使用多模态疼痛身体图量化疼痛位置和强度

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。