Summary
Nuvarande smärtskalor som används för att kvantifiera smärtans svårighetsgrad, såsom visuella analoga skalor, misslyckas med att fånga komplexiteten i subjektiva smärtupplevelser. Smärtkroppsdiagram är kvalitativa men kan vara mer informativa. Målet med denna metod är att extrahera kvantitativa mätvärden från smärtkroppsdiagram med hjälp av ny tryck-nyanstransformation.
Abstract
För att kvantifiera en individs subjektiva smärtsvårighetsgrad används ofta standardiserade smärtskattningsskalor som den numeriska betygsskalan (NRS), visuell analog skala (VAS) eller McGill pain questionnaire (MPQ) för att bedöma smärta på en numerisk skala. Dessa skalor är dock ofta partiska och misslyckas med att fånga komplexiteten i smärtupplevelser. Däremot kräver klinisk praxis ofta att patienter rapporterar områden med smärta genom att rita på ett kroppsdiagram, vilket är ett effektivt men kvalitativt verktyg. Metoden som presenteras här extraherar kvantifierbara mätvärden från smärtkroppsdiagram (PBD) som valideras mot NRS-, VAS- och MPQ-smärtskalorna. Genom att använda en ny tryck-nyans-transformation på en digital surfplatta kan olika rittryck som appliceras med en digital penna representeras som olika nyanser på en PBD. Detta ger ett visuellt intuitivt diagram över nyanser som sträcker sig från grönt till blått till rött, vilket representerar milda till måttliga till mest smärtsamma regioner. För att kvantifiera varje PBD definierades nya smärtmått: (1) PBD-medelintensitet, som är lika med summan av varje pixels nyansvärde dividerat med antalet färgade pixlar, (2) PBD-täckning, som är lika med antalet färgade pixlar dividerat med det totala antalet pixlar på kroppen, och (3) PBD-summaintensitet, som är lika med summan av alla pixlars nyansvärden. Med hjälp av korrelations- och informationsteoretiska analyser visade sig dessa PBD-mått ha hög överensstämmelse med standardiserade smärtmått, inklusive NRS, VAS och MPQ. Sammanfattningsvis kan PBD:er ge ny rumslig och kvantitativ information som upprepade gånger kan mätas och spåras över tid för att på ett heltäckande sätt karakterisera en deltagares smärtupplevelse.
Introduction
Kronisk smärta är ett försvagande neuropsykiatriskt tillstånd som drabbar över 50 miljoner vuxnai USA. Vanliga kliniska verktyg för att spåra subjektiv smärtintensitet (t.ex. den numeriska skattningsskalan [NRS] eller den visuella analoga skalan [VAS]) är dock reduktionistiska och misslyckas med att kommunicera den komplexa karaktären hos smärtsymtomens intensitet som spänner över somatosensoriska, kognitiva eller affektiva domäner 2,3. Att noggrant spåra en individs smärtintensitet är avgörande för diagnos av smärtsyndrom, övervakning av sjukdomsprogression och bedömning av den potentiella effekten av terapier som mediciner eller hjärnstimulering.
Det allmänt använda NRS-smärtintensitetsverktyget kräver att försökspersonen betygsätter smärtintensiteten som ett heltalsvärde från 0-10, vilket representerar ingen smärta till den värsta möjliga smärtan. Även om NRS är lätt att administrera och förstå, begränsas det av respondenternas förankringsbias, förväntningsbias och variabel tolkning av individuella värden 4,5; Dessa begränsar också jämförelser mellan deltagare. VAS, en kontinuerlig skala från 0-100, kan minska effekterna av förankring men kan fortfarande möta liknande begränsningar som NRS4. Flera studier har visat en hög grad av överensstämmelse mellan NRS och VAS för kronisk ländryggssmärta6,7 och klinisk praxis5, men konsensusriktlinjer belyser de många bristerna med att förlita sig på liknande skalor i utformningen eller tolkningen av kliniska smärtprövningar 8,9. Det kortblanka McGill pain questionnaire 2 (MPQ) dissekerar ytterligare de somatosensoriska och affektiva dimensionerna av smärta med hjälp av bedömningar av verbala deskriptorer10, för att hjälpa till att skilja mellan sensorisk och affektiv smärtdimension11. Även om dessa smärtskattningsskalor vanligtvis används för att spåra smärtintensitet12,13, misslyckas de med att fånga detaljerad topografisk information som smärtplats eller intensitetsvariation mellan kroppsregioner.
Smärtkroppsdiagram (PBD) är ett öppet, fritt format smärtbedömningsverktyg som gör det möjligt för respondenter att illustrera en visuell representation av smärtans plats och intensitet på en schematisk människokroppskontur14,15. PBD är ett effektivt kommunikationsverktyg mellan deltagare och vårdgivare som hjälper till att spåra smärtsymtom longitudinellt16. PBD:s grafiska friformsformat kan minska förankringsbias. De senaste ändringarna av PBD:er, t.ex. införandet av könsspecifika kroppsdiagram, har ökat deras effektivitet som kommunikationsverktyg genom att anpassa den visuellt representerade kroppsformen till respondentens anatomi, vilket ökar självidentifieringen och svarsnoggrannheten17. Dessutom har användningen av färg för att beteckna intensitet visat sig möjliggöra effektiv kommunikation av smärtsymtom som övervinner kulturella och språkbarriärer. Till exempel valdes färgerna vitt och rött oftast för att indikera ingen smärta respektive svår smärta i en Hmong-patientpopulation18. PBD är ett effektivt verktyg19,20, men de har begränsats av sin kvalitativa karaktär.
Användningen av PBD på digitala surfplattor har avsevärt utökat de tillgängliga verktygen för att kvantifiera smärtans lokalisering och intensitet. Barbero et al. kvantifierade smärtomfattningen eller antalet pixlar som ritades inom en PBD hos patienter med kronisk smärta i nedre delen av ryggen och nacken och visade god test-retest-reliabilitet och signifikant korrelation med VAS-mått21. Kroppsdiagram har också analyserats för att skapa smärtfrekvenskartor för att visa de mest till minst smärtsamma områdena på kroppen21,22. Även om dessa metoder kvantifierar rumslig smärtinformation, har hittills ingen metod införlivat både smärtintensitet och plats i sammansatta mått.
Följande protokoll visar en metod för att erhålla nya, visuellt intuitiva, färgade PBD:er och extrahera tre kvantitativa mätvärden som tillsammans återspeglar en sammansättning av smärtintensitet och platsinformation. För att göra detta valdes fem deltagare som genomgick en forskningsstudie av djup hjärnstimulering (DBS) för refraktär kronisk neuropatisk smärta ut för att testa det nuvarande tillvägagångssättet, med hjälp av en N-of-1-studiedesign23. Deltagarna instruerades att rapportera intensiteten av sina tillfälliga smärtsymtom genom att applicera olika nivåer av penntryck på en tablettillustrationsapplikation för att producera färgnyanser som motsvarade varierande smärtintensiteter på olika kroppsplatser. PBD-härledda mått på täckning, summaintensitet och medelintensitet jämfördes med vanligare validerade smärtmått (dvs. NRS, VAS och MPQ) med hjälp av statistiska och ömsesidiga informationsanalyser (MI).
Under en 10-dagars sjukhusvistelse slutförde patienter som genomgick utvärdering PBD (medelvärde ± standardavvikelse (SD) = 121,8 ± 34,3 PBD per patient; intervall 84-177; 609 PBD totalt) utöver validerade smärtskalor som NRS, VAS och MPQ flera gånger dagligen. PBD:er samlades in via en surfplatteapplikation och laddades upp som tidsstämplade filer till säkrade forskningsservrar när de var klara. Smärtintensitet NRS, VAS och MPQ förvärvades med hjälp av REDCap enkätverktyg, en säker webbapplikation. Både enkäter och PBD administrerades personligen av forskningsassistenter för att säkerställa att patienterna fick den hjälp de behövde för att slutföra sina utvärderingar korrekt. Följande steg beskriver PBD-inställning, deltagarinstruktion, datainsamling och PBD-analys som används för att på ett tillförlitligt sätt kvantifiera smärta (figur 1).
Protocol
Detta PBD-protokoll implementerades i ett överordnat kliniskt prövningsprotokoll (NCT03029884), godkänt av UCSF Human Research Protection Program och FDA. Varje deltagare (3 kvinnor och 2 män, åldersintervall: 51-67 år) undertecknade skriftligt informerat samtycke; de rekryterades från UCSF:s smärtbehandlingscenter eller remitterades av läkare i USA.
1. Inställning av smärtkroppsdiagram
- Kriterier för patientinklusion: Inkludera deltagare med följande smärtdiagnoser: flera neuropatiska smärtetiologier, inklusive central smärta efter stroke (2 patienter) och neurodegenerativ ryggradssjukdom med radikulär smärta (1 patient), komplext regionalt smärtsyndrom (1 patient) och ryggmärgsskada (1 patient). Samtliga deltagare har genomgått eftergymnasial utbildning.
- Importera en könsanpassad PBD-mall (tilläggsfigur 1), som visar både fram- och baksidan, till ett illustrationsprogram som innehåller ett tryckkänsligt ritverktyg på en pekkänslig digital surfplatta. Ladda ner PBD-mallen till surfplattans fotobibliotek och klicka sedan på knappen Importera .
- Skapa ett nytt lager ovanpå PBD-mallen genom att klicka på ikonen Lager följt av + -knappen som deltagaren kan rita på. Detta resulterar i två lager, ett med PBD och ett som ska ritas in med färger som indikerar smärta.
- Skapa en ny pensel med en x=y-omformningskurva för tryck till nyans genom att först klicka på ikonen Penselbibliotek och sedan på + för att öppna penselstudion.
- Klicka på knappen märkt Färgdynamik och scrolla sedan ner till avsnittet om färgtryck. För nyansreglaget klickar du på Numerisk procentsats för att säkerställa att trycktransformationsgrafen visualiserar en rak 45°-linje.
OBS: Om du dubbelklickar på grafen får du möjlighet att återställa grafen till den raka x=y-grafen. - För att definiera nyansgradientintervallet från grönt till blått till rött, justera nyansreglaget under färgtryck sektion genom att klicka på Procenttal listat och mata in ett numeriskt värde på 81 %.
Ett annat sätt att göra detta är att ange hexadecimala gränser på #008000 till #FF0000 om programmet tillåter manuell inmatning av hexakoder. - Välj en pennstorlek som passar studiedeltagarnas behov genom att justera pennverktygets reglage. En pennstorlek på 30 % är en bra startstorlek för de flesta deltagare.
2. Anvisningar till deltagarna
- Beskriva PBD-anatomin och orienteringen av kroppsmallarna i stående läge, rit- och raderingsverktygen, den taktila nyp-för-att-zooma och panoreringsfunktionen för patienten.
- Förklara den linjära transformationen av tryck till nyans för deltagarna på följande sätt: informera deltagarna om att ökat tryck som appliceras på pennan kommer att resultera i nyanser som skiftar från grönt till blått till rött som bör färgas in i diagrammet för att representera mild till måttlig till svår smärtintensitet på en viss plats.
- Använd teach-back-metoden24 och bekräfta deltagarens förståelse av PBD-uppgiften genom att be dem förklara hur man fyller i diagrammet med sina egna ord.
- Ge deltagarna minst 15 minuters övningstid för att rita flera PBD:er på en plan yta för att säkerställa korrekt representation av smärtans placering och intensitet. Tillåt att eventuella justeringar görs för att maximera användbarheten. Granska PBD:erna direkt efteråt med varje deltagare för att säkerställa konsekvens och att färgerna ritas som avsett.
3. Datainsamling och förbehandling
- Be deltagarna att fylla i PBD under baslinjen eller vid olika tidpunkter efter någon behandling eller intervention. Räkna med en obegränsad tid för slutförandet av varje PBD så att varje karta kan slutföras till deltagarens belåtenhet.
- Spara slutförda PBD:er med ett standardiserat filnamn som innehåller patient-ID samt datum och tid när PBD slutfördes.
OBS: Dessa files sparas tillfälligt på surfplattan. - Massexport slutförda PBD:er i antingen Portable Document Format (.PDF) eller Photoshop Document (.PSD) filformat som behåller bildlager för förbearbetning. Om du vill massexportera klickar du först på ikonen Välj för att välja önskade bilder och klickar sedan på Dela för att öppna en meny med bildformat för export. Klicka på den formatfil du vill använda.
OBS: Exporterade filer laddas upp till en säker forskningsserver. - Ladda ner PBD:er och öppna i en rasterbaserad bildredigerare.
- Isolera de färgade pixlarna av intresse från det översta lagret i PBD-filen genom att lägga till två maskeringslager: ett helt svart lager under det infärgade lagret och ett svart masklager för att utesluta pixlar utanför mallens brödtextkontur ovanför det infärgade lagret. Detta kommer att resultera i bearbetade PBD:er som endast innehåller de färgade pixlarna i brödtextens kontur på en svart bakgrund (figur 1).
- Exportera de bearbetade PBD:erna som portabla nätverksgrafikfiler (.png) genom att klicka på och välja följande knappsekvens: Exportera > Exportera > Exportera som > PNG > Exportera.
4. PBD-kvantifiering
- Konvertera varje pixelvärde i PBD från RGB-färgrymden (röd, grön, blå) till HSV-färgrymden (nyans, mättnad, värde) med OpenCV225, ett offentligt tillgängligt Python-paket. Extrahera nyansvärdet för varje pixel genom att köra python-skripten med titeln rgba2hsv(filename) (Supplementary Coding File 1) och measure_SAnoblur(filename, sigma-1.0) (bild 1).
OBS: Dessa skript kvantifierar och justerar nyansvärden för att skapa en kontinuerlig nyansskala från 0-139,5. HSV-värdena på OpenCV2 sträcker sig från 0-179. Den ljusaste gröna, som representerar den minsta smärtintensiteten, motsvarar nyansvärdet på 39,5. Vissa röda nyanser motsvarar värden mellan 0-10. Gula och orange färger som motsvarar nyansvärden mellan 10-39,5 används inte av ritstiftet. De röda nyansvärdena från 0-10 omtilldelas till 179 för att korrekt representera den mest smärtintensiva intensiteten. Nyansskalan sträcker sig från 39,5-179 efter denna justering. Sedan subtraheras 39,5 från varje nyansvärde så att den slutliga skalan sträcker sig från 0-139,5. - Beräkna och normalisera de tre PBD-måtten genom att köra Python-skriptet med namnet quantifypain(filename) (Supplementary Coding File 1).
- Skriptet beräknar varje mått enligt beskrivningen nedan.
- PBD-täckning: Dividera antalet färgade pixlar med det totala antalet pixlar som är tillgängliga i brödtextdiagrammet. Intervallet för antalet färgade pixlar för kvinnor är 0 till 820 452 pixlar (totalt antal pixlar) och intervallet för män är 0 till 724 608 pixlar (totalt antal pixlar).
- PBD-summaintensitet: Lägg till nyansvärdena för alla pixlar i brödtextdiagrammet. Intervallet för summan av nyansvärden för kvinnor är 0 till 114 453 054 och intervallet för män är 0 till 101 082 816.
- PBD medelintensitet: Dividera summan av alla nyansvärden med det totala antalet färgade pixlar.
- Använd skriptet för att normalisera alla PBD-mått på en skala från 0 till 100 genom att följa beräkningarna som beskrivs nedan.
- PBD-täckning: Multiplicera PBD-täckningen med 100.
- PBD-summa: Dividera PBD-summaintensiteten med den maximala PBD-summaintensiteten och multiplicera med 100. Den maximala PBD-summaintensiteten är lika med det totala antalet pixlar i kroppsdiagrammet multiplicerat med 139,5 (dvs. för kvinnor är det 820 452 pixlar multiplicerat med 139,5 vilket är lika med 114 453 054; för män är det 724 608 pixlar multiplicerat med 139,5 vilket är lika med 101 082 816).
- PBD-medelvärde: Dividera PBD-medelintensiteten med det maximala nyansvärdet på 139,5 och multiplicera med 100.
- Skriptet beräknar varje mått enligt beskrivningen nedan.
- Upprepa steg 4.1 och 4.2 för att bearbeta varje PBD-fil (med filnamnstillägget .png). Sammanställ resultaten i ett kalkylblad för att köra ytterligare analyser.
Representative Results
PBD-medelvärdet, summan och täckningen ger unik information om smärtreaktioner som inte fångas i andra standardiserade smärtskalor. Mellan de två PBD:erna (Figur 2A,B) är den genomsnittliga smärtintensiteten identisk (PBD-medelvärde = 79,6). En ökad täckning och summa avslöjar dock den större rumsliga spridningen av smärta respektive total smärtintensitet som skiljer de två PBD:erna åt (Figur 2B). För att exakt kvantifiera smärta med hjälp av dessa mätvärden bör forskare undvika följande vanliga PBD-inställningsfel (figur 2C). Alltför stor penntjocklek och ovidkommande element utanför kroppens kontur, t.ex. cirklande kroppsregioner eller skriftliga deskriptorer, kommer inte att fångas upp i PBD-bearbetningen. På samma sätt kommer en vit penna som används för att ta bort färg snarare än suddgummiverktyget att förvränga PBD-mått. Övning och förstärkt instruktion kommer att ge patienterna möjlighet att skapa exakta och kvantifierbara PBD:er som avslöjar variabilitet i smärtintensitet och distribution.
PBD-måtten validerades mot NRS, VAS och MPQ (figur 3B; Kompletterande figur 2) och fick höga poäng i användbarhet (kompletterande figur 1 och kompletterande figur 2).
PBD-mått korrelerade med standardmått för smärta
PBD-måtten korrelerades med NRS, VAS och MPQ för de flesta patienter (Figur 3A, tilläggsfigur 1A,B). Hos fyra av fem patienter korrelerades PBD-summan, täckningen och medelvärdet till deras VAS och NRS (Spearmans korrelation, rs = 0,33-0,72, p < 0,004, tilläggstabell 1). För tre av fem deltagare var PBD-mått också signifikant korrelerade med MPQ-poäng (Spearmans korrelation, rs = 0,38-0,53, p < 0,004, tilläggstabell 1). Patient 4 visade dock inga signifikanta korrelationer mellan PBD-måtten och standardsmärtskattningar. Vi karakteriserade vidare icke-linjära samband mellan PBD och standardmått med hjälp av informationsteoretiska analyser (kompletterande figur 2).
PBD-mått undviker svarsförankring och delar ömsesidig information med standardmått för smärta
PBD-måtten innehöll mer information (dvs. entropi) än NRS. Hos patienterna innehöll NRS mindre information (2,32 ± 0,37 bitar) jämfört med VAS-intensitet, VAS-obehag, MPQ totalt, PBD-summa, PBD-täckning och PBD-medelvärde (3,21 ± 0,49 bitar, 3,20 ± 0,31 bitar, 3,16 ± 0,23 bitar, 3,06 ± 0,32 bitar, 3,34 ± 0,16 bitar, 3,22 ±respektive 0,39 bitar; Kompletterande figur 2). Detta bekräftades med ett enkelriktat upprepat mått ANOVA (F(4,1) = 12,10, p < 0,05) och ett Tukeys t-test för individuella jämförelser (alla p < 0,05). Detta visar att PBD-mått hade mindre svarsförankring än NRS.
PBD validerades ytterligare mot etablerade mätvärden genom ömsesidig informationsanalys (permutationstestning, α=0,05). Hos fyra av fem patienter delade PBD-mätvärden signifikant hjärtinfarkt med NRS, VAS-intensitet, VAS-obehag och MPQ (p < 0,05, figur 3B). Däremot delade patient 4:s PBD-mått inte signifikant hjärtinfarkt med etablerade mätvärden. Eftersom deras NRS innehöll minst information bland patienterna (tilläggsfigur 2), tyder detta på att NRS misslyckades med att fånga nyanser i smärtupplevelsen som fångades upp av PBD. Hos alla patienter delade NRS signifikant hjärtinfarkt med VAS-intensitet, VAS-obehag och MPQ medan PBD-summan delade hjärtinfarkt med PBD-täckning och PBD-medelvärde (p < 0,05, figur 3B). Sammantaget, för de flesta patienter, delade PBD-måtten hjärtinfarkt med etablerade smärtmått.
PBD:er var lätta att använda för de flesta deltagare
I studien tyckte fyra av de fem patienterna att PBD var lätt att använda och att det korrekt återspeglade deras smärta (tilläggstabell 2). Patient 4 rapporterade dock att PBD var svår att använda (5 på en 5-gradig Likertskala). Detta beror främst på att de har djup, visceral smärta - som inte fångas väl i en 2-dimensionell (2D) PBD. Medan patienterna varierade i sin förtrogenhet med PBD (2,8 ± 1,2, intervall 1-4, 5-gradig Likert-skala), använde de alla jämförbar elektronik dagligen (5,0 ± 0,0, 5-gradig Likert-skala) och fann att PBD var användarvänlig (5,2 ± 0,4, intervall 5-6, 6-gradig Likert-skala).
Figur 1. Arbetsflöde för analys av smärtkroppsdiagram (PBD). Patienterna använde sig av tomma PBD-mallar för att representera smärtans läge och intensitet. Färdiga PBD:er innehöll nyanser som sträckte sig från grönt till blått till rött, vilket representerade milda till måttliga till svåra smärtregioner. PBD:er maskerades för att endast inkludera pixlar i brödtextkonturen och sedan togs mallen bort för att endast isolera pixlar som innehåller nyanser. Från PBD:erna beräknades PBD-täckning (%), summaintensitet (normaliserad till 0-100) och medelintensitet (normaliserad till 0-100). För PBD-täckning dividerades antalet färgade pixlar först med det totala antalet pixlar i diagrammet (820 452 pixlar för kvinnor, 724 608 pixlar för män) och multiplicerades sedan med 100. För PBD-summaintensitet summerades först nyansvärdena för alla pixlar i brödtextdiagrammet (kvinnligt intervall: 0-114 453 054; manligt intervall: 0-101 082 816). Summan dividerades sedan med den maximala PBD-summaintensiteten (kvinnor: 820 452 pixlar multiplicerat med maximalt nyansvärde 139,5, män: 724 608 pixlar med 139,5) och multiplicerades med 100. För PBD-medelintensitet dividerades summan av alla nyansvärden med det totala antalet färgade pixlar och normaliserades sedan genom att dividera med det maximala nyansvärdet på 139,5. Klicka här för att se en större version av denna figur.
Figur 2. Representativa PBD:er som visar exempel på bra och dåliga PBD:er. (A,B) Bra PBD:er visar nyttan av att beräkna 3 smärtmått. (C) Dåliga PBD-exempel inkluderar för tjock pennstorlek, ovidkommande element utanför brödtextdiagrammet och felaktig radering. Klicka här för att se en större version av denna figur.
Figur 3. PBD-mått validerades mot standardmått för smärta via Spearmans korrelations- och ömsesidiga informationsanalyser. (A) VAS-intensitet och PBD-summa plottad med linjära linjer som passar bäst för varje patient. (B) Data på gruppnivå som visar den genomsnittliga ömsesidiga informationen (MI) mellan varje smärtmått, med MI indikerat med färgfält till höger. Texten i varje ruta representerar antalet patienter med statistiskt signifikant hjärtinfarkt för en given parvis jämförelse (t.ex. 3/5 indikerar 3 patienter med signifikanta värden). MI presenteras av det observerade MI dividerat med det teoretiska maxvärdet MI. Förkortningar: NRS = numerisk betygsskala; VAS-intensitet = visuell analog skalintensitet; VAS unpl. = visuell analog skala smärta obehag, MPQ = kortform McGill smärtfrågeformulär 2; PBD = smärtkroppsdiagram; PBD cov. = PBD-täckning, MI = ömsesidig information, sig. = signifikant. Klicka här för att se en större version av denna figur.
Kompletterande figur 1. PBD-medelvärde (A) och PBD-täckning (B) plottas mot VAS-intensitet med linjära linjer för bästa passform ritade för varje patient. Förkortningar: VAS = visuell analog skala; PBD=smärtkroppsdiagram. Klicka här för att ladda ner den här filen.
Kompletterande figur 2. Entropi per smärtmått för patienter. På gruppnivå hade NRS-intensiteten lägre entropi än alla andra smärtmått, vilket visas av en upprepad enkelriktad ANOVA följt av Tukeys test post-hoc för specifika jämförelser * = p < 0,05 , ** = p < 0,001. Förkortningar: NRS = numerisk betygsskala; VAS = visuell analog skala; MPQ = McGill smärtfrågeformulär; PBD=smärtkroppsdiagram. Klicka här för att ladda ner den här filen.
Kompletterande tabell 1. Spearmans korrelationer mellan PBD-mått och självrapporterade standardmått på smärta. Spearmans korrelationskoefficienter (rho) för tre extraherade PBD-mått mot NRS-, VAS- och MPQ-smärtmått. Förkortningar: NRS = numerisk betygsskala; VAS = visuell analog skala; MPQ = McGill smärtfrågeformulär; PBD=smärtkroppsdiagram. Klicka här för att ladda ner den här filen.
Kompletterande tabell 2. Patienternas intryck av att ha genomfört en PBD avslöjades genom PBD-specifika och systemanvändbarhetsmodifierade frågor. Frågorna på den modifierade användbarhetsskalan alternerade i positiva och negativa påståenden och rangordnades på en 5-gradig skala (1=instämmer helt, 5=instämmer inte alls). Förkortning: PBD = pain body diagram. Klicka här för att ladda ner den här filen.
Kompletterande kodningsfil 1: Python-skript för PBD-mått. Den kommenterade python-koden bearbetar en PNG-fil med smärtkroppsdiagram och matar ut PBD-medelvärde, täckning och summavärden för varje fil. Skriptet innehåller också importinstruktioner för att ladda ned de paket som krävs för att programmet ska kunna köras. Klicka här för att ladda ner den här filen.
Tilläggsfil 1: Kompletterande fil för metodologiska detaljer. Klicka här för att ladda ner den här filen.
Discussion
Kritiska steg i protokollet
De viktigaste stegen inkluderar: PBD-inställning, patientinstruktioner och förbehandling. För PBD-inställning bör varje könsspecifik PBD visualisera en fram- och baksida26 och överlagras med ett tomt lager på ett illustrationsprogram för att isolera nyansvärden. Dessutom måste pennstorleken uppfylla patienternas illustrationsbehov och nyansgradienter måste definieras för att kvantitativt analysera PBD:er. Patientinstruktioner och förståelse för verktyget är grundläggande för tillförlitliga data. Tillräckligt med tid bör avsättas för att deltagarna ska kunna öva på att implementera verktyget i PBD. Använd teach-back-metoden för att bekräfta deltagarnas förståelse av uppgifter och undersökningar med jämna mellanrum under testningen, ungefär en gång var 10:e PBD. För att hålla reda på enskilda PBD:er är det också en bra idé att namnge varje fil med en unik titel och tidsstämpel efter slutförandet. Efter datainsamling kan varje PBD-mått extraheras med hjälp av Python27-skript (se Kompletterande kodningsfil 1). Måtten på PBD-täckning, summaintensitet och medelintensitet kan upprepas före och efter varje behandling eller intervention för att spåra smärtreaktioner hos patienten. För att extrahera dessa mätvärden bör en forskare som inte är direkt involverad i datainsamlingen lägga över svarta masklager för att isolera endast färger som ritats inuti brödtextkonturen och sedan beräkna HSV-pixelvärden med hjälp av anpassad programkod som tillhandahålls som tilläggsfil 1.
Modifieringar och felsökning i tekniken
Metodstegen förfinades under datainsamlingen av patient 1. Dessa inkluderar att ge patienterna mer tid att bekanta sig med att kontrollera pennans tryckkänslighet, korrekt ställa in kroppsdiagramlager för senare maskering och analys, begränsa användningen av symboler eller ord på PBD:er och justera den absoluta penntryckskänsligheten i enlighet med varje deltagares styrka och fingerfärdighet (även om omvandlingen mellan relativt tryck och nyans förblev konstant). Patienterna fick välja sin pennstorlek för att bäst representera sin smärta; Att välja en fast storlek kan dock möjliggöra bättre framtida jämförelser mellan patienter. I framtida iterationer kan prototyper av en metod som använder en färgkanal (t.ex. röd, grön eller blå) och variera färgens ljusstyrka baserat på penntryck minimera eventuell förlust av precision vid konvertering från RGB till HSV-färgrymd.
Teknikens begränsningar
PBD kräver att patienterna har tillräcklig motorisk styrka och fingerfärdighet i minst en övre extremitet med god finmotorisk förmåga i fingrarna som ett minimum för att slutföra diagram självständigt och för att korrekt översätta sin smärtupplevelse via tryck. Medan vanliga smärtmått som NRS och MPQ kan matas in på papper eller ett tangentbord av en assistent genom verbal kommunikation, är denna modifiering med PBD ännu inte validerad. PBD:er saknar också djup som en tvådimensionell illustration. Detaljnivån i ett tredimensionellt kroppsdiagram har kvalitativt demonstrerats för att utöka kommunikationen av smärtinformation17. Genom att ytterligare karakterisera smärtans djup kan man fånga upp ny smärtinformation som inte undersöks i skalor som NRS, VAS och MPQ. Kroppsdiagram är för närvarande inte utformade för att fånga mer abstrakt somatisering eller djupare former av smärta. Till exempel rapporterade patient 4 själv att smärtplatsen och smärtintensiteten inte var väl karakteriserade av kroppsdiagrammet i användbarhetsundersökningen, eftersom han ansåg att de inte fångade hans inre neuropatiska smärta. Patient 5 ritade ofta prickade linjer i kroppsdiagram för att indikera tyngd i kroppen, vilket kan förvirra metriska beräkningar. Framtida PBD-iterationer kan utökas till att representera somatisering av smärta eller visceral smärta i en kvantifierbar metod. Slutligen analyserades PBD:er i ett N-of-1-ramverk, där nästan 100 separata PBD:er genererades för varje deltagare. Analyser på gruppnivå var inte möjliga på grund av det låga antalet deltagare. Därför kunde test-retest-reliabiliteten inte fastställas i denna studie eftersom svaren på NRS-skalor står inför förankringsbias, vilket tyder på att samma NRS-poäng kanske inte är likvärdiga med samma PBD:er som testades efter försöket. Framtida forskning kommer att behövas för att utvärdera PBD-mått i en gruppvis analysmiljö och metodens test-retest-reliabilitet i ett större urval.
Metodens betydelse i förhållande till befintliga metoder
PBD har använts i stor utsträckning i kliniska och forskningsmiljöer för att demonstrera en deltagares smärtintensitet i hela kroppen14,15, men detta verktyg förblev till stor del begränsat av dess kvalitativa karaktär. Medan digital smärtkartläggning har använts för att longitudinellt spåra kronisk smärta16, saknade patienterna förmågan att representera smärtintensitet och plats i en kombinerad, exakt teknik. Denna nya tryck-nyans-transformation införlivad med PBD:er ger sammansatta rumsliga och kvantitativa smärtmått som kan mätas och spåras upprepade gånger över tid för att fånga en deltagares smärtupplevelse. Här visade sig tre extraherade PBD-mått som differentiellt återspeglade smärtintensitet och plats inom en patient, dvs. PBD-täckning, summaintensitet och medelintensitet, ha hög validitet och överensstämmelse med standardiserade smärtmått såsom NRS-intensitet, VAS-intensitet, VAS-obehag och MPQ. Alla PBD-mått var korrelerade till VAS- och NRS-poängen hos fyra av fem patienter och signifikant korrelerade till MPQ hos tre av fem. Dessutom avslöjade informationsteoriansatsen 28,29,30,31 icke-linjära samband som inte upptäcktes med vanligare statistiska metoder. I studien hade fyra av fem patienter signifikant hjärtinfarkt mellan PBD-mått och NRS, VAS-intensitet, VAS-obehag och MPQ, vilket visar signifikant, men inte totalt, överlappning i informationsinnehåll. Således var PBD-måtten mycket överensstämmande med standardiserade smärtmått, men PBD-medelvärdet verkade återspegla en kombination av intensitet och platsinformation som inte fanns i konventionella smärtmått.
Framtida tillämpningar av denna teknik
De aktuella resultaten visar att PBD kan vara särskilt lämpliga för patienter som upplever och kvantifierar sin smärta på en icke-linjär skala. På samma sätt som verbala deskriptorer kan ge deltagarna ytterligare en dimension för att utvärdera smärta, ger PBD:erna en unik grafisk och tryckbaserad tolkning av deras smärta. Genom att implementera en ny tryck-nyans-omvandling ger kroppsdiagram information om plats, spridning och regional variation i smärtans intensitet, vilket så vitt vi vet inte har visats tidigare. Tillsammans med neurala data som samlats in under alla DBS-försök kan PBD-mått vara ett kraftfullt verktyg för att lokalisera smärta i olika kroppsregioner till olika hjärnregioner och hjälpa till att informera mekanistiska studier om smärtsignalvägar. Tryck-nyans-transformationen som implementeras i PBD kan användas i många kliniska och forskningsmiljöer för att analysera smärtlindring som svar på behandling eller jämföra smärta över tid. Denna metod producerar inte bara unika, visuellt intuitiva diagram för att bedöma smärta utan fångar också exakt en patients upplevelse bortom en enda numerisk poäng.
Disclosures
Författarna förklarar att forskningen genomfördes i avsaknad av kommersiella eller finansiella relationer som skulle kunna tolkas som en potentiell intressekonflikt.
Acknowledgments
Denna studie finansierades av National Institutes of Health-anslaget UH3-NS115631 till PS. Finansieringskällor godkände studiedesignen men hade ingen roll i studiegenomförande, dataanalys eller manuskriptförberedelse. Vi tackar också Dr. Edward F. Chang, Dr. Philip A. Starr och deltagarna i vår studie.
Materials
| Name | Company | Catalog Number | Comments |
| 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 |
References
- Yong, R. J., Mullins, P. M., Bhattacharyya, N. Prevalence of chronic pain among adults in the United States. Pain. 163 (2), e328-e332 (2022).
- 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).
- Bittar, R. G., et al. Deep brain stimulation for pain relief: A meta-analysis. Journal of Clinical Neuroscience. 12 (5), 515-519 (2005).
- 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).
- 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).
- 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).
- Strong, J., Ashton, R., Chant, D. Pain Intensity Measurement in Chronic Low Back Pain. The Clinical Journal of Pain. 7 (3), 209 (1991).
- Smith, S. M., et al. Interpretation of chronic pain clinical trial outcomes: IMMPACT recommended considerations. Pain. 161 (11), 2446 (2020).
- 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).
- Melzack, R. The McGill Pain Questionnaire: Major properties and scoring methods. Pain. 1 (3), 277-299 (1975).
- 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).
- Williamson, A., Hoggart, B. Pain: a review of three commonly used pain rating scales. Journal of Clinical Nursing. 14 (7), 798-804 (2005).
- 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).
- Schott, G. D. The cartography of pain: The evolving contribution of pain maps. European Journal of Pain. 14 (8), 784-791 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- Takata, K., Hirotani, H. Pain drawing in the evaluation of low back pain. International Orthopaedics. 19 (6), 361-366 (1995).
- 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).
- 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).
- 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).
- Weiss, B. D.
- Bradski, G.
- 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).
- Van Rossum, G., Drake, F. L. Python 3 Reference Manual. , CreateSpace. Scotts Valley, CA. (2009).
- Shannon, C. E.
- Timme, N. M., Lapish, C. A Tutorial for Information Theory in Neuroscience. eNeuro. 5 (3), 0052-0018 (2018).
- Cohen, M. X. Analyzing Neural Time Series Data: Theory and Practice. , (2014).
- 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).
