使用多模态疼痛体图量化疼痛部位与强度

疼痛是一种主观且多维度的体验，使用数字评分量表或带有描述性词汇的问卷进行评估可能较为困难。本文演示如何通过一种结合图示的工具——疼痛体表分布图，对疼痛部位和严重程度进行定量记录。数字评分量表要求患者将疼痛程度从0到10进行评分，是目前最常用的疼痛评估工具。

视觉模拟评分法通过从0到100的评分范围设计，旨在最大程度减少锚定偏差，这种偏差可能在疼痛程度不同时仍导致报告值出现偏倚。此外，麦吉尔疼痛问卷通过描述性提示，有助于理解疼痛的躯体感觉和情感方面。疼痛体表分布图已被用作疼痛评估工具，用于长期追踪疼痛症状。

性别特异性图示有助于受访者更准确地识别和报告疼痛。此外，通过颜色表示疼痛强度，能够有效克服文化和语言障碍，实现疼痛信息的沟通。疼痛是一种普遍存在但极为复杂的体验。

尽管语言描述和视觉滑动标尺是目前疼痛评估的金标准，但它们忽略了疼痛在身体布局上的起源。未来的PBD版本可进一步扩展，以量化方式呈现疼痛的躯体化表现或内脏痛。此外，该工具还可为理解疼痛治疗提供途径，例如我们实验室重点研究的深部脑刺激疗法。

首先，使用所示的患者纳入标准对患者进行筛选。然后，将一个适合患者性别的PBD模板（包含身体前表面和后表面）导入到配备有压感绘图工具的触控数字平板上的绘图应用程序中。将模板下载至平板的图片库并导入后，通过点击图层图标，然后点击加号按钮，在PBD模板上方为受试者创建一个新图层。

这将形成两个图层，一个包含PBD，另一个用于参与者的绘图，其中颜色表示疼痛。接下来，通过点击画笔库图标和加号按钮以打开画笔工作室，创建一个新画笔，其X等于Y的压力到色相转换曲线。点击颜色动态按钮，并滚动至颜色压力部分。

对于色相滑块，点击百分比数值，使压力转换图中呈现一条精确的45度直线。要将色相渐变范围定义为从绿色到蓝色再到红色，请在颜色压力部分点击所列的百分比数值，并输入81%的数值来调节色相滑块。调节笔工具滑块，选择适合受试者需求的尺寸。解释疼痛身体图（PBD）以及横向模式下身体模板的解剖结构和方位。

通过展示压力增加如何使色调从绿色变为蓝色再变为红色，从而说明压力到色调的线性转换关系，分别代表轻度、中度和重度疼痛强度。然后解释绘图和擦除工具，以及捏合缩放和平移功能。使用“回授法”确认参与者对疼痛身体图示任务的理解，并要求他们用自己的语言描述该过程。

为参与者分配15分钟时间，在平坦表面上练习绘制疼痛身体图，确保准确表示疼痛的位置和强度。与每位参与者一起回顾疼痛身体图（PBD），以验证颜色使用的一致性和正确性。要求参与者在基线期或治疗/干预后的不同时间点完成疼痛身体图，并给予充足的时间以完成绘图。

完成后，使用标准化的文件名保存PBD，文件名应包含患者ID、PBD完成的日期和时间。使用选择图标选中需要批量导出的图像，点击“共享”按钮以查看可用的图像格式列表。

选择一种可保留图像图层的便携式或 Photoshop 文件格式，然后点击所选格式。下载所需的 PBD 文件，并在基于栅格的图像编辑器中打开。接着，通过在彩色图层下方添加一个完全黑色的图层，并在其上方添加一个黑色蒙版图层，以排除模板轮廓以外的像素，从而从 PBD 文件的顶层中分离出感兴趣的彩色像素，最终生成一个修改后的 PBD 文件，其背景为黑色，仅保留轮廓范围内的彩色像素。

要将处理后的 PBD 以可移植网络图形文件格式导出，请单击“文件”，选择“导出”，然后选择“另存为”。选择 PNG 格式，然后单击“导出”。使用 OpenCV2 Python 包将 PBD 中每个像素的像素值从 RGB 转换为 HSV 色彩空间。通过运行名为 measure_sanoblur 和 rgba2hsv 的 Python 脚本来提取每个像素的色相值。

运行 quantifypain Python 脚本以计算三个 PBD 指标。首先，通过将身体示意图中有颜色的像素数量除以示意图内总像素数量，计算 PBD 覆盖率。女性的像素范围为 1 至 820,452，男性的像素范围为 1 至 724,608。

将结果乘以 100，以将数据归一化到 0 至 100 的范围。接下来，通过运行 rgba2hsv 计算体图中所有像素的色调值之和，从而确定 PBD 总强度。女性范围为 0 至 114, 45, 354，男性范围为 0 至 101, 82, 816。

将结果除以最大PBD总强度，再乘以100。最大PBD总强度取决于身体图中像素总数乘以139.5。通过将所有色调值的总和除以着色像素的总数，计算PBD平均强度。

最后，处理每个PBD文件，并将输出结果汇编到电子表格中以进行进一步分析。对于大多数患者，PBD指标与数字评分强度（NRS）、视觉模拟量表（VAS）以及麦吉尔疼痛问卷（MPQ）具有相关性。在五名患者中的四名中，PBD指标与NRS、VAS强度、VAS不适感以及MPQ显著共享互信息（MI）。

在所有患者中，NRS 与 VAS 强度、VAS 不适度和 MPQ 均具有显著的互信息，而 PBD 总和与 PBD 覆盖范围及 PBD 均值具有互信息。