект), «wearable» (носимое устройство) и «precision medicine» (прецизионная медицина). Приоритет отдавался оригинальным исследовательским статьям, метаанализам и клиническим испытаниям; дополнительные источники выявлялись методом построения цитационных цепочек (citation chaining).

Результаты

Измерение параметров хронической боли: носимые устройства

Носимые устройства все чаще используются в исследованиях и клиническом ведении болевых синдромов для обеспечения объективной непрерывной оценки физиологических и поведенческих показателей, связанных с болью. Трекеры активности и биосенсоры регистрируют такие параметры, как вариабельность сердечного ритма (ВСР / HRV), физическая активность, сон и уровень стресса (14). Эти маркеры отражают лежащие в основе боли патофизиологические процессы: снижение ВСР указывает на вегетативную дисрегуляцию с повышением тонуса симпатической нервной системы, в то время как нарушения сна и ограничение подвижности коррелируют с большей интенсивностью боли и выраженностью функциональных нарушений (15). Мониторируя флуктуации в режиме реального времени, носимые устройства позволяют охарактеризовать динамическую природу боли независимо от субъективных отчетов пациента.

При интеграции с алгоритмами машинного обучения данные мультимодальных сенсоров могут способствовать прогнозированию обострений боли и оценке ответа на терапию (16). Однако большинство сигналов, получаемых с носимых устройств, являются лишь косвенными коррелятами боли и лишены биологической специфичности в отношении конкретных болевых механизмов. На качество данных также могут влиять дрейф сенсора, пропуски в регистрациях, конфаундинг со стороны контекстуальных факторов (сопутствующие соматические заболевания, стресс, изменение медикаментозной терапии) и вариабельная комплаентность пользователей. Последнее может приводить к систематической ошибке отбора, если время отказа от ношения устройства коррелирует с тяжестью симптомов. Данные ограничения подчеркивают необходимость надежной предварительной обработки сигналов, прозрачной отчетности и валидации результатов относительно клинически значимых конечных точек.

Коморбидность и перекрестные механизмы патогенеза

Хроническая боль редко встречается изолированно; наиболее часто она сосуществует с психическими расстройствами, которые представляют собой одни из самых частых и клинически значимых коморбидных состояний (17). Данные взаимосвязи носят двунаправленный характер и, по-видимому, опосредованы общими нейрональными контурами с вовлечением префронтальной коры, передней поясной извилины и амигдалы (миндалевидного тела), регулирующих как аффект, так и восприятие боли (18).

Более того, наличие других психических заболеваний, таких как посттравматическое стрессовое расстройство (ПТСР / PTSD), паническое расстройство и генерализованное тревожное расстройство (ГТР / GAD), ассоциировано с почти 60% всех случаев хронической боли. Аналогичным образом, обращения за медицинской помощью в молодом возрасте по поводу эмоционального дистресса или психологических симптомов (исторически часто обозначавшихся пациентами как «нервы») достоверно коррелируют с повышенной вероятностью обращения за медицинской помощью по поводу хронических болевых синдромов в зрелом возрасте (19, 20).

Кардиоваскулярная патология также несоразмерно часто регистрируется среди пациентов с хронической болью. В крупном тайваньском когортном исследовании (∼17 000 участников) было зафиксировано 20%-е увеличение риска развития инфаркта миокарда и 30%-е увеличение риска инсульта по сравнению с контрольной группой без боли, независимо от традиционных факторов сердечно-сосудистого риска (21). Другое исследование показало, что генетическая предрасположенность к мультифокальной хронической боли (МХБ / MCP) — определяемой как боль более чем в двух анатомических областях продолжительностью более трех месяцев — ассоциирована с повышенным риском развития больших неблагоприятных сердечно-сосудистых и цереброваскулярных событий (MACCE), включая инфаркт миокарда и инсульт (22). Данный тезис подтверждается работами, демонстрирующими у таких пациентов повышенные уровни провоспалительных цитокинов и дисфункцию вегетативной нервной системы (23).

Кроме того, хронический болевой синдром ассоциирован с ускоренным снижением когнитивных функций, в частности с нарушениями памяти, манифестирующими примерно с 60-летнего возраста (24, 25). В учреждениях по уходу за пациентами с деменцией от 54.6% до 78.6% резидентов сообщают о боли различных типов, а среди лиц с болезнью Альцгеймера персистирующая боль регистрируется в 45.8% случаев. Нейровизуализационные исследования и экспериментальные модели на животных выявили структурные и функциональные изменения в областях мозга, ответственных за когнитивные функции, в ответ на большинство неспецифических хронических невропатических и воспалительных болевых синдромов (26). Тем не менее, более локализованные фенотипы, такие как хроническая скелетно-мышечная боль и цефалгии, остаются недостаточно изученными в данном контексте (27). Эти результаты подтверждают, что хроническая боль является мультисистемным состоянием, встроенным в порочный круг коморбидности и общего ухудшения соматического статуса.

Генетические подходы и полигенная архитектоника

Генетические исследования показывают, что хроническая боль обладает сложной полигенной архитектоникой, формируемой как частыми, так и редкими генетическими вариантами, затрагивающими неврологические, иммунные и психологические сигнальные пути (28). По данным близнецовых и семейных исследований, показатель наследуемости оценивается в диапазоне от ~7% до 59% в зависимости от фенотипа и дизайна работы (29).

Ранние GWAS мультифокальной хронической боли (МХБ / MCP), выполненные на базе Британского Биобанка (UK Biobank), идентифицировали 76 ассоциированных локусов, а последующий метаанализ расширил этот перечень до 343 независимых локусов, включая 92 новых сигнала (30). Секс-стратифицированный анализ выявил выраженный диморфизм: 115 локусов были ассоциированы с мужским полом и только 12 — с женским. Сигналы, специфичные для мужчин, вовлечены в синаптические и нейромедиаторные пути (например, NXPH2, SNCA, DAAM1), тогда как локусы, специфичные для женщин (например, MAML3, GABRB2), связаны с развитием нервной системы и ГАМК-ергической передачей сигналов.

Мультиомиксная интеграция указала на гены WDR90 и DNM1, эффекты которых обогащают функциональные каскады регуляции сна, употребления психоактивных веществ и цикла синаптических везикул (31, 32). Анализ сигнальных путей (pathway analysis) подтвердил вовлеченность синаптической функции, нейронального развития и наведения аксонов, а метод колокализации позволил определить 43 потенциально причинных гена, экспрессирующихся в тканях головного мозга, включая HECTD3, CCDC17, DNM1, PCDHA1 и WDR90 (33). Для МХБ также была продемонстрирована плейотропная и, вероятно, причинно-следственная связь с психическими расстройствами и расстройствами, связанными с употреблением психоактивных веществ, вариабельностью толщины коры головного мозга и наличием более 11 000 общих причинных вариантов с такими признаками, как инсомния, большое депрессивное расстройство (БДР / MDD), ПТСР, невротизм и прием опиоидов (34).

Шкалы полигенного риска (PRS) (35) и менделевская рандомизация (МР / MR) (36) позволяют транслировать результаты GWAS на уровень популяционных выводов. Шкалы PRS для перекрестных хронических болевых состояний позволяют прогнозировать общую нагрузку, связанную с централизацией боли (37), хотя точность фенотип-специфического прогнозирования остается умеренной (например, для хронической боли в спине AUC≈0.56) (37). Исследования методом МР указывают на то, что генетическая предрасположенность к МХБ повышает риск развития кардиометаболических, психиатрических и аутоиммуннных исходов (38, 39), в то время как уровень витамина D может оказывать более сильное причинное влияние на депрессию, нежели на хроническую боль (40).

Данные подходы требуют жесткого контроля систематических ошибок, связанных с этническим происхождением (ancestry bias), мощностью генетических инструментов и плейотропией; результаты должны интерпретироваться строго сочетанно с эпидемиологическими и биологическими доказательствами перед внедрением в клиническую практику. Целесообразность сообщения пациентам их показателей риска по шкале PRS остается дискуссионной, однако это может помочь клинической стратификации в будущем (41).

Интегративные мультиомиксные исследования дополнительно идентифицировали высокодостоверные причинные гены, регулирующие содержание белков в головном мозге, включая DCC (дофаминергическое развитие), PPCDC (синтез коэнзима А), а также регуляторы процессов убиквитинирования UFL1 и MKRN1 (42, 43). Другие локусы влияют на синаптическую пластичность (RAB5B, STAT6, PACSIN1), митохондриальную и метаболическую функции (SLC44A2, C15orf57, SLC25A13), а также выживаемость нейронов (RHOT2, COX11, RMDN3, PCMT1) (44–46). В совокупности эти находки связывают генетическую вариабельность с нейрональными контурами, процессами воспаления, метаболизма и нейропластичности, создавая фундамент для разработки прецизионной терапии, подкрепленной экспериментальной валидацией.

Потенциал методов нейровизуализации

Методы нейровизуализации изменили вектор в исследовании боли, продемонстрировав воспроизводимые структурные и функциональные изменения головного мозга, ассоциированные с персистенцией и гетерогенностью хронической боли. К числу стабильно выявляемых изменений относятся уменьшение объема серого вещества островковой коры (инсулы) и измененная префронтально-фронтопариетальная связность при хронической боли в нижней части спины, наряду с аберрантной активностью медиальной префронтальной коры по данным анализа фМРТ в состоянии покоя (47, 48).

Работы с применением машинного обучения также показывают, что паттерны связности и церебрального кровотока в таламических, префронтальных, задних поясных и инсулярно-соматосенсорных контурах коррелируют с интенсивностью боли. Это позволяет рассматривать их как потенциальные биомаркеры, хотя текущие доказательства носят предварительный характер и требуют гармонизации протоколов, репликации результатов и больших объемов выборок (49).

Масштабные международные инициативы, такие как ENIGMA, в настоящее время консолидируют данные МРТ и фМРТ покоя (rs-fMRI) из более чем 70 когорт, что позволяет надежно выявлять как общие, так и нозологически специфичные церебральные корреляты хронической боли (50). Первые результаты указывают на диффузные изменения толщины коры, объемов субкортикальных структур и связности сети выявления значимости (salience network) при различных болевых расстройствах. Анализ на популяционном уровне аналогичным образом выявляет перекрывающиеся, но диссоциированные нейроанатомические паттерны для скелетно-мышечной, висцеральной боли и головных болей, при этом вентромедиальная префронтальная кора выступает в качестве ключевого хаба, связывающего боль с негативным аффектом и суицидальным поведением (51).
Электрофизиология предоставляет взаимодополняющие данные. Такие параметры ЭЭГ, как пиковая частота альфа-ритма и спектральная активность в δ-/θ-диапазонах, могут прогнозировать уязвимость к хронической боли и дифференцировать пациентов с высоким риском хронизации острого болевого синдрома (52). Экспериментальная модуляция центральных болевых паттернов (например, SIIPS-1) дополнительно подтверждает причинный вклад церебральных структур (53, 54). Несмотря на клиническую незрелость данных решений, эти достижения открывают путь к биологически обоснованной стратификации пациентов.

Кластеризация данных функциональной связности (FC) при мигрени без ауры позволила выделить отдельные подгруппы пациентов, характеризующиеся таламическими, гиппокампальными изменениями и изменениями в амигдале, иллюстрируя потенциал для терапии, таргетирующей конкретные нейрональные контуры (55). В целом, конвергенция нейровизуализационных, ЭЭГ и вычислительных подходов позволяет рассматривать дисфункцию мозговых сетей как стержневую характеристику хронической боли и основу для разработки биомаркеров. Тем не менее, высокая стоимость методов, методологическая вариабельность и ограниченная клиническая валидация диктуют необходимость хорошо финансируемого международного сотрудничества для успешной трансляции результатов в практику.

Лечение хронической боли: немедикаментозные подходы

Фармакотерапевтические агенты, такие как опиоиды, антидепрессанты и НПВП, остаются доступными вариантами первой линии в терапии хронической боли (56). Опиоиды подавляют ноцицептивную трансмиссию через пути μ-опиоидных рецепторов; антидепрессанты и габапентиноиды модулируют моноаминергическую передачу или нейротрансмиссию, связанную с кальциевыми каналами, что поддерживает механизмы нисходящего торможения (57, 58); НПВП преимущественно снижают периферическую передачу сигналов воспалительных медиаторов. Однако данные механизмы могут не в полной мере воздействовать на центральную сенсибилизацию, измененный процессинг аффекта/значимости и когнитивно-эмоциональные триггеры инвалидизации, что объясняет вариабельную эффективность и частый отказ от препаратов при долгосрочном приеме (59).

Непостоянство терапевтического эффекта и проблемы безопасности, связанные с системной фармакотерапией, обусловили смещение парадигмы в сторону психологических интервенций, включая когнитивно-поведенческую терапию (КПТ / CBT), терапию принятия и ответственности (ТПО / ACT) и подходы на основе осознанности (mindfulness). Их применение улучшает копинг-стратегии, снижает уровень дезадаптации и повышает качество жизни, особенно при хронической скелетно-мышечной боли. Интеграция данных стратегий с физиотерапией продемонстрировала значимые клинические преимущества, включая повышение качества жизни, рост индивидуальной эффективности пациента в контроле боли и снижение уровня катастрофизации боли (58).

Сетевой метаанализ 97 рандомизированных контролируемых исследований (РКИ) показал, что комбинированные психологические и физиотерапевтические вмешательства приводили к значимому улучшению показателей боли и функции непосредственно после окончания курса терапии, хотя долгосрочные исходы остаются малоизученными. Психологические интервенции, проводимые физиотерапевтами, последовательно превосходили по эффективности стандартные схемы курации. Положительная динамика болевого синдрома регистрировалась в краткосрочном, среднесрочном и долгосрочном периодах наблюдения, при этом улучшение функциональных исходов и снижение инвалидизации поддерживалось на фоне данных вмешательств во всех временных точках (60). Качество доказательной базы было оценено как умеренное; неполное описание протоколов интервенций в литературе ограничивает воспроизводимость данных результатов.

Возможности машинного обучения и искусственного интеллекта

Методы машинного обучения (ML) и искусственного интеллекта (AI) все активнее внедряются для создания инструментов объективной оценки хронической боли и планирования персонализированной терапии на основе данных. Модели ML способны выявлять предикторы тяжести боли и терапевтического ответа на основе мультимодальных датасетов, интегрирующих физиологические, биохимические, демографические и психологические переменные (61, 62). В ретроспективном когортном исследовании, включившем более 11 000 пациентов, по модели random forest и нейронных сетей достигли точности >85% в прогнозировании облегчения боли, хотя внешняя валидация и проспективное тестирование остаются критически важными шагами для исключения переобучения моделей (63).

Большие языковые модели (LLM) способны эффективно анализировать нарративы пациентов (например, текстовые отчеты при фибромиалгии), снижая нагрузку на клинициста при сохранении диагностической точности (64). Новые системы поддержки принятия клинических решений, сочетающие технологии LLM с генерацией, дополненной поиском (RAG), интегрируют данные конкретного пациента с массивом медицинской доказательной базы для формирования персонализированных рекомендаций при таких состояниях, как хроническая боль в нижней части спины (65). Мультимодальные архитектуры, объединяющие анализ симптоматических опросников на базе моделей BERT с визуальными признаками ЭЭГ (ResNet50), позволили классифицировать степень тяжести невропатической боли с точностью ~60%, демонстрируя потенциал совместного моделирования текстовой и физиологической информации (66).

Подходы, основанные на кластеризации данных, помогают детализировать гетерогенную структуру хронической боли. Методы машинного обучения без учителя (unsupervised ML), примененные к широким профилям симптомов, позволили выявить воспроизводимые биотипы, отражающие градиент психосоциальной нагрузки. Аналогичные анализы в клинических когортах идентифицируют подгруппы пациентов, различающиеся по уровню психиатрической коморбидности и функциональных нарушений, причем фенотипы с доминированием дистресса демонстрируют худшие исходы лечения (67). Мультимодальная кластеризация, интегрирующая данные нейровизуализации, психосоциальные переменные и показатели физического функционирования, аналогичным образом позволила выделить четкие подтипы боли в спине (68).

Тем не менее, большинство исследований в области ML/AI при хронической боли пока носят исследовательский характер, а производительность алгоритмов зачастую оптимизирована под единичные датасеты. Ключевыми барьерами на пути внедрения данных решений в реальную клиническую практику остаются феномен сдвига данных (dataset shift) при смене клинического центра или диагностического оборудования, дефицит внешней валидации, проблема интерпретируемости моделей («черный ящик») и недостаточная клиническая применимость прогнозируемых шкал риска или выделенных кластеров. Проспективная оценка и стандартизация отчетности, обеспечивающие воспроизводимость алгоритмов, являются обязательными условиями перед масштабным развертыванием ИИ-систем в рутинной практике здравоохранения.

Обсуждение

Хронический болевой синдром по-прежнему недостаточно признан как в сфере научных исследований, так и на государственном регуляторном уровне. Отчасти это связано с непрекращающейся дискуссией о том, является ли хроническая боль лишь симптомом скрытой патологии или самостоятельным заболеванием с собственной дезадаптивной нейробиологией. Данная неопределенность препятствует притоку инвестиций, открытию надежных биомаркеров и формированию скоординированных маршрутов лечения пациентов.

Прогресс в этой области невозможен без интеграции трансляционных моделей, связывающих генетические, нейрональные, физиологические, поведенческие и средовые детерминанты с пациент-центрированными исходами. Хотя классификационные дефиниции МКБ-11 и опросники самоотчета обеспечивают необходимую структуру, их ценность многократно возрастает при внедрении непрерывного мультимодального фенотипирования (например, носимые устройства, оценка ВСР, мониторинг сна, актиграфия, моментальная экологическая оценка). Такие инструменты позволяют фиксировать динамику симптомов, верифицировать физиологически обособленные субпопуляции пациентов и детальнее оценивать вариабельность терапевтического ответа (48).

Данные геномики и мультиомиксного анализа свидетельствуют о высокой полигенности хронической боли с вовлечением синаптических, митохондриальных, нейроиммунных каскадов и путей нейропластичности. Трансляция этих результатов в клиническую практику требует крайней осторожности ввиду систематических ошибок, связанных с этническим происхождением выборок (bias), малых величин эффектов и преждевременности их прямого использования у постели больного.

Методы нейровизуализации и электрофизиологии последовательно демонстрируют изменения в префронтальных, инсулярных, лимбических, таламокортикальных и стриатарных контурах, что отражает дизрегуляцию ноцицептивного, аффективного и когнитивного процессинга. Однако разработка специфических биомаркеров существенно ограничена малыми объемами или случайным характером выборок, методологической гетерогенностью, дефицитом репликационных исследований и преимущественно кросс-секционным (одномоментным) дизайном имеющихся работ. Диагностическая неоднородность, сопутствующая депрессия и артефакты лекарственной терапии дополнительно затрудняют интерпретацию данных даже в рамках крупных международных консорциумов, таких как ENIGMA.

Подходы на основе машинного обучения и искусственного интеллекта предоставляют масштабируемые инструменты для интеграции мультимодальных данных, прогнозирования траекторий болевого синдрома, выделения патогенетических подтипов и поддержки персонализированных вмешательств (69). Тем не менее, их трансляция в реальный сектор здравоохранения напрямую зависит от прозрачности моделей, их объяснимости, этичного управления данными и жесткой внешней валидации для исключения системных искажений. Существующая гетерогенность в методах конструирования признаков и принципах оценки моделей на данный момент ограничивает возможности воспроизведения и синтеза данных, а моделям глубокого обучения часто не хватает интерпретируемости, необходимой для их безопасного клинического применения.

Перспективные направления

До сегодняшнего дня генетические и нейровизуализационные исследования и работы по цифровому фенотипированию хронической боли развивались преимущественно параллельно, а не в рамках единых интегративных моделей. Между тем, каждая модальность отражает обособленный, но взаимодополняющий аспект биологии хронической боли:

• геномные данные выступают маркером стабильной, пожизненной предрасположенности;
• нейровизуализация фиксирует промежуточные изменения на уровне макроконтуров головного мозга, отвечающих за ноцицептивную, аффективную и когнитивную обработку информации;
• данные носимых устройств или экологической оценки отражают динамическую, ситуативно обусловленную манифестацию симптомов в повседневной жизни.

Хотя одномодальные модели (например, стратификация на основе шкал полигенного риска PRS или нейровизуализационные паттерны) обладают преимуществами с точки зрения простоты интерпретации и технической реализуемости, они не способны фиксировать межуровневые биологические взаимодействия или учитывать временную вариабельность боли.

Подходы, основанные на мультимодальном слиянии данных, открывают многообещающие перспективы для преодоления этих ограничений за счет интеграции комплементарных источников информации. Однако они порождают новые вызовы, связанные с гармонизацией данных, проблемой пропущенных значений, несовпадением конфаундеров в различных исследованиях и сложностью интерпретации итогового результата. Разрешение этих компромиссов посредством прозрачного сопоставительного анализа и детального отражения разнообразия выборок по признакам этнического происхождения, пола, социально-экономического статуса и этапов жизненного цикла является критически важным. Этические аспекты исследований, включая адекватное формирование выборок, интерпретацию результатов и надежную защиту конфиденциальности данных, должны оставаться неотъемлемой частью технологического прогресса.

В конечном счете, успешное внедрение прецизионных моделей в практику потребует тесного партнерства между клиницистами и исследователями, повышения уровня грамотности в области генетики и навыков работы с Big Data внутри систем здравоохранения, а также их полной синхронизации с нормативно-правовыми и этическими рамками.

Скоординированные усилия научной общественности, индустрии здравоохранения, технологического сектора и профильных пациентских организаций будут иметь решающее значение для того, чтобы формирующиеся высокотехнологичные подходы принесли реальную пользу пациентам с хронической болью.

Список литературы

1. Jackson T, Thomas S, Stabile V, Han X, Shotwell M, McQueen K. Prevalence of chronic pain in low-income and middle-income countries: a systematic review and meta-analysis. Lancet. (2015) 385(Suppl 2):S10. doi: 10.1016/S0140-6736(15) 60805-4
2. Elzahaf RA, Tashani OA, Unsworth BA, Johnson MI. The prevalence of chronic pain with an analysis of countries with a human development Index less than 0.9: a systematic review without meta-analysis. Curr Med Res Opin. (2012) 28:1221–9. doi: 10.1185/03007995.2012.703132
3. Treede R-D, Rief W, Barke A, Aziz Q, Bennett MI, Benoliel R, et al. Chronic pain as a symptom or a disease: the IASP classification of chronic pain for the international classification of diseases (ICD-11). Pain. (2019) 160:19–27. doi: 10. 1097/j.pain.0000000000001384
4. Hay G, Korwisi B, Rief W, Smith BH, Treede R-D, Barke A. Pain severity ratings in the 11th revision of the international classification of diseases: a versatile tool for rapid assessment. Pain. (2022) 163:2421–9. doi: 10.1097/j.pain.0000000000002640
5. Armstrong SA, Herr MJ. Physiology, nociception. In: Shams P, editor. StatPearls. Treasure Island (FL): StatPearls Publishing (2025). p. 1–3. Available online at: https://www.ncbi.nlm.nih.gov/books/NBK551562/ (Accessed September 09, 2025).
6. Colloca L, Ludman T, Bouhassira D, Baron R, Dickenson AH, Yarnitsky D, et al. Neuropathic pain. Nat Rev Dis Primers. (2017) 3:17002. doi: 10.1038/nrdp.2017.2
7. Fitzcharles M-A, Cohen SP, Clauw DJ, Littlejohn G, Usui C, Häuser W. Nociplastic pain: towards an understanding of prevalent pain conditions. Lancet. (2021) 397:2098–110. doi: 10.1016/S0140-6736(21)00392-5
8. Rikard SM, Strahan AE, Schmit KM, Guy GP Jr. Chronic pain among adults—United States, 2019–2021. MMWR Morb Mortal Wkly Rep. (2023) 72:379–85. doi: 10.15585/mmwr.mm7215a1
9. Bartley EJ, Fillingim RB. Sex differences in pain: a brief review of clinical and experimental findings. Br J Anaesth. (2013) 111:52–8. doi: 10.1093/bja/aet127
10. Fayaz A, Croft P, Langford RM, Donaldson LJ, Jones GT. Prevalence of chronic pain in the UK: a systematic review and meta-analysis of population studies. BMJ Open. (2016) 6:e010364. doi: 10.1136/bmjopen-2015-010364
11. Bérubé M, Choinière M, Laflamme YG, Gélinas C. Acute to chronic pain transition in extremity trauma: a narrative review for future preventive interventions (part 1). Int J Orthop Trauma Nurs. (2016) 23:47–59. doi: 10.1016/j.ijotn.2016.04.002
12. Jensen TS, Baron R, Haanpää M, Kalso E, Loeser JD, Rice ASC, et al. A new definition of neuropathic pain. Pain. (2011) 152:2204–5. doi: 10.1016/j.pain.2011.06.017
13. Jiang B-C, Liu T, Gao Y-J. Chemokines in chronic pain: cellular and molecular mechanisms and therapeutic potential. Pharmacol Ther. (2020) 212:107581. doi: 10.1016/j.pharmthera.2020.107581
14. Leroux A, Rzasa-Lynn R, Crainiceanu C, Sharma T. Wearable devices: current status and opportunities in pain assessment and management. Digit Biomark. (2021) 5:89–102. doi: 10.1159/000515576
15. Avila FR, McLeod CJ, Huayllani MT, Boczar D, Giardi D, Bruce CJ, et al. Wearable electronic devices for chronic pain intensity assessment: a systematic review. Pain Pract. (2021) 21:955–65. doi: 10.1111/papr.13047
16. Chang JL, Nguyen P, Ruan QZ, Pak DJ, Robinson CL, Dominguez M, et al. The potential of wearable, modular devices in monitoring functional clinical metrics in patients suffering from chronic pain. Curr Pain Headache Rep. (2025) 29:46. doi: 10.1007/s11916-025-01367-2
17. Aaron RV, Ravyts SG, Carnahan ND, Bhattiprolu K, Harte N, McCaulley CC, et al. Prevalence of depression and anxiety among adults with chronic pain: a systematic review and meta-analysis: a systematic review and meta-analysis. JAMA Netw Open. (2025) 8:e250268. doi: 10.1001/jamanetworkopen.2025.0268
18. Li M, She K, Zhu P, Li Z, Liu J, Luo F, et al. Chronic pain and comorbid emotional disorders: neural circuitry and neuroimmunity pathways. Int J Mol Sci. (2025) 26:436. doi: 10.3390/ijms26020436
19. Macfarlane GJ, Beasley M, Smith BH, Jones GT, Macfarlane TV. Can large surveys conducted on highly selected populations provide valid information on the epidemiology of common health conditions? An analysis of UK biobank data on musculoskeletal pain. Br J Pain. (2015) 9:203–12. doi: 10.1177/2049463715569806
20. Mills SEE, Nicolson KP, Smith BH. Chronic pain: a review of its epidemiology and associated factors in population-based studies. Br J Anaesth. (2019) 123:e273–83. doi: 10.1016/j.bja.2019.03.023
21. Chung K-M, Ho C-H, Chen Y-C, Hsu C-C, Chiu C-C, Lin H-J, et al. Chronic pain increases the risk for major adverse cardiac and cerebrovascular events: a nationwide population-based study in Asia. Pain Med. (2020) 21:1985–90. doi: 10. 1093/pm/pnaa107
22. Chen M, Li S, Zhu Z, Dai C, Hao X. Investigating the shared genetic architecture and causal relationship between pain and neuropsychiatric disorders. Hum Genet. (2023) 142:431–43. doi: 10.1007/s00439-022-02507-z
23. Reynolds CA, Minic Z. Chronic pain-associated cardiovascular disease: the role of sympathetic nerve activity. Int J Mol Sci. (2023) 24:5378. doi: 10.3390/ijms24065378
24. Atee M, Morris T, Macfarlane S, Cunningham C. Pain in dementia: prevalence and association with neuropsychiatric behaviors. J Pain Symptom Manage. (2021) 61:1215–26. doi: 10.1016/j.jpainsymman.2020.10.011
25. Cao S, Fisher DW, Yu T, Dong H. The link between chronic pain and Alzheimer’s disease. J Neuroinflammation. (2019) 16:204. doi: 10.1186/s12974-019-1608-z
26. Zeng X, Sun Y, Zhiying Z, Hua L, Yuan Z. Chronic pain-induced functional and structural alterations in the brain: a multi-modal meta-analysis. J Pain. (2025) 28:104740. doi: 10.1016/j.jpain.2024.104740
27. Sluka KA, Clauw DJ. Neurobiology of fibromyalgia and chronic widespread pain. Neuroscience. (2016) 338:114–29. doi: 10.1016/j.neuroscience.2016.06.006
28. Sommer C, Rittner H. Pain research in 2023: towards understanding chronic pain. Lancet Neurol. (2024) 23:27–8. doi: 10.1016/S1474-4422(23)00446-5
29. Nielsen CS, Knudsen GP, Steingrímsdóttir ÓA. Twin studies of pain: twin studies of pain. Clin Genet. (2012) 82:331–40. doi: 10.1111/j.1399-0004.2012.01938.x
30. Johnston KJA, Adams MJ, Nicholl BI, Ward J, Strawbridge RJ, Ferguson A, et al. Genome-wide association study of multisite chronic pain in UK biobank. PLoS Genet. (2019) 15:e1008164. doi: 10.1371/journal.pgen.1008164
31. Wang K-L, Gao W-S, Nasir A, Wang Y-F, Yuan M, Zhang Z-Z, et al. Sleep deprivation modulates pain sensitivity through alterations in lncRNA and mRNA expression in the nucleus accumbens and ventral midbrain. Neuropharmacology. (2025) 275:110485. doi: 10.1016/j.neuropharm.2025.110485
32. Arif S, Madadi S, Haidary M. Neurobiological convergence of pain and substance use disorders: a focus on opioidergic and mesolimbic circuitry. Addict Neurosci. (2025) 16:100220. doi: 10.1016/j.addicn.2025.100220
33. Gao J, He Y, Li B, Wang Y. Dissecting the neurogenetic architecture of chronic pain: a brain-wide genetics study. J Pain. (2025) 37:105562. doi: 10.1016/j.jpain.2025.105562
34. Toikumo S, Davis C, Jinwala Z, Khan Y, Jennings M, Davis L, et al. Gene discovery and pleiotropic architecture of Chronic Pain in a Genome-wide Association Study of >1.2 million Individuals. medRxiv. (2025). doi: 10.1101/2025.02.28.25323112
35. Lewis CM, Vassos E. Polygenic risk scores: from research tools to clinical instruments. Genome Med. (2020) 12:44. doi: 10.1186/s13073-020-00742-5
36. Lawlor DA, Harbord RM, Sterne JAC, Timpson N, Davey Smith G. Mendelian randomization: using genes as instruments for making causal inferences in epidemiology. Stat Med. (2008) 27:1133–63. doi: 10.1002/sim.3034
37. Tsepilov YA, Elgaeva EE, Nostaeva AV, Compte R, Kuznetsov IA, Karssen LC, et al. Development and replication of a genome-wide polygenic risk score for chronic back pain. J Pers Med. (2023) 13:977. doi: 10.3390/jpm13060977
38. Chen Y, Sun Y, Wang L, Xu K, Wang DW. Genetic insights into associations of multisite chronic pain with common diseases and biomarkers using data from the UK biobank. Br J Anaesth. (2024) 132:372–82. doi: 10.1016/j.bja.2023.11.007
39. Lin L, Lin J, Qiu J, Liufu N, Lin S, Wei F, et al. Genetic liability to multi-site chronic pain increases the risk of cardiovascular disease. Br J Anaesth. (2023) 131:373–84. doi: 10.1016/j.bja.2023.04.020
40. Bassett E, Gjekmarkaj E, Mason AM, Zhao SS, Burgess S. Vitamin D, chronic pain, and depression: linear and non-linear Mendelian randomization analyses. Transl Psychiatry. (2024) 14:274. doi: 10.1038/s41398-024-02997-7
41. Lewis ACF, Perez EF, Prince AER, Flaxman HR, Gomez L, Brockman DG, et al. Patient and provider perspectives on polygenic risk scores: implications for clinical reporting and utilization. Genome Med. (2022) 14:114. doi: 10.1186/s13073-022-01117-8
42. Cavestro C, D’Amato M, Colombo MN, Cascone F, Moro AS, Levi S, et al. CoA synthase plays a critical role in neurodevelopment and neurodegeneration. Front Cell Neurosci. (2024) 18:1458475. doi: 10.3389/fncel.2024.1458475
43. Panichnantakul P, Aguilar LC, Daynard E, Guest M, Peters C, Vogel J, et al. Protein UFMylation regulates early events during ribosomal DNA-damage response. Cell Rep. (2024) 43:114738. doi: 10.1016/j.celrep.2024.114738
44. Behl T, Kaur D, Sehgal A, Singh S, Makeen HA, Albratty M, et al. Exploring the potential role of rab5 protein in endo-lysosomal impairment in Alzheimer’s disease.Biomed Pharmacother. (2022) 148:112773. doi: 10.1016/j.biopha.2022.112773
45. Yang Y, Zheng L, He J, Wu T, Yang H, Zhang B, et al. SLC44A2 negatively regulates mitochondrial fatty acid oxidation to suppress colorectal progression by blocking the MUL1-CPT2 interaction. Cell Death Dis. (2025) 16:468. doi: 10.1038/s41419-025-07781-z
46. Huang H, Ji F, Hu C, Huang J, Liu F, Han Z, et al. Identifying novel proteins for chronic pain: integration of human brain proteomes and genome-wide association data. J Pain. (2024) 25:104610. doi: 10.1016/j.jpain.2024.104610
47. Wu G, Tagliazucchi E, Chialvo DR, Marinazzo D. Point-process deconvolution of fMRI reveals effective connectivity alterations in chronic pain patients. arXiv [q-bio.NC]. (2013). Available online at: http://arxiv.org/abs/1310.8357 (Accessed December 12, 2025).
48. Park SH, Baker AK, Krishna V, Mackey SC, Martucci KT. Evidence of intact corticostriatal and altered subcortical-striatal resting-state functional connectivity in chronic pain. J Pain. (2022) 23:44. doi: 10.1016/j.jpain.2022.03.167
49. Lee J, Mawla I, Kim J, Loggia ML, Ortiz A, Jung C, et al. Machine learning-based prediction of clinical pain using multimodal neuroimaging and autonomic metrics. Pain. (2019) 160:550–60. doi: 10.1097/j.pain.0000000000001417
50. Quidé Y, Jahanshad N, Andoh J, Antoniou G, Apkarian AV, Ashar YK, et al. ENIGMA-chronic pain: a worldwide initiative to identify brain correlates of chronic pain. Pain. (2024) 165:2662–6. doi: 10.1097/j.pain.0000000000003317
51. Bhatt RR, Haddad E, Zhu AH, Thompson PM, Gupta A, Mayer EA, et al. Mapping brain structure variability in chronic pain: the role of widespreadness and pain type and its mediating relationship with suicide attempt. Biol Psychiatry. (2024) 95:473–81. doi: 10.1016/j.biopsych.2023.07.016
52. Barbosa SP, Junqueira YN, Akamatsu MA, Marques LM, Teixeira A, Lobo M, et al. Resting-state electroencephalography delta and theta bands as compensatory oscillations in chronic neuropathic pain: a secondary data analysis. Brain Netw Modul. (2024) 3:52–60. doi: 10.4103/bnm.bnm_17_24
53. Schuurman BB, Vossen CJ, van Amelsvoort TAMJ, Lousberg RL. Does baseline EEG activity differ in the transition to or from a chronic pain state? A longitudinal study. Pain Pract. (2023) 23:479–92. doi: 10.1111/papr.13204
54. Berman T, Cushing C, Manuel S, Vachon-Presseau E, Cortese A, Kawato M, et al. Modulating subjective pain perception with decoded montreal neurological institute-space neurofeedback: a proof-of-concept study. Philos Trans R Soc Lond B Biol Sci. (2024) 379:20230082. doi: 10.1098/rstb.2023.0082
55. Liu J, Quan S, Zhao L, Yuan K, Wang Y, Zhang Y, et al. Evaluation of a clustering approach to define distinct subgroups of patients with migraine to select electroacupuncture treatments. Neurology. (2023) 101:e699–709. doi: 10.1212/WNL.0000000000207484
56. Wang J, Doan LV. Clinical pain management: current practice and recent innovations in research. Cell Rep Med. (2024) 5:101786. doi: 10.1016/j.xcrm.2024.101786
57. Vase L, Wager TD, Eccleston C. Opportunities for chronic pain self-management: core psychological principles and neurobiological underpinnings. Lancet. (2025) 405:1781–90. doi: 10.1016/S0140-6736(25)00404-0
58. Ye L, Li Y, Deng Q, Zhao X, Zhong L, Yang L. Acceptance and commitment therapy for patients with chronic pain: a systematic review and meta-analysis on psychological outcomes and quality of life. PLoS One. (2024) 19:e0301226. doi: 10.1371/journal.pone.0301226
59. Huang M, Luo L, Wang W, Xu H, Chen M, Ma X, et al. Targeting excitatory glutamate receptors for morphine tolerance: a narrative review. CNS Neurosci Ther. (2025) 31:e70468. doi: 10.1111/cns.70468
60. Farrell SF, Edmunds D, Fletcher J, Martine H, Mohamed H, Liimatainen J, et al. Effectiveness of psychological interventions delivered by physiotherapists in the management of neck pain: a systematic review with meta-analysis. Pain Rep. (2023) 8:e1076. doi: 10.1097/PR9.0000000000001076
61. Kovač N, Ratković K, Watson P, Farahani H, Bagheri Sheykhangafshe F. Machine learning classification models for predicting chronic pain. Curr Psychol. (2025) 44:15409–22. doi: 10.1007/s12144-025-08294-w
62. Gozzi N, Preatoni G, Ciotti F, Hubli M, Schweinhardt P, Curt A, et al. Unraveling the physiological and psychosocial signatures of pain by machine learning. Med (N Y). (2024) 5:1495–509.e5. doi: 10.1016/j.medj.2024.07.016
63. Wu H, Chen Z, Gu J, Jiang Y, Gao S, Chen W, et al. Predicting chronic pain and treatment outcomes using machine learning models based on high-dimensional clinical data from a large retrospective cohort. Clin Ther. (2024) 46:490–8. doi: 10.1016/j.clinthera.2024.04.012
64. Vaid A, Landi I, Nadkarni G, Nabeel I. Using fine-tuned large language models to parse clinical notes in musculoskeletal pain disorders. Lancet Digit Health. (2023)5:855–8. doi: 10.1016/S2589-7500(23)00202-9
65. Chen R, Zhang S, Zheng Y, Yu Q, Wang C. Enhancing treatment decision-making for low back pain: a novel framework integrating large language models with retrieval-augmented generation technology. Front Med (Lausanne). (2025) 12:1599241. doi: 10.3389/fmed.2025.1599241
66. Hernández-Gómez KA, Gil-Gonzalez J, Cárdenas-Peña DA, Orozco-Gutiérrez ÁA. Neuropathic pain detection through embedding synergies of deep language and image models. In: Merino JG, editor. Communications in Computer and Information Science. Cham: Springer Nature Switzerland (2024). p. 3–12. doi: 10.1007/978-3-031-75233-9_1
67. Strigo IA, Simmons AN, Giebler J, Schilling JM, Moeller-Bertram T. Unsupervised learning for prognostic validity in patients with chronic pain in transdisciplinary pain care. Sci Rep. (2023) 13:7581. doi: 10.1038/s41598-023-34611-z
68. Tagliaferri SD, Wilkin T, Angelova M, Fitzgibbon BM, Owen PJ, Miller CT, et al. Chronic back pain sub-grouped via psychosocial, brain and physical factors using machine learning. Sci Rep. (2022) 12:15194. doi: 10.1038/s41598-022-19542-5
69. Piette JD, Driscoll MA, Buta E, Kerns RD, Heapy AA. Cognitive behavioral therapy for chronic pain supported by digital patient feedback and artificial intelligence: do patients with socioeconomic risk factors benefit? Intell Based Med. (2024) 10:100164. doi: 10.1016/j.ibmed.2024.100164