慢性頸肩痛(CNSP)作為頸椎病最常見的臨床癥狀，全球年患病率高達37.2%，不僅嚴重影響患者生活質量，更造成每年1345億美元的醫療負擔�，F有鎮痛治療存在胃腸不適、藥物依賴等副作用，而非侵入性神經調控技術雖展現潛力，卻因中樞機制不明而療效受限。傳統神經影像學研究多采用靜態功能連接分析，無法捕捉腦活動的快速波動——這恰是疼痛體驗非線性特征的關鍵。

為解決這一難題，川北醫學院附屬醫院放射科邱志強^1,4、劉天慈^1,4等團隊在《Scientific Reports》發表研究，首次運用隱馬爾可夫模型(HMM)解碼CNSP患者的腦動態特征。該技術突破傳統滑動窗口法的局限，通過自適應識別116個腦區的多變量時間序列，將腦活動建模為隱藏狀態的概率轉換過程。研究納入32例CNSP患者與32名健康對照(HCs)，采集3.0T Siemens MAGNETOM Skyra的rs-fMRI數據，經CONN工具箱預處理后，通過HMM-MAR算法識別最優腦狀態數，最終確定5種特征狀態：狀態1（SN-FPN-皮層下網絡高連接，背外側前額葉皮層(DLPFC)高活動）、狀態2（感覺運動網絡(SMN)-SN高連接）、狀態3（全腦高連接低活動）、狀態4（視覺網絡(VN)優勢）和狀態5（全腦低連接）。

Fractional occupancy分析顯示，CNSP患者在狀態1（疼痛自我調控）和狀態2（疼痛感知）的FO顯著增高（P<0.05），而HCs在狀態3（放松狀態）的FO更高（P<0.001）。Averaged lifetime揭示患者狀態1/2的ALT延長（P<0.05），狀態3ALT縮短，提示患者更持久處于疼痛處理狀態。Switching rate表明患者狀態轉換更頻繁（P=0.045），反映疼痛體驗的動態波動。Transition probability圖譜顯示，患者傾向于從其他狀態轉向狀態1/2（最高概率：狀態2→狀態1=0.5），而HCs多轉向狀態3（狀態1→狀態3=0.55）。

相關性分析發現，狀態2的FO與疼痛強度(VAS)正相關（r=0.431），狀態3的FO/ALT與焦慮(SAS)、抑郁(SDS)負相關（r<-0.435），狀態1的FO/ALT與抑郁正相關（r>0.453），提示不同腦狀態與臨床癥狀存在特異性關聯。

討論部分指出，DLPFC的高活動可能反映患者通過認知控制抑制疼痛，而SN-SMN的功能耦合增強暗示疼痛感知-評估的神經整合。狀態3的減少則表明患者難以進入放松狀態，這與其情緒障礙相互印證。該研究首次建立CNSP的HMM狀態轉換模型，為精準神經調控提供新靶向——例如通過rTMS增強DLPFC活動或調控SN-SMN耦合。

局限性包括缺乏疼痛波動的實時驗證，以及樣本排除重度疼痛患者可能引入偏倚。未來需通過縱向研究驗證狀態特征的治療預測價值。這項開創性工作為理解慢性疼痛的神經振蕩機制提供了全新框架，標志著動態腦網絡研究向臨床轉化邁出關鍵一步。