方法文章

使用多模态疼痛体图量化疼痛部位与强度

5.6K 次观看

⸱

DOI：

10.3791/65334

⸱

2023年7月7日

 ,  ,  ,  ,  ,  , 
1Anesthesiology (Division of Pain Management), University of California, San Francisco, 2Neurological Surgery and UCSF Weill Institute of Neurosciences, University of California, San Francisco, 3Anesthesiology (Division of Pain Management) and Neurological Surgery and UCSF Weill Institute of Neurosciences, University of California, San Francisco

* These authors contributed equally

本文内容

摘要

目前用于量化疼痛严重程度的疼痛量表（如视觉模拟量表）无法充分反映主观疼痛体验的复杂性。疼痛身体图虽为定性方法，但可能提供更丰富的信息。本方法旨在通过新型的压力-色调转换技术，从疼痛身体图中提取定量指标。

摘要

为了量化个体的主观疼痛严重程度，通常使用标准化的疼痛评分量表，例如数字评分量表（NRS）、视觉模拟量表（VAS）或麦吉尔疼痛问卷（MPQ），以数值形式评估疼痛。然而，这些量表常存在偏倚，难以全面反映疼痛体验的复杂性。相比之下，临床实践中常要求患者通过在人体图上绘制疼痛区域来报告疼痛部位，这种方法虽有效但属于定性工具。本文介绍的方法可从疼痛人体图（PBD）中提取可量化的指标，并与NRS、VAS和MPQ疼痛量表进行验证。通过在数字平板上应用一种新颖的压力-色相转换技术，使用数字笔时施加的不同绘图压力可表现为PBD上不同的色相。由此生成一幅从绿色（代表轻度疼痛）到蓝色（中度疼痛）再到红色（最剧烈疼痛区域）的直观可视化图谱。为了对每幅PBD进行量化，定义了以下新的疼痛指标：（1）PBD平均强度，等于所有着色像素的色相值之和除以着色像素的数量；（2）PBD覆盖范围，等于着色像素数量除以人体图总像素数量；（3）PBD总强度，等于所有像素色相值的总和。通过相关性分析和信息论分析，这些PBD指标显示出与标准化疼痛指标（包括NRS、VAS和MPQ）高度一致。综上所述，PBD能够提供新颖的空间和定量信息，可重复测量并随时间追踪，从而全面刻画受试者的疼痛体验。

引言

慢性疼痛是一种致残性的神经精神疾病，影响着美国超过5000万成年人1。然而，临床上常用的主观疼痛强度评估工具（如数字评分量表[NRS]或视觉模拟量表[VAS]）过于简化，无法全面反映疼痛症状强度在躯体感觉、认知或情感等多维度上的复杂特性2,3。准确追踪个体的疼痛强度对于疼痛综合征的诊断、疾病进展的监测以及评估药物或脑刺激等疗法的潜在疗效至关重要。

广泛使用的数字评分量表（NRS）要求受试者将疼痛强度评定为0到10之间的整数，其中0表示无痛，10表示可想象的最剧烈疼痛。尽管该量表易于实施和理解，但其结果易受应答者锚定偏差、期望偏差以及对各个数值解释不一致的影响4,5；这些因素也限制了受试者之间的可比性。视觉模拟量表（VAS）采用0到100的连续评分，可能减轻锚定效应的影响，但仍可能面临与NRS类似的局限性4。多项研究已证实，NRS与VAS在评估慢性下背痛严重程度6,7及临床实践5方面具有高度一致性，但共识指南强调，在临床疼痛试验设计或结果解读中依赖此类量表存在诸多不足8,9。简式麦吉尔疼痛问卷2（MPQ）通过评估一系列描述性词语的评分，进一步区分疼痛的躯体感觉和情感维度10，有助于辨别感觉性与情感性疼痛成分11。尽管这些疼痛评分量表常用于追踪疼痛强度12,13，但它们无法获取详细的疼痛分布信息，例如疼痛的具体位置或身体不同区域的疼痛强度变化。

疼痛体表图（PBDs）是一种开放式、自由形式的疼痛评估工具，允许受访者在简化的 schematic 人体轮廓图上直观地描绘疼痛的位置和强度14,15。PBDs 是参与者与医疗提供者之间有效的沟通工具，有助于纵向追踪疼痛症状16。PBDs 的自由图形格式可能减少锚定偏差。近年来对 PBDs 的改进，例如引入性别特异性体表图，通过使视觉呈现的身体形态与受访者的解剖结构一致，提高了自我认同感和应答准确性，从而增强了其作为沟通工具的有效性17。此外，使用颜色表示疼痛强度已被证明能够有效传达疼痛症状，克服文化和语言障碍。例如，在苗族患者群体中，白色和红色分别最常被用于表示无疼痛和剧烈疼痛18。尽管 PBDs 是一种有效的工具19,20，但其定性特征限制了其应用。

在数字平板设备上使用身体疼痛图（PBD）显著扩展了用于量化疼痛部位和强度的工具。Barbero 等人通过量化慢性下背痛和颈痛患者在 PBD 上绘制的疼痛范围（即绘制的像素数量），证明了该方法具有良好的重测信度，并且与视觉模拟量表（VAS）评分呈显著相关性21。此外，研究人员还分析了身体图以生成疼痛频率图，用以显示身体从最常疼痛到最少疼痛的区域分布21,22。尽管这些方法能够量化疼痛的空间信息，但迄今为止，尚无一种方法将疼痛强度与疼痛位置整合为复合指标。

以下方案展示了一种获取新颖、直观可视的彩色疼痛身体分布图（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与位置信息的综合情况。为此，采用单病例（N-of-1）研究设计23，选取了五名正在接受难治性慢性神经病理性疼痛深部脑刺激（DBS）临床研究的受试者，以验证该方法。要求受试者通过在平板电脑绘图应用程序中施加不同程度的笔压，报告其即时疼痛强度，从而生成对应不同身体部位疼痛强度的颜色色相。通过统计学分析和互信息（MI）分析，将PBD衍生的覆盖范围、总强度和平均强度三项指标，与更常用的经验证疼痛评估指标（即NRS、VAS和MPQ）进行比较。

在为期10天的住院期间，接受评估的患者除每日多次完成经过验证的疼痛量表（如NRS、VAS和MPQ）外，还完成了PBDs（每位患者平均±标准差（SD）= 121.8 ± 34.3次；范围为84–177次；总计609次PBDs）。PBDs通过平板电脑应用程序收集，并在完成后以带时间戳的文件形式上传至安全的研究服务器。疼痛强度的NRS、VAS和MPQ数据通过安全的网络应用程序REDCap调查工具获取。所有问卷和PBDs均由研究助理面对面发放，以确保患者获得准确完成评估所需的协助。以下步骤详细说明了PBD的设置、受试者指导、数据收集及PBD分析方法，用于可靠地量化疼痛(图1)。

方案

该PBD方案已纳入一项母体临床试验方案（NCT03029884），并获得加州大学旧金山分校（UCSF）人类研究保护项目和美国食品药品监督管理局（FDA）的批准。每位参与者（3名女性和2名男性，年龄范围：51-67岁）均签署了书面知情同意书；参与者由加州大学旧金山分校疼痛管理中心招募，或由美国的医生推荐。

1. 疼痛体表分布图设置

  1. 患者纳入标准：纳入具有以下疼痛诊断的参与者：多种神经病理性疼痛病因，包括中枢性卒中后疼痛（2例患者）和伴有根性疼痛的神经退行性脊柱疾病（1例患者）、复杂性区域疼痛综合征（1例患者）以及脊髓损伤（1例患者）。所有参与者均已完成高中以上教育。
  2. 将适合性别的PBD模板（补充图1），该模板显示身体的正面和背面，导入到配备有压力感应绘图工具的触控式数位板绘图应用程序中。将PBD模板下载至数位板的照片库，然后点击导入按钮。
  3. 通过点击图层图标，再点击+按钮，在PBD模板上方为参与者创建一个新图层用于绘制。这将生成两个图层，一个包含PBD模板，另一个用于以颜色标注疼痛区域。
  4. 通过首先点击画笔库图标，然后点击+以打开画笔工作室，创建一个具有x=y压力-色相转换曲线的新画笔。
  5. 点击标有颜色动态的按钮，然后向下滚动至颜色压力部分。对于色相滑块，点击数值百分比，以确保压力转换图呈现一条45°的直线。
    NOTE: 双击该图可选择将图形重置为标准的x=y直线图。
  6. 为定义从绿色到蓝色再到红色的色相渐变范围，可通过点击颜色压力部分下的色相滑块中的所列百分比数值，并输入81%的数值来调整。
    ​NOTE: 如果应用程序支持手动输入十六进制代码，另一种方法是输入#008000至#FF0000的十六进制范围。
  7. 通过调节笔刷工具的滑块，选择适合研究参与者需求的笔刷尺寸。对大多数参与者而言，30%的笔刷尺寸是一个良好的起始大小。

2. 参与者操作说明

  1. 向患者描述PBD解剖图以及人形模板在纵向模式下的方位，并介绍绘图与擦除工具、触控捏合缩放功能以及平移操作。
  2. 以如下方式向受试者解释压力到色相的线性转换：告知受试者，施加在触控笔上的压力越大，所呈现的颜色将从绿色逐渐变为蓝色，再变为红色，应使用这些颜色在图中相应区域进行着色，分别代表轻度、中度到重度的疼痛强度。
  3. 采用“回授教学法”24，通过让受试者用自己的语言解释如何填写该图，确认其对PBD任务的理解。
  4. 给予受试者至少15分钟的练习时间，在平坦表面上多次绘制PBD图，以确保疼痛位置和强度的准确表达。允许进行必要的调整以提升可用性。随后立即与每位受试者一起回顾所绘制的PBD图，确保一致性，并确认颜色已按预期绘制。

3. 数据采集与预处理

  1. 要求参与者在基线期或某种治疗或干预后的不同时间点完成身体图示（PBD）。为完成每份PBD提供充足且灵活的时间，以确保每位参与者能够满意地完成绘制。
  2. 将已完成的PBD以标准化的文件名保存，文件名中应包含患者编号以及完成PBD的日期和时间。
    注意：这些文件将临时保存在平板设备上。
  3. 批量导出已完成的PBD，文件格式可选择便携式文档格式（.PDF）或保留图像图层的Photoshop文档格式（.PSD），以便进行预处理。批量导出时，首先点击 选择 图标以选中所需图像，然后点击 分享 以打开导出格式菜单，选择所需的文件格式。
    注意：导出的文件将上传至安全的研究服务器。
  4. 下载PBD文件，并在基于栅格的图像编辑软件中打开。
  5. 通过添加两个蒙版层，从PBD文件的顶层中提取感兴趣的彩色像素：一个完全黑色的图层置于着色图层下方，另一个黑色蒙版图层置于着色图层上方，用于排除模板身体轮廓以外的像素。处理后得到的PBD图像将仅在黑色背景上保留身体轮廓内的彩色像素（图1）。
  6. 点击并依次选择以下按钮，将处理后的PBD导出为便携式网络图形（.png）文件：文件 > 导出 > 另存为 > PNG > 导出。

4. PBD 定量分析

  1. 使用 OpenCV225（一个公开可用的 Python 软件包）将 PBD 中每个像素的 RGB（红、绿、蓝）颜色空间值转换为 HSV（色相、饱和度、明度）颜色空间。通过运行名为 rgba2hsv(filename) 的 Python 脚本（补充代码文件 1）和 measure_SAnoblur(filename, sigma-1.0)（图 1）提取每个像素的色相值。
    注意：这些脚本对色相值进行量化和调整，以创建一个从 0 到 139.5 的连续色相尺度。OpenCV2 中的 HSV 值范围为 0 到 179。最浅的绿色代表最低疼痛强度，对应色相值为 39.5。某些红色色调对应的值在 0 到 10 之间。黄色和橙色（对应色相值在 10 到 39.5 之间）不被笔工具使用。将 0 到 10 范围内的红色色相值重新分配为 179，以正确表示最高疼痛强度。调整后，色相尺度范围为 139.5 到 179。然后从每个色相值中减去 39.5，使最终尺度范围为 0 到 139.5。
  2. 运行名为 quantifypain(filename) 的 Python 脚本（补充代码文件 1）来计算并归一化三个 PBD 指标。
    1. 该脚本按以下方式计算每个指标。
      1. PBD 覆盖率：将身体图中着色像素的数量除以身体图中可用的总像素数。女性的着色像素数量范围为 0 到 820,452 像素（总像素），男性的范围为 0 到 724,608 像素（总像素）。
      2. PBD 总强度：将身体图中所有像素的色相值相加。女性的色相值总和范围为 0 到 114,453,054，男性的范围为 0 到 101,082,816。
      3. PBD 平均强度：将所有色相值的总和除以着色像素的总数。
    2. 使用该脚本按照以下计算方法将所有 PBD 测量值在 0 到 100 的尺度上进行归一化。
      1. PBD 覆盖率：将 PBD 覆盖率乘以 100。
      2. PBD 总和：将 PBD 总强度除以最大 PBD 总强度，再乘以 100。最大 PBD 总强度等于身体图中的总像素数乘以 139.5（即，对于女性，820,452 像素乘以 139.5 等于 114,453,054；对于男性，724,608 像素乘以 139.5 等于 101,082,816）。
      3. PBD 平均值：将 PBD 平均强度除以最大色相值 139.5，再乘以 100。
  3. 重复步骤 4.1 和 4.2 处理每个 PBD（扩展名为 .png）文件。将输出结果汇编到电子表格中以进行进一步分析。

结果

PBD 的平均值、总和及覆盖范围能够提供其他标准化疼痛量表所无法捕捉的疼痛反应信息。在两种 PBD（图 2A、B）之间，平均疼痛强度相同（PBD 平均值 = 79.6）。然而，更高的覆盖范围和总和分别揭示了疼痛在空间上的更广泛分布以及更高的总体疼痛强度，从而区分了这两种 PBD（图 2B）。为了利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）。过粗的画笔厚度以及身体轮廓外的多余元素（例如圈出身体区域或添加文字描述）在 PBD 处理过程中将不会被识别。同样，使用白色画笔覆盖颜色而非使用橡皮擦工具，也会导致 PBD 指标出现偏差。通过练习和强化指导，可帮助患者绘制出准确且可量化的 PBD，从而揭示疼痛强度和分布的差异性。

PBD指标已通过NRS、VAS和MPQ进行验证（图3B；补充图2），并在可用性方面获得较高评分（补充图1和补充图2）。

PBD指标与标准疼痛指标的相关性
对于大多数患者，PBD指标与NRS、VAS和MPQ评分具有相关性（图3A，补充图1A,B）。在五名患者中的四名中，PBD总和、覆盖度和均值与VAS和NRS评分呈相关性（Spearman相关性分析，rs = 0.33–0.72，p < 0.004，补充表1）。在五名受试者中的三名中，PBD指标与MPQ评分也呈显著相关性（Spearman相关性分析，rs = 0.38–0.53，p < 0.004，补充表1）。然而，患者4未显示出PBD指标与标准疼痛评分之间的显著相关性。我们进一步利用信息论分析对 PBD与标准指标之间的非线性关系进行了表征（补充图2）。

PBD 指标避免了应答锚定效应，并与标准疼痛指标共享互信息
与 NRS 相比，PBD 指标包含更多信息（即熵值更高）。在不同患者中，NRS 所含信息量（2.32 ± 0.37 比特）低于 VAS 强度、VAS 不适感、MPQ 总分、PBD 总和、PBD 覆盖度和 PBD 均值（分别为 3.21 ± 0.49 比特、3.20 ± 0.31 比特、3.16 ± 0.23 比特、3.06 ± 0.32 比特、3.34 ± 0.16 比特、3.22 ± 0.39 比特；补充图 2）。单因素重复测量方差分析（F(4,1) = 12.10，p < 0.05）及 Tukey t 检验进行的个体间比较（所有 p < 0.05）进一步证实了该结果。这表明 PBD 指标相比 NRS 具有更少的应答锚定效应。

通过互信息分析（置换检验，α=0.05），进一步使用既定指标对PBD进行了验证。在5名患者中的4名中，PBD指标与NRS、VAS强度、VAS不适感以及MPQ显著共享互信息（p < 0.05，图3B）。相比之下，患者4的PBD指标与既定指标之间未显著共享互信息。由于该患者的NRS在所有患者中包含的信息量最少（补充图2），这表明NRS未能捕捉到PBD所能反映的疼痛体验的细微差异。在所有患者中，NRS与VAS强度、VAS不适感和MPQ之间均显著共享互信息，而PBD总和则与PBD覆盖度和PBD均值共享互信息（p < 0.05，图3B）。总体而言，对于大多数患者，PBD指标与既定的疼痛评估指标之间存在显著的互信息共享。

大多数参与者认为PBD易于使用
在本研究中，五名患者中有四名认为PBD易于使用，并能准确反映其疼痛程度（补充表2）。然而，患者4报告称PBD使用困难（在5点Likert量表上评分为5）。这主要是因为该患者经历的是深层内脏痛，而二维（2D）PBD难以充分捕捉此类疼痛。尽管患者对PBD的熟悉程度存在差异（2.8 ± 1.2，范围1–4，5点Likert量表），但所有患者日常均使用类似的电子设备（5.0 ± 0.0，5点Likert量表），并认为PBD具有良好的用户友好性（5.2 ± 0.4，范围5–6，6点Likert量表）。

figure-results-1
图 1．疼痛身体图（PBD）分析流程。 患者在空白的PBD模板上绘制以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相，分别代表轻度、中度和重度疼痛区域。对PBD进行掩膜处理，仅保留身体轮廓内的像素，然后移除模板，以分离出包含色相信息的像素。从PBD中计算出PBD覆盖面积（%）、总强度（归一化至0–100）和平均强度（归一化至0–100）。对于PBD覆盖面积，首先将着色像素的数量除以图中总像素数（女性为820,452像素，男性为724,608像素），再乘以100。对于PBD总强度，首先将身体图中所有像素的色相值相加（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 × 最大色相值139.5，男性：724,608像素 × 139.5），再乘以100。对于PBD平均强度，将所有色相值的总和除以着色像素的总数，再除以最大色相值139.5进行归一化。请点击此处查看该图的放大版本。

figure-results-2
图2．代表性疼痛身体图（PBD）示例，展示良好的与不良的PBD绘制情况。 （A,B）良好的PBD展示了计算三种疼痛指标的实用性。（C）不良的PBD示例包括笔画过粗、在身体图范围外添加无关元素以及擦除不准确。请点击此处查看该图的放大版本。

figure-results-3
图3. PBD指标通过Spearman相关性分析和互信息分析与标准疼痛指标进行了验证。 (AVAS 强度与 PBD 总和，分别绘制每位患者的线性最佳拟合线。B) 组水平数据显示各疼痛指标间的平均互信息（MI），右侧颜色条表示 MI 值。每个方框中的文字表示在特定两两比较中具有统计学显著 MI 的患者数量（例如，3/5 表示有 3 名患者具有显著值）。MI 以观察到的 MI 除以理论最大 MI 表示。缩写：NRS=数字评分量表；VAS intensity = 视觉模拟量表强度；VAS unpl. = 视觉模拟量表疼痛不适度；MPQ=简式麦吉尔疼痛问卷 2；PBD=疼痛身体图；PBD cov. = PBD 覆盖率；MI = 互信息；sig. = 显著。 请点击此处以查看此图的放大版本。

补充图1。 以每名患者的线性最佳拟合线绘制PBD平均值（A）和PBD覆盖范围（B）与VAS强度的关系图。缩写：VAS=视觉模拟评分；PBD=疼痛身体分布图。 请点击此处下载该文件。

补充图2. 不同患者中各疼痛指标的熵值。 在组水平上，经过单因素重复测量方差分析及后续Tukey检验进行特定比较，结果显示NRS强度的熵值显著低于其他所有疼痛指标，* = p < 0.05，** = p < 0.001。缩写：NRS=数字评分量表；VAS=视觉模拟量表；MPQ=麦吉尔疼痛问卷；PBD=疼痛体表分布图。请点击此处下载该文件。

补充表1. PBD指标与自报告标准疼痛测量之间的Spearman相关性。 三种提取的PBD指标与NRS、VAS和MPQ疼痛测量之间的Spearman相关系数（rho）。缩写：NRS=数字评分量表；VAS=视觉模拟量表；MPQ=麦吉尔疼痛问卷；PBD=疼痛体图。 请点击此处下载该文件。

补充表2. 患者对完成疼痛体表图（PBD）的体验通过PBD特异性问题及改良的系统可用性量表问题得以揭示。 改良的可用性量表问题采用正向与负向陈述交替的形式，评分采用5级评分制（1=非常同意，5=非常不同意）。缩写：PBD=疼痛体表图。请点击此处下载该文件。

补充代码文件 1： 用于 PBD 指标的 Python 脚本。 该带注释的 Python 代码可处理疼痛身体图（PBD）的 PNG 文件，并为每个文件输出 PBD 的均值、覆盖率和总和值。该脚本还包含导入语句，用于下载程序运行所需的软件包。请点击此处下载该文件。

补充文件 1：方法学细节的补充文件。 请点击此处下载该文件。

讨论

方案中的关键步骤
关键步骤包括：身体图示（PBD）设置、患者指导以及预处理。在PBD设置过程中，每种性别专用的PBD应包含正面和背面视图26，并在绘图软件中叠加一个空白图层，以分离色调值。此外，画笔尺寸必须满足患者的绘图需求，并需定义色调梯度，以便对PBD进行定量分析。患者对工具的理解与指导是获得可靠数据的基础。应为参与者预留充足时间，练习在PBD上使用该工具。在测试过程中，建议采用“回授教学法”定期检查参与者对任务和问卷的理解情况，大约每完成10个PBD检查一次。为便于追踪各个PBD，建议在完成每个图示后，以唯一名称和时间戳命名文件。数据采集完成后，可使用Python27脚本提取每个PBD的指标（参见补充编码文件1）。PBD覆盖面积、总强度和平均强度等指标可在任何治疗或干预前后重复测量，以追踪患者个体内的疼痛反应变化。为提取这些指标，应由一名未直接参与数据采集的研究人员，使用黑色遮罩图层覆盖，仅保留人体轮廓线内绘制的颜色，然后利用提供的自定义软件代码（见补充文件1）计算HSV像素值。

技术的改进与故障排除
在患者1的数据收集中，方法学步骤得到了优化。这些改进包括：给予患者更多时间来熟悉控制笔的压力敏感度；正确设置身体图层，以便后续进行遮罩和分析；限制在身体疼痛图（PBDs）上使用符号或文字；并根据每位受试者的力气和灵巧性调整笔的绝对压力敏感度（尽管相对压力与色调之间的转换关系保持不变）。允许患者自行选择笔的大小，以最准确地表达其疼痛；然而，采用统一的固定笔大小可能有助于未来更可靠的患者间比较。在后续版本中，可尝试设计一种仅使用单一颜色通道（如红色、绿色或蓝色），并通过笔压变化调节颜色明暗度的方法，以减少从RGB颜色空间转换至HSV颜色空间时可能发生的精度损失。

该技术的局限性
PBDs 要求患者至少在一侧上肢具备足够的基础运动力量和灵巧性，且手指的精细运动能力至少达到最低要求，才能独立完成绘图，并通过按压准确表达其疼痛体验。虽然标准疼痛评估指标（如 NRS 和 MPQ）可通过口头交流由助手代为纸面填写或键盘输入，但这种对 PBDs 的修改方式尚未得到验证。此外，PBDs 作为二维图示缺乏深度信息。已有定性研究表明，三维人体图示能够更充分地传达疼痛信息17。进一步刻画疼痛的深度特征，可能捕捉到 NRS、VAS 和 MPQ 等量表未涵盖的新型疼痛信息。目前的身体图示尚无法记录更抽象的躯体化症状或更深层次的疼痛形式。例如，患者 4 在可用性调查中自述，身体图示未能充分表征其疼痛部位和疼痛强度，因为他认为这些图示无法体现其体内的神经病理性疼痛。患者 5 常在身体图示中绘制虚线以表示身体内部的沉重感，这可能干扰量化指标的计算。未来的 PBDs 版本可进一步拓展，以可量化的方式呈现疼痛的躯体化表现或内脏痛。最后，本研究采用单病例（N-of-1）框架对 PBDs 进行分析，每位参与者生成了近 100 份独立的 PBDs。由于总体参与者数量较少，无法进行组间分析。因此，本研究未能确定测试-重测信度，因为 NRS 量表的回答存在锚定偏差，提示相同的 NRS 评分可能并不等同于试验后所测得的相同 PBDs 结果。未来还需开展研究，在更大样本中评估 PBDs 指标在组间分析中的表现及其方法的测试-重测信度。

该方法相较于现有方法的意义
身体疼痛图谱（PBDs）已在临床和研究环境中被广泛用于展示受试者在整个身体上的疼痛强度14, 15，但这一工具在很大程度上仍受限于其定性特征。尽管已有研究使用数字化疼痛绘图来纵向追踪慢性疼痛16，患者仍缺乏一种能够将疼痛强度与位置信息结合并精确表达的综合技术。本研究提出一种新颖的压力-色相转换方法，并将其与PBDs相结合，提供可重复测量和随时间追踪的复合空间与定量疼痛指标，以全面捕捉受试者的疼痛体验。 在此展示了三个从PBDs中提取的指标，它们分别反映了患者体内疼痛强度与位置的不同特征，即PBD覆盖范围、总强度和平均强度。这些指标被证实与标准化疼痛评估工具（如NRS强度评分、VAS强度评分、VAS不适度评分以及MPQ）具有高度有效性和一致性。在五名患者中的四名中，所有PBD指标均与VAS和NRS评分相关；在五名患者中的三名中，与MPQ评分呈显著相关。此外，信息论方法28,29,30,31揭示了常见统计方法未能检测到的非线性关系。在本研究中，五名患者中有四名在PBD指标与NRS、VAS强度、VAS不适度及MPQ之间表现出显著的互信息（MI），表明这些指标间存在显著但非完全重叠的信息内容。因此，PBD指标与标准化疼痛测量具有高度一致性，而PBD平均强度似乎反映了传统疼痛指标中所不具备的强度与位置信息的综合特征。

该技术的未来应用
目前的结果表明，压力-色相图（PBD）可能特别适用于那些以非线性方式感知和量化疼痛的患者。类似于言语描述词为受试者提供了评估疼痛的另一个维度，PBD 提供了一种独特的图形化和基于压力的疼痛表达方式。通过引入一种新颖的压力-色相转换方法，身体图能够提供有关疼痛位置、扩散范围以及不同区域疼痛强度变化的信息，据我们所知，此前尚未有研究展示过此类信息。结合深部脑刺激（DBS）试验期间采集的神经数据，PBD 指标可成为将身体不同区域的疼痛定位到大脑特定区域的有力工具，并有助于阐明疼痛信号通路的机制性研究。PBD 中实现的压力-色相转换可在多种临床和科研场景中用于分析治疗后的疼痛缓解情况，或比较不同时点的疼痛变化。该方法不仅能够生成独特且视觉直观的疼痛评估图，还能准确捕捉患者超越单一数字评分的疼痛体验。

披露

作者声明，本研究是在不存在任何可被视为潜在利益冲突的商业或财务关系的情况下进行的。

致谢

本研究由美国国立卫生研究院资助，资助编号为 UH3-NS115631，授予 PS。资助方批准了研究设计，但在研究实施、数据分析或论文撰写过程中未发挥任何作用。我们还要感谢 Edward F. Chang 博士、Philip A. Starr 博士以及本研究的各位参与者。

材料

本文使用的材料清单
姓名公司目录编号评论
Adobe Photoshop v.21.2.1Adobe Inc.N/A用于预处理疼痛身体图的图像编辑应用程序
Apple Pencil 第二代Apple Inc.A2051用于压力-色相转换的数字笔
iPad Pro（11 英寸，第二代）Apple Inc.MY332LL/A触控式数字绘图板
疼痛身体图模板123RF95218807版权使用
Procreate v5.3.1ProcreateN/A commercially available illustration applicataion
REDCap v13.2.1Vanderbilt UniversityN/A安全的网络调查与数据库应用程序

参考文献

  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. , CreateSpace. Scotts Valley, CA. (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).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章