Summary

使用多模态疼痛身体图量化疼痛位置和强度

Published: July 07, 2023
doi:

Summary

目前用于量化疼痛严重程度的疼痛量表,例如视觉模拟量表,无法捕捉到主观疼痛体验的复杂性。疼痛身体图是定性的,但可能更具信息性。该方法的目标是使用新颖的压力-色调转换从疼痛身体图中提取定量指标。

Abstract

为了量化个体的主观疼痛严重程度,通常使用标准化疼痛评定量表,例如数字评定量表 (NRS)、视觉模拟量表 (VAS) 或麦吉尔疼痛问卷 (MPQ) 来评估数字量表上的疼痛。然而,这些量表往往是有偏见的,无法捕捉到疼痛经历的复杂性。相比之下,临床实践通常要求患者通过绘制身体图来报告疼痛区域,这是一种有效但定性的工具。这里介绍的方法从疼痛身体图 (PBD) 中提取可量化的指标,这些指标针对 NRS、VAS 和 MPQ 疼痛量表进行了验证。通过在数字平板电脑上使用新颖的压力-色调转换,数字手写笔施加的不同绘图压力可以在 PBD 上表示为不同的色调。这会产生一个视觉直观的色调图,范围从绿色到蓝色再到红色,分别代表轻度到中度到最疼痛的区域。为了量化每个 PBD,定义了新的疼痛指标:(1) PBD 平均强度,等于每个像素的色调值之和除以彩色像素数,(2) PBD 覆盖率,等于彩色像素数除以身体上的像素总数,以及 (3) PBD 总强度,等于所有像素的色调值之和。使用相关性和信息理论分析,这些 PBD 指标被证明与标准化疼痛指标(包括 NRS、VAS 和 MPQ)高度一致。总之,PBD 可以提供新的空间和定量信息,可以随着时间的推移反复测量和跟踪,以全面描述参与者的疼痛体验。

Introduction

慢性疼痛是一种使人衰弱的神经精神疾病,影响美国超过 5000 万成年人1.然而,跟踪主观疼痛强度的常见临床工具(例如数字评定量表 [NRS] 或视觉模拟量表 [VAS])是简化的,无法传达跨越躯体感觉、认知或情感领域的疼痛症状强度的复杂性质 2,3。准确跟踪个体的疼痛强度对于诊断疼痛综合征、监测疾病进展以及评估药物或脑刺激等疗法的潜在疗效至关重要。

广泛使用的 NRS 疼痛强度工具要求受试者将疼痛强度评为 0-10 的整数值,表示没有疼痛到最严重的疼痛。虽然易于管理和理解,但 NRS 受到受访者锚定偏差、期望偏差和对个体价值观的可变解释的限制 4,5;这些也限制了参与者之间的比较。VAS 是 0-100 的连续刻度,可能会减少锚定的影响,但仍可能面临与 NRS4 类似的限制。几项研究表明,NRS 和 VAS 在慢性腰痛严重程度6,7临床实践5 方面具有高度的一致性,但共识指南强调了在临床疼痛试验设计或解释中依赖类似量表的许多缺点 8,9.简短的麦吉尔疼痛问卷 2 (MPQ) 使用言语描述符10 的评级进一步剖析疼痛的躯体感觉和情感维度,以帮助区分感觉和情感疼痛维度11。尽管这些疼痛评定量表通常用于跟踪疼痛强度12,13,但它们无法捕获详细的地形信息例如疼痛位置或身体区域的强度变化。

疼痛身体图 (PBD) 是一种开放式、自由形式的疼痛评估工具,允许受访者在人体示意图14,15 上说明疼痛位置和强度的视觉表示。PBD 是参与者和医疗服务提供者之间的有效沟通工具,有助于纵向跟踪疼痛症状16.PBD 的自由格式图形格式可以减少锚定偏差。最近对 PBD 的修改,例如引入特定性别的身体图,通过将视觉表现的身体形式与受访者的解剖结构保持一致,提高了其作为沟通工具的有效性,从而提高了自我认同和反应准确性17.此外,使用颜色来表示强度已被证明可以有效地传达疼痛症状,克服文化和语言障碍。例如,在苗族患者群体中,最常选择白色和红色分别表示无痛和剧烈疼痛18.虽然PBD是一种有效的工具19,20但它们受到其定性性质的限制。

在数字平板电脑上使用 PBD 大大扩展了可用于量化疼痛位置和强度的工具。Barbero 等人量化了慢性腰部和颈部疼痛患者的疼痛程度或在 PBD 中绘制的像素数,并显示出良好的重测可靠性和与 VAS 测量的显着相关性21。还分析了身体图以创建疼痛频率图,以显示身体疼痛频率最高到最不频繁的部位21,22。虽然这些方法量化了空间疼痛信息,但到目前为止,还没有一种方法将疼痛强度和位置纳入综合指标。

以下协议演示了一种获得新颖,视觉直观的彩色PBD并提取三个定量指标的方法,这些指标共同反映了疼痛强度和位置信息的复合。为此,选择了五名接受深部脑刺激 (DBS) 治疗难治性慢性神经性疼痛研究试验的参与者,使用 N-of-1 研究设计23 来测试当前的方法。参与者被指示通过在平板电脑插图应用程序上施加不同程度的笔压力来报告他们短暂疼痛症状的强度,以产生与不同身体部位的不同疼痛强度相对应的色调。使用统计和互信息 (MI) 分析将 PBD 衍生的覆盖率、总强度和平均强度指标与更常见的经过验证的疼痛指标(即 NRS、VAS 和 MPQ)进行比较。

在 10 天的住院期间,接受评估的患者除了每天多次验证的疼痛量表(如 NRS、VAS 和 MPQ)外,还完成了 PBD(平均±标准差 (SD) = 121.8 ± 34.3 PBD;范围 84-177;总共 609 个 PBD)。PBD 通过平板电脑应用程序收集,并在完成后作为时间戳文件上传到安全的研究服务器。疼痛强度 NRS、VAS 和 MPQ 是使用 REDCap 调查工具(一种安全的 Web 应用程序)获取的。调查和 PBD 均由研究助理亲自管理,以确保患者获得所需的帮助以准确完成评估。以下步骤详细介绍了用于可靠量化疼痛的 PBD 设置、参与者指导、数据收集和 PBD 分析图 1)。

Protocol

该 PBD 方案是在 UCSF 人类研究保护计划和 FDA 批准的母体临床试验方案 (NCT03029884) 中实施的。每位参与者(3 名女性和 2 名男性,年龄范围:51-67 岁)签署书面知情同意书;他们是从加州大学旧金山分校疼痛管理中心招募的,或由美国的医生转诊。 1.疼痛身体图设置 患者纳入标准:包括具有以下疼痛诊断的参与者:几种神经性疼痛病因,包括中枢性卒中后疼痛(2 名患者)和伴有神经根性疼痛的神经退行性脊柱疾病(1 名患者)、复杂区域疼痛综合征(1 名患者)和脊髓损伤(1 名患者)。所有参与者都完成了高中后教育。 将显示身体正面和背面表面的适合性别的 PBD 模板(补充图 1)导入到包含触摸感应数字平板电脑上压力感应绘图工具的插图应用程序中。将 PBD 模板下载到平板电脑的照片库,然后单击 “导入 ”按钮。 通过单击“图层”图标,然后单击“+”按钮,在 PBD 模板顶部创建一个新图层,供参与者在其上绘制。这导致了两层,一层是PBD,另一层是用表示疼痛的颜色绘制的。 首先单击“画笔库”图标,然后单击“+”以打开画笔工作室,以创建具有 x=y 压力到色调转换曲线的新画笔。 单击标有“ 色彩动态”的按钮,然后向下滚动到“颜色压力”部分。对于色调滑块,单击“ 数值百分比 ”以确保压力变换图显示一条 45° 直线。注意:双击图形将提供将图形重置为直线 x=y 图形的选项。 要定义从绿色到蓝色再到红色的色相渐变范围,请通过单击 列出的百分比数 并输入 81% 的数值来调整色相压力部分下的色相滑块。注意:另一种方法是输入十六进制限制 #008000 以 #FF0000 如果应用程序允许手动输入六进制代码。 通过调整钢笔工具滑块来选择适合研究参与者需求的笔尺寸。对于大多数参与者来说,30% 的笔尺寸是一个很好的起始尺寸。 2. 参会须知 向患者描述纵向模式下身体模板的 PBD 解剖结构和方向、绘图和擦除工具、触觉捏合缩放和平移功能。 以以下方式向参与者解释压力到色调的线性转换:告知参与者,施加在手写笔上的压力增加将导致色调从绿色变为蓝色再到红色,这些色调应着色到图表中,以分别表示任何给定位置的轻度至中度至重度疼痛强度。 使用回教方法24,通过要求参与者解释如何使用自己的话填写图表来确认参与者对 PBD 任务的理解。 允许参与者至少有 15 分钟的练习时间在平面上绘制多个 PBD,以确保准确表示疼痛位置和强度。允许进行任何调整以最大限度地提高可用性。之后立即与每个参与者一起审查 PBD,以确保一致性并按预期绘制颜色。 3. 数据收集和预处理 要求参与者在基线期间或经过某些治疗或干预后的不同时间点完成 PBD。为完成每个 PBD 留出无限期的时间,以便每个地图都能以参与者满意的方式完成。 使用包含患者 ID 以及 PBD 完成的日期和时间的标准化文件名保存已完成的 PBD。注意:这些文件暂时保存在平板电脑设备上。 以可移植文档格式 (.PDF) 或 Photoshop 文档 (.PSD) 文件格式批量导出已完成的 PBD,并保留图像图层以进行预处理。要批量导出,请先单击 “ 选择”图标以选择所需的图像,然后单击 “共享 ”以打开要导出的图像格式菜单。单击所选的格式化文件。注意:导出的文件将上传到安全的研究服务器。 下载 PBD 并在基于光栅的图像编辑器中打开。 通过添加两个蒙版图层,将感兴趣的彩色像素与 PBD 文件的顶层隔离开来:一个是彩色图层下方的全黑图层,另一个是黑色蒙版图层,以排除彩色图层上方模板主体轮廓之外的像素。这将导致处理后的 PBD 仅包含黑色背景上身体轮廓内的彩色像素(图 1)。 通过单击并选择以下按钮序列,将处理后的 PBD 导出为可移植网络图形 (.png) 文件:文件>导出>导出 为 PNG >>导出。 4. PBD定量 使用 OpenCV225(一个公开可用的 Python 包)将 PBD 中的每个像素值从 RGB(红色、绿色、蓝色)颜色空间转换为 HSV(色调、饱和度、值)颜色空间。通过运行标题为 rgba2hsv(filename)(补充编码文件 1)和 measure_SAnoblur(filename, sigma-1.0) 的 python 脚本来提取每个像素的色调值(图 1)。注意:这些脚本量化和调整色相值,以创建从 0-139.5 的连续色相刻度。OpenCV2 上的 HSV 值范围为 0-179。最浅的绿色代表最小的疼痛强度,对应于色调值 39.5。一些红色色调对应于 0-10 之间的值。钢笔工具不使用与 10-39.5 之间的色调值相对应的黄色和橙色。从 0-10 的红色色调值被重新分配给 179,以正确表示最疼痛的强度。调整后,色调范围为 39.5-179。然后,从每个色调值中减去 39.5,使最终比例范围为 0-139.5。 通过运行名为 quantifypain(filename)(补充编码文件 1)的 Python 脚本来计算和规范化三个 PBD 指标。该脚本按如下所述计算每个指标。PBD 覆盖率:将彩色像素数除以正文图中可用的像素总数。女性的彩色像素数范围为 0 到 820,452 像素(总像素),男性的范围为 0 到 724,608 像素(总像素)。 PBD 总强度:将身体图中所有像素的色调值相加。女性的色调值总和范围为 0 到 114,453,054,男性的范围是 0 到 101,082,816。 PBD 平均强度:将所有色调值的总和除以彩色像素总数。 使用脚本按照下面所述的计算,在 0 到 100 范围内规范化所有 PBD 度量值。PBD 覆盖率:将 PBD 覆盖率乘以 100。 PBD 总和:将 PBD 总和强度除以最大 PBD 总和强度,然后乘以 100。最大PBD总强度等于身体图中的像素总数乘以139.5(即,对于女性,它是820,452像素乘以139.5,等于114,453,054;对于男性,它是724,608像素乘以139.5,等于101,082,816)。 PBD 平均值:将 PBD 平均强度除以最大色调值 139.5 并乘以 100。 重复步骤 4.1 和 4.2 以处理每个 PBD(扩展名为 .png)文件。在电子表格中编译输出以运行进一步的分析。

Representative Results

PBD 平均值、总和和覆盖率独特地提供了其他标准化疼痛量表未捕获的疼痛反应信息。在两个PBD之间(图2A,B),平均疼痛强度相同(PBD平均值= 79.6)。然而,增加的覆盖率和总和分别揭示了疼痛和总疼痛强度的更大空间扩散,这区分了两种PBD(图2B)。为了使用这些指标准确量化疼痛,研究人员应避免以下常见的PBD设置错误(图2C)。过大的笔粗和身体轮廓之外的无关元素,例如盘旋的身体区域或书面描述符,在PBD处理中不会被捕获。同样,用于去除颜色的白色笔而不是橡皮擦工具会扭曲 PBD 指标。实践和强化指导将使患者能够创建准确且可量化的 PBD,以揭示疼痛强度和分布的可变性。 PBD指标针对NRS、VAS和MPQ进行了验证(图3B;补充图2)在可用性方面得分很高(补充图1和补充图2)。 PBD 指标与标准疼痛指标相关大多数患者的PBD指标与NRS、VAS和MPQ相关(图3A,补充图1A,B)。在五分之四的患者中,PBD 总和、覆盖率和平均值与他们的 VAS 和 NRS 相关(Spearman 相关性,rs = 0.33-0.72,p < 0.004,补充表 1)。对于五分之三的参与者,PBD指标也与MPQ评分显著相关(Spearman相关性,rs = 0.38-0.53,p <0.004,补充表1)。 然而,患者 4 在 PBD 指标和标准疼痛评分之间没有显示出显着相关性。我们使用信息论分析进一步表征了PBD和标准指标之间的非线性关系(补充图2)。 PBD 指标避免了响应锚定,并与标准疼痛指标共享相互信息PBD 指标包含的信息(即熵)比 NRS 多。在患者中,与VAS强度、VAS不愉快、MPQ总数、PBD总和、PBD覆盖率和PBD平均值(3.21±0.49位、3.20±0.31位、3.16±0.23位、3.06±0.32位、3.34±0.16位、3.22位±0.39位)相比,NRS包含的信息更少(2.32±0.37位);补充图2)。这通过单因素重复测量方差分析(F(4,1) = 12.10,p < 0.05)和用于个体比较的 Tukey t 检验(均为 p < 0.05)证实了这一点。这表明 PBD 指标的响应锚定比 NRS 少。 通过互信息分析(排列测试,α=0.05)进一步验证了PBD的既定指标。在五分之四的患者中,PBD 指标与 NRS、VAS 强度、VAS 不愉快和 MPQ 显着共享 MI(p < 0.05, 图 3B)。相比之下,患者 4 的 PBD 指标与既定指标没有显着共享 MI。由于他们的 NRS 包含的患者信息最少(补充图 2),这表明 NRS 未能捕捉到 PBD 捕获的疼痛体验中的细微差别。在所有患者中,NRS 与 VAS 强度、VAS 不愉快和 MPQ 共享显着的 MI,而 PBD 总和与 PBD 覆盖率和 PBD 平均值共享 MI(p < 0.05, 图 3B)。总而言之,对于大多数患者来说,PBD 指标与既定的疼痛指标共享 MI。 PBD对大多数参与者来说很容易使用在这项研究中,五名患者中有四名发现PBD易于使用并准确反映他们的疼痛(补充表2)。然而,患者 4 报告 PBD 难以使用(5 点李克特量表为 5)。这主要是因为他们有深深的内脏疼痛——这在二维 (2D) PBD 中没有得到很好的捕捉。虽然患者对 PBD 的熟悉程度各不相同(2.8 ± 1.2,范围 1-4,5 点李克特量表),但他们每天都使用可比较的电子设备(5.0 ± 0.0,5 点李克特量表),并发现 PBD 对用户友好(5.2 ± 0.4,范围 5-6,6 点李克特量表)。 图 1.疼痛身体图 (PBD) 分析工作流程。 患者使用空白的PBD模板来表示疼痛的位置和强度。完成的PBD包含从绿色到蓝色再到红色的色调,分别代表轻度到中度到重度疼痛区域。PBD 被遮罩以仅包含身体轮廓中的像素,然后删除模板以仅隔离包含色调的像素。根据 PBD,计算 PBD 覆盖率 (%)、总强度(归一化为 0-100)和平均强度(归一化为 0-100)。对于 PBD 覆盖率,首先将彩色像素数除以图中的像素总数(女性为 820,452 像素,男性为 724,608 像素),然后乘以 100。对于PBD总和强度,首先对身体图中所有像素的色调值求和(女性范围:0-114,453,054;男性范围:0-101,082,816)。然后将总和除以最大 PBD 总强度(女性:820,452 像素乘以最大色调值 139.5,男性:724,608 像素乘以 139.5)并乘以 100。对于 PBD 平均强度,将所有色调值的总和除以彩色像素总数,然后通过除以最大色调值 139.5 进行归一化。 请点击这里查看此图的较大版本. 图2.具有代表性的 PBD,显示好和坏 PBD 的示例。 (甲,乙)良好的 PBD 显示了计算 3 个疼痛指标的效用。(C) 不良的 PBD 示例包括笔尺寸过粗、正文图之外的无关元素以及不准确的擦除。 请点击这里查看此图的较大版本. 图3.PBD 指标通过 Spearman 的相关性和相互信息分析根据标准疼痛指标进行验证。 (A) VAS 强度和 PBD 总和用为每位患者绘制的线性最佳拟合线绘制。(B) 组级数据显示每个疼痛指标之间的平均互信息 (MI),其中 MI 由右侧的颜色条表示。每个框中的文本表示给定成对比较中具有统计学意义的 MI 的患者人数(例如,3/5 表示 3 名具有显着值的患者)。MI 由观察到的 MI 除以理论最大 MI 表示。 缩写:NRS=数字评定量表;VAS强度=视觉模拟刻度强度;增值税 unpl.= 视觉模拟量表疼痛不愉快,MPQ=麦吉尔疼痛问卷 2 的简表;PBD=疼痛体图;PBD冠状病毒。= PBD 覆盖率,MI = 互信息,sig. = 显著性。 请点击这里查看此图的较大版本. 补充图 1. PBD 平均值 (A) 和 PBD 覆盖率 (B) 与 VAS 强度作图,并为每位患者绘制线性最佳拟合线。缩写:VAS=视觉模拟量表;PBD=疼痛身体图。 请点击这里下载此文件。 补充图2.患者每个疼痛指标的熵。 在组水平上,NRS 强度的熵低于所有其他疼痛指标,如重复测量单因素方差分析所示,然后是 Tukey 事后测试以进行特定比较 * = p < 0.05,** = p < 0.001。 缩写:NRS=数字评定量表;VAS=视觉模拟量表;MPQ=麦吉尔疼痛问卷;PBD=疼痛身体图。 请点击这里下载此文件。 附表1.Spearman 的 PBD 指标与自我报告的标准疼痛测量之间的相关性。 针对 NRS、VAS 和 MPQ 疼痛测量的三个提取的 PBD 指标的 Spearman 相关系数 (rho)。缩写:NRS=数字评定量表;VAS=视觉模拟量表;MPQ=麦吉尔疼痛问卷;PBD=疼痛身体图。 请点击这里下载此文件。 附表2.通过特定于 PBD 和系统可用性量表修改的问题揭示了患者完成 PBD 的印象。 修改后的可用性量表问题在正面和负面陈述中交替出现,并按 5 分制进行排名(1 = 非常同意,5 = 非常不同意)。缩写:PBD=疼痛身体图。 请点击这里下载此文件。 补充编码文件 1:用于 PBD 指标的 Python 脚本。 带注释的 python 代码处理疼痛正文图 PNG 文件,并输出每个文件的 PBD 平均值、覆盖率和总值。该脚本还包括 import 语句,用于下载程序运行所需的包。 请点击这里下载此文件。 补充文件1:补充文件,提供方法学细节。请点击这里下载此文件。

Discussion

协议中的关键步骤
关键步骤包括:PBD 设置、患者指导和预处理。对于 PBD 设置,每个特定性别的 PBD 都应可视化正面和背面视图26,并在插图应用程序上覆盖一个空层以隔离色调值。此外,笔尺寸必须满足患者的插图需求,并且必须定义色调梯度以定量分析 PBD。 患者指导和对工具的理解是可靠数据的基础。应为参与者分配足够的时间来练习在PBD上实施该工具。使用回教方法在测试期间定期确认参与者对任务和调查的理解,大约每 10 个 PBD 一次。为了跟踪单个 PBD,最好在完成后使用唯一的标题和时间戳命名每个文件。数据收集后,可以使用 Python27 脚本提取每个 PBD 指标(参见 补充编码文件 1)。可以在任何治疗或干预之前和之后重复测量 PBD 覆盖率、总强度和平均强度,以跟踪患者的疼痛反应。为了提取这些指标,一位不直接参与数据收集的研究人员应该叠加黑色蒙版层,以仅隔离身体轮廓内绘制的颜色,然后使用作为 补充文件 1 提供的自定义软件代码计算 HSV 像素值。

技术中的修改和故障排除
在患者 1 的数据收集过程中改进了方法学步骤。这些措施包括让患者有更多时间熟悉控制笔的压力敏感度,正确设置身体图层以供以后遮罩和分析,限制在PBD上使用符号或文字,以及根据每个参与者的力量和灵巧性调整绝对笔压敏感度(尽管相对压力和色调之间的转换保持不变)。患者可以选择他们的笔尺寸,以最好地代表他们的疼痛;然而,选择一种固定尺寸可能有助于将来更好地进行患者间比较。在将来的迭代中,对使用一个颜色通道(例如,红色、绿色或蓝色)的方法进行原型设计,并根据笔压力改变颜色的亮度,可以最大程度地减少从 RGB 转换为 HSV 颜色空间时可能损失的精度。

该技术的局限性
PBD 要求患者至少一个上肢具有足够的基线运动力量和灵活性,手指至少具有良好的精细运动能力,以独立完成图表并通过压力准确翻译他们的疼痛体验。虽然 NRS 和 MPQ 等标准疼痛指标可以由助手通过口头交流在纸上或键盘上输入,但 PBD 的这种修改尚未得到验证。PBD 也缺乏作为二维插图的深度。三维身体图中的详细程度已被定性证明,以扩展疼痛信息的交流17.进一步表征疼痛深度可以捕获 NRS、VAS 和 MPQ 等量表中未检查的新疼痛信息。身体图目前并不是为了捕捉更抽象的躯体化或更深层次的疼痛而设计的。例如,患者 4 自我报告说,在可用性调查中,身体图不能很好地描述疼痛位置和疼痛强度,因为他觉得它们没有捕捉到他的内部神经性疼痛。患者 5 经常在身体图中画虚线以表示体内的沉重感,这可能会混淆公制计算。未来的PBD迭代可以扩展为以可量化的方法表示疼痛或内脏疼痛的躯体化。最后,在 N-of-1 框架中分析 PBD,其中为每个参与者生成了近 100 个单独的 PBD。由于总体受试者人数较少,无法进行组级分析。因此,在本研究中无法确定重测信度,因为对 NRS 量表的反应面临锚定偏倚,这表明相同的 NRS 分数可能不等同于试验后测试的相同 PBD。未来的研究将需要在分组分析环境中评估 PBD 指标,并在更大样本中评估该方法的重测可靠性。

该方法相对于现有方法的意义
PBD 已广泛用于临床和研究环境中,以证明参与者全身的疼痛强度14,15但该工具在很大程度上仍受到其定性性质的限制。虽然数字疼痛映射已被用于纵向跟踪慢性疼痛16,但患者缺乏以综合、精确的技术表示疼痛强度和位置的能力。这种与 PBD 相结合的新颖压力色调转换提供了复合的空间和定量疼痛指标,可以随着时间的推移重复测量和跟踪,以捕捉参与者的疼痛体验。在这里,三个提取的 PBD 指标差异化地反映了患者体内的疼痛强度和位置,即 PBD 覆盖率、总强度和平均强度,被证明具有很高的有效性和与标准化疼痛测量(如 NRS 强度、VAS 强度、VAS 不愉快和 MPQ)的一致性。所有 PBD 测量值均与五分之四患者的 VAS 和 NRS 评分相关,五分之三患者的 PBD 与 MPQ 显著相关。此外,信息论方法28,29,30,31揭示了非线性关系这些关系是用更常见的统计方法无法检测到的。在这项研究中,五分之四的患者在 PBD 测量值和 NRS、VAS 强度、VAS 不愉快和 MPQ 之间有显着的心肌梗死,这表明信息内容有显着但不是完全重叠。因此,PBD 测量值与标准化疼痛测量高度一致,但 PBD 平均值似乎反映了传统疼痛指标中不存在的强度和位置信息的组合。

该技术的未来应用
目前的结果表明,PBD可能特别适合在非线性尺度上经历和量化疼痛的患者。与口头描述符如何为参与者提供另一个维度来评估疼痛类似,PBD 为他们的疼痛提供了独特的图形和基于压力的解释。通过实施一种新颖的压力-色调转换,身体图提供了有关疼痛强度的位置、扩散和区域变化的信息,据我们所知,这是以前从未证明过的。与任何DBS试验期间收集的神经数据一起,PBD指标可以成为将不同身体区域的疼痛定位到不同大脑区域的强大工具,并有助于为疼痛信号通路的机制研究提供信息。PBD 中实施的压力-色调转换可用于许多临床和研究环境,以分析治疗后疼痛缓解或比较疼痛随时间的变化。这种方法不仅可以生成独特的、视觉直观的图表来评估疼痛,还可以准确地捕捉患者的经历,而不仅仅是单一的数字分数。

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

这项研究由美国国立卫生研究院(National Institutes of Health)资助,UH3-NS115631资助给PS.资金来源批准了研究设计,但在研究执行、数据分析或手稿准备方面没有作用。我们还要感谢 Edward F. Chang 博士、Philip A. Starr 博士和我们研究的参与者。

Materials

Adobe Photoshop v.21.2.1 Adobe Inc. N/A Photo editor application to pre-process pain body diagrams
Apple Pencil 2nd generation Apple Inc. A2051 Digital pen for pressure-hue transformation
iPad Pro (11-inch, 2nd generation) Apple Inc. MY332LL/A Touch-sensitive digital tablet
Pain Body Diagram Template 123RF 95218807 Copyright Use
Procreate v5.3.1 Procreate N/A Commercially available illustration applicataion
REDCap v13.2.1 Vanderbilt University N/A Secure web survey and database application

Referenzen

  1. Yong, R. J., Mullins, P. M., Bhattacharyya, N. Prevalence of chronic pain among adults in the United States. Pain. 163 (2), e328-e332 (2022).
  2. Shirvalkar, P., Veuthey, T. L., Dawes, H. E., Chang, E. F. Closed-Loop Deep Brain Stimulation for Refractory Chronic Pain. Frontiers in Computational Neuroscience. 12, 18 (2018).
  3. Bittar, R. G., et al. Deep brain stimulation for pain relief: A meta-analysis. Journal of Clinical Neuroscience. 12 (5), 515-519 (2005).
  4. Wewers, M. E., Lowe, N. K. A critical review of visual analogue scales in the measurement of clinical phenomena. Research in Nursing & Health. 13 (4), 227-236 (1990).
  5. Price, D. D., Bush, F. M., Long, S., Harkins, S. W. A comparison of pain measurement characteristics of mechanical visual analogue and simple numerical rating scales. Pain. 56 (2), 217-226 (1994).
  6. Shafshak, T. S., Elnemr, R. The Visual Analogue Scale Versus Numerical Rating Scale in Measuring Pain Severity and Predicting Disability in Low Back Pain. JCR: Journal of Clinical Rheumatology. 27 (7), 282-285 (2021).
  7. Strong, J., Ashton, R., Chant, D. Pain Intensity Measurement in Chronic Low Back Pain. The Clinical Journal of Pain. 7 (3), 209 (1991).
  8. Smith, S. M., et al. Interpretation of chronic pain clinical trial outcomes: IMMPACT recommended considerations. Pain. 161 (11), 2446 (2020).
  9. Dworkin, R. H., Kerns, R. D., McDermott, M. P., Turk, D. C., Veasley, C. The ACTTION guide to clinical trials of pain treatments, part II: mitigating bias, maximizing value. Pain Reports. 6 (1), e886 (2021).
  10. Melzack, R. The McGill Pain Questionnaire: Major properties and scoring methods. Pain. 1 (3), 277-299 (1975).
  11. Gracely, R. H., McGrath, P., Dubner, R. Validity and sensitivity of ratio scales of sensory and affective verbal pain descriptors: Manipulation of affect by diazepam. Pain. 5 (1), 19-29 (1978).
  12. Williamson, A., Hoggart, B. Pain: a review of three commonly used pain rating scales. Journal of Clinical Nursing. 14 (7), 798-804 (2005).
  13. Main, C. J. Pain assessment in context: a state of the science review of the McGill pain questionnaire 40 years on. Pain. 157 (7), 1387-1399 (2016).
  14. Schott, G. D. The cartography of pain: The evolving contribution of pain maps. European Journal of Pain. 14 (8), 784-791 (2010).
  15. Palmer, H. Pain charts; a description of a technique whereby functional pain may be diagnosed from organic pain. The New Zealand Medical Journal. 48 (264), 187-213 (1949).
  16. Villa, M. G., Palsson, T. S., Royo, A. C., Bjarkam, C. R., Boudreau, S. A. Digital Pain Mapping and Tracking in Patients With Chronic Pain: Longitudinal Study. Journal of Medical Internet Research. 22 (10), e21475 (2020).
  17. Egsgaard, L. L., Christensen, T. S., Petersen, I. M., Brønnum, D. S., Boudreau, S. A. Do Gender-Specific and High-Resolution Three Dimensional Body Charts Facilitate the Communication of Pain for Women? A Quantitative and Qualitative Study. JMIR Human Factors. 3 (2), e19 (2016).
  18. Lor, M., Rabago, D., Backonja, M. Evaluation of the Use of Colors and Drawings for Pain Communication for Hmong Patients. Pain Management Nursing. 22 (6), 811-819 (2021).
  19. Sehgal, N., Gordon, D. B., Hetzel, S., Backonja, M. 34;Misha" Colored pain drawing as a clinical tool in differentiating neuropathic pain from non-neuropathic pain. Pain Medicine. 22 (3), 596-605 (2021).
  20. Takata, K., Hirotani, H. Pain drawing in the evaluation of low back pain. International Orthopaedics. 19 (6), 361-366 (1995).
  21. Barbero, M., et al. Test-retest reliability of pain extent and pain location using a novel method for pain drawing analysis. European Journal of Pain. 19 (8), 1129-1138 (2015).
  22. Dixit, A., Lee, M. Quantification of Digital Body Maps for Pain: Development and Application of an Algorithm for Generating Pain Frequency Maps. JMIR Formative Research. 6 (6), e36687 (2022).
  23. Borsook, D., Upadhyay, J., Hargreaves, R., Wager, T. Enhancing choice and outcomes for therapeutic trials in chronic pain: N-of-1+ imaging (+ i). Trends in Pharmacological Sciences. 41 (2), 85-98 (2020).
  24. Weiss, B. D. Help patients understand. Manual for Clinicians. AMA Foundation. , (2007).
  25. Bradski, G. The OpenCV Library. Dr. Dobb’s Journal of Software Tools. (120), 122-125 (2000).
  26. . Male And Female Body Front And Back View. Blank Human Body Template For Medical Infographic. Isolated Vector Illustration. Royalty Free SVG, Cliparts, Vectors, And Stock Illustration. Image 95218807. 123RF. , (2023).
  27. Van Rossum, G., Drake, F. L. . Python 3 Reference Manual. , (2009).
  28. Shannon, C. E. A mathematical theory of communication. The Bell System Technical Journal. 27 (3), 379-423 (1948).
  29. Timme, N. M., Lapish, C. A Tutorial for Information Theory in Neuroscience. eNeuro. 5 (3), 0052-0018 (2018).
  30. Cohen, M. X. . Analyzing Neural Time Series Data: Theory and Practice. , (2014).
  31. Freedman, D., Diaconis, P. On the histogram as a density estimator:L 2 theory. Zeitschrift for Wahrscheinlichkeitstheorie und Verwandte Gebiete. 57 (4), 453-476 (1981).

Play Video

Diesen Artikel zitieren
Kwong, J., Lin, J., Leriche, R., Wozny, T. A., Shaughnessy, A., Schmitgen, A., Shirvalkar, P. Quantifying Pain Location and Intensity with Multimodal Pain Body Diagrams. J. Vis. Exp. (197), e65334, doi:10.3791/65334 (2023).

View Video