Artykuł metodologiczny

Kwantyfikacja lokalizacji i intensywności bólu za pomocą multimodalnych diagramów ciała bólu

DOI:

10.3791/65334

⸱

7 lipca 2023

 ,  ,  ,  ,  ,  , 
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

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Obecne skale bólu używane do ilościowego określania nasilenia bólu, takie jak wizualne skale analogowe, nie są w stanie uchwycić złożoności subiektywnych doświadczeń bólu. Diagramy ciała bólu są jakościowe, ale mogą być bardziej pouczające. Celem tej metody jest wyodrębnienie wskaźników ilościowych z diagramów ciała bolesnego przy użyciu nowatorskiej transformacji ciśnienia i odcienia.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aby określić ilościowo nasilenie bólu u danej osoby, powszechnie używane są standardowe skale oceny bólu, takie jak numeryczna skala oceny (NRS), wizualna skala analogowa (VAS) lub kwestionariusz bólu McGilla (MPQ) do oceny bólu na skali numerycznej. Jednak skale te są często stronnicze i nie oddają złożoności doświadczeń bólowych. W przeciwieństwie do tego, praktyka kliniczna często wymaga od pacjentów zgłaszania obszarów bólu poprzez korzystanie z diagramu ciała, który jest skutecznym, ale jakościowym narzędziem. Przedstawiona tutaj metoda wyodrębnia wymierne wskaźniki z diagramów ciała bólu (PBD), które są walidowane w stosunku do skal bólu NRS, VAS i MPQ. Dzięki zastosowaniu nowatorskiej transformacji nacisku i odcienia na tablecie cyfrowym, różne naciski rysowania stosowane za pomocą rysika cyfrowego mogą być reprezentowane jako różne odcienie na PBD. W ten sposób powstaje wizualnie intuicyjny diagram odcieni od zielonego przez niebieski do czerwonego, reprezentujący odpowiednio łagodne i umiarkowane do najbardziej bolesnych obszarów. Aby określić ilościowo każdy PBD, zdefiniowano nowe wskaźniki bólu: (1) średnią intensywność PBD, która jest równa sumie wartości odcienia każdego piksela podzieloną przez liczbę kolorowych pikseli, (2) pokrycie PBD, które jest równe liczbie kolorowych pikseli podzielonej przez całkowitą liczbę pikseli na ciele, oraz (3) suma intensywności PBD, , co jest równe sumie wartości odcienia wszystkich pikseli. Korzystając z analiz korelacji i teorii informacji, wykazano, że te wskaźniki PBD mają wysoką zgodność ze standaryzowanymi wskaźnikami bólu, w tym NRS, VAS i MPQ. Podsumowując, PBD mogą dostarczyć nowatorskich informacji przestrzennych i ilościowych, które mogą być wielokrotnie mierzone i śledzone w czasie, aby kompleksowo scharakteryzować doświadczenie bólu uczestnika.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przewlekły ból to wyniszczająca choroba neuropsychiatryczna, która dotyka ponad 50 milionów dorosłych w Stanach Zjednoczonych1. Jednak powszechne narzędzia kliniczne do śledzenia subiektywnej intensywności bólu (takie jak numeryczna skala oceny [NRS] lub wizualna skala analogowa [VAS]) są redukcjonistyczne i nie komunikują złożonej natury intensywności objawów bólu obejmujących domeny somatosensoryczne, poznawcze lub afektywne2,3. Dokładne śledzenie intensywności bólu u danej osoby ma kluczowe znaczenie dla diagnozowania zespołów bólowych, monitorowania postępu choroby i oceny potencjalnej skuteczności terapii, takich jak leki lub stymulacja mózgu.

Powszechnie używane narzędzie intensywności bólu NRS wymaga od badanego oceny intensywności bólu jako wartości całkowitej od 0 do 10, co oznacza brak bólu do najgorszego możliwego bólu. Chociaż NRS jest łatwy do administrowania i zrozumienia, jest ograniczony przez stronniczość zakotwiczenia respondenta, stronniczość oczekiwań i zmienną interpretację poszczególnych wartości4,5; Ograniczają one również porównania między uczestnikami. VAS, ciągła skala od 0 do 100, może zmniejszyć wpływ zakotwiczenia, ale nadal może napotkać podobne ograniczenia, jak w przypadku NRS4. Kilka badań wykazało wysoki stopień zgodności między NRS i VAS w zakresie nasilenia przewlekłego bólu dolnej części pleców6,7 i clinical practice5, ale wytyczne konsensusu podkreślają wiele niedociągnięć polegania na podobnych skalach w projektowaniu lub interpretacji badań klinicznych bólu8,9. Skrócony kwestionariusz bólu McGilla 2 (MPQ) dalej analizuje somatosensoryczne i afektywne wymiary bólu za pomocą ocen deskryptorów słownych10, aby pomóc w rozróżnieniu między wymiarem bólu sensorycznego i afektywnego11. Chociaż te skale oceny bólu są powszechnie używane do śledzenia intensywności bólu12,13, nie rejestrują one szczegółowych informacji topograficznych, takich jak lokalizacja bólu lub zmienność intensywności w różnych regionach ciała.

Diagramy ciała bólu (PBD) to otwarte, swobodne narzędzie do oceny bólu, które pozwala respondentom zilustrować wizualną reprezentację lokalizacji i intensywności bólu na schematycznym konturze ludzkiego ciała14,15. PBD są skutecznym narzędziem komunikacji między uczestnikami a dostawcami usług medycznych, które pomaga śledzić objawy bólu w dłuższej perspektywie16. Swobodny format graficzny PBD może zmniejszyć stronniczość zakotwiczenia. Niedawne modyfikacje PBD, takie jak wprowadzenie diagramów ciała specyficznych dla płci, zwiększyły ich skuteczność jako narzędzia komunikacji poprzez dostosowanie wizualnie reprezentowanej formy ciała do anatomii respondenta, zwiększając w ten sposób samoidentyfikację i dokładność odpowiedzi17. Co więcej, wykazano, że użycie koloru do oznaczania intensywności pozwala na skuteczną komunikację objawów bólowych z pokonywaniem barier kulturowych i językowych. Na przykład kolory biały i czerwony były najczęściej wybierane, aby wskazać odpowiednio brak bólu i silny ból w populacji pacjentów Hmongów18. Chociaż PBD są skutecznym narzędziem19,20, zostały one ograniczone przez ich jakościowy charakter.

Użycie PBD na tabletach cyfrowych znacznie rozszerzyło dostępne narzędzia do ilościowego określania lokalizacji i intensywności bólu. Barbero i wsp. określili ilościowo zakres bólu lub liczbę pikseli narysowanych w PBD u pacjentów z przewlekłym bólem dolnej części pleców i szyi oraz wykazali dobrą wiarygodność testu-ponownego testu i istotną korelację z pomiarami VAS21. Diagramy ciała zostały również przeanalizowane w celu stworzenia map częstotliwości bólu, aby pokazać najbardziej lub najmniej bolesne obszary ciała21,22. Chociaż metody te kwantyfikują przestrzenne informacje o bólu, do tej pory żadna metoda nie uwzględniała zarówno intensywności bólu, jak i lokalizacji w złożonych wskaźnikach.

Poniższy protokół demonstruje metodę uzyskiwania nowatorskich, wizualnie intuicyjnych, kolorowych PBD i wyodrębniania trzech wskaźników ilościowych, które razem odzwierciedlają połączenie intensywności bólu i informacji o lokalizacji. W tym celu wybrano pięciu uczestników biorących udział w badaniu klinicznym głębokiej stymulacji mózgu (DBS) w leczeniu opornego na leczenie przewlekłego bólu neuropatycznego w celu przetestowania obecnego podejścia, przy użyciu projektu badania N-of-123. Uczestnicy zostali poinstruowani, aby zgłosić intensywność swoich chwilowych objawów bólowych poprzez zastosowanie różnych poziomów nacisku pióra na aplikację ilustracyjną tabletu, aby uzyskać odcienie kolorów, które odpowiadały różnej intensywności bólu w różnych miejscach ciała. Wskaźniki pochodzące z PBD dotyczące zasięgu, sumy intensywności i średniej intensywności porównano z bardziej powszechnymi zwalidowanymi wskaźnikami bólu (tj. NRS, VAS i MPQ) przy użyciu analiz statystycznych i wzajemnych informacji (MI).

Podczas 10-dniowego pobytu w szpitalu, pacjenci poddawani ocenie wykonywali PBD (średnia ± odchylenie standardowe (SD) = 121,8 ± 34,3 PBD na pacjenta; zakres 84-177; łącznie 609 PBD), oprócz zatwierdzonych skal bólu, takich jak NRS, VAS i MPQ kilka razy dziennie. PBD zostały zebrane za pomocą aplikacji na tablet i przesłane jako pliki ze znacznikiem czasu na zabezpieczone serwery badawcze po zakończeniu. Intensywność bólu NRS, VAS i MPQ uzyskano za pomocą narzędzi ankietowych REDCap, bezpiecznej aplikacji internetowej. Zarówno ankiety, jak i PBD były przeprowadzane osobiście przez asystentów badawczych, aby upewnić się, że pacjenci otrzymali niezbędną pomoc w dokładnym zakończeniu oceny. Poniższe kroki szczegółowo opisują konfigurację PBD, instrukcje dla uczestników, gromadzenie danych i analizę PBD używane do wiarygodnego ilościowego określenia bólu (Rysunek 1).

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten protokół PBD został zaimplementowany w nadrzędnym protokole badań klinicznych (NCT03029884), zatwierdzonym przez UCSF Human Research Protection Program i FDA. Każdy uczestnik (3 kobiety i 2 mężczyzn, przedział wiekowy: 51-67 lat) podpisał pisemną świadomą zgodę; zostali zrekrutowani z centrum leczenia bólu UCSF lub skierowani przez lekarzy w Stanach Zjednoczonych.

1. Konfiguracja diagramu ciała bólu

  1. Kryteria włączenia pacjenta: Uwzględnij uczestników z następującymi diagnozami bólu: kilka neuropatycznych etiologii bólu, w tym centralny ból po udarze (2 pacjentów) i neurodegeneracyjna choroba kręgosłupa z bólem korzeniowym (1 pacjent), złożony zespół bólu regionalnego (1 pacjent) i uraz rdzenia kręgowego (1 pacjent). Wszyscy uczestnicy posiadają wykształcenie ponadgimnazjalne.
  2. Zaimportuj odpowiedni dla płci szablon PBD (rysunek uzupełniający 1), wyświetlający zarówno przednią, jak i tylną powierzchnię ciała, do aplikacji ilustracyjnej, która zawiera wrażliwe na nacisk narzędzie do rysowania na dotykowym tablecie cyfrowym. Pobierz szablon PBD do biblioteki zdjęć tabletu, a następnie kliknij przycisk Importuj.
  3. Utwórz nową warstwę na szablonie PBD, klikając ikonę Warstwy, a następnie przycisk +, aby uczestnik mógł rysować. W ten sposób powstają dwie warstwy, jedna z PBD, a druga do narysowania z kolorami wskazującymi na ból.
  4. Utwórz nowy pędzel z krzywą transformacji nacisku do odcienia x=y, klikając najpierw ikonę Biblioteka pędzli, a następnie +, aby otworzyć studio pędzli.
  5. Kliknij przycisk oznaczony Dynamika kolorów, a następnie przewiń w dół do sekcji nacisku kolorów. W przypadku suwaka barwy kliknij wartość liczbową Procent, aby upewnić się, że wykres transformacji ciśnienia wizualizuje prostą linię o kącie 45°.
    UWAGA: Dwukrotne kliknięcie wykresu spowoduje wyświetlenie opcji zresetowania wykresu do prostego wykresu x=y.
  6. Aby zdefiniować zakres gradientu barwy od zielonego przez niebieski do czerwonego, dostosuj suwak barwy w sekcji nacisku koloru, klikając wartość procentową liczby na liście i wprowadzając wartość liczbową 81%.
    UWAGA: Innym sposobem na to jest wprowadzenie limitów szesnastkowych od #008000 do #FF0000, jeśli aplikacja pozwala na ręczne wprowadzanie kodów szesnastkowych.
  7. Wybierz rozmiar pióra, który odpowiada potrzebom uczestników badania, dostosowując suwak narzędzia Pióro. Rozmiar długopisu 30% to dobry rozmiar początkowy dla większości uczestników.

2. Instrukcje dla uczestników

  1. Opisz pacjentowi anatomię PBD i orientację szablonów ciała w trybie portretowym, narzędzia do rysowania i wymazywania, dotykowe szczypanie w celu powiększenia oraz funkcję panoramowania.
  2. Wyjaśnij uczestnikom liniową transformację nacisku na odcień w następujący sposób: poinformuj uczestników, że zwiększony nacisk wywierany na rysik spowoduje zmiany odcieni z zielonego na niebieski i czerwony, które powinny być pokolorowane na diagramie, aby reprezentować odpowiednio łagodną i umiarkowaną lub ciężką intensywność bólu w dowolnym miejscu.
  3. Korzystając z metody uczenia zwrotnego24, potwierdź, że uczestnik zrozumiał zadanie PBD, prosząc go o wyjaśnienie, jak wypełnić diagram własnymi słowami.
  4. Daj uczestnikom co najmniej 15 minut czasu na ćwiczenie na narysowanie wielu PBD na płaskiej powierzchni, aby zapewnić dokładne odwzorowanie lokalizacji i intensywności bólu. Pozwól na wprowadzenie wszelkich zmian, aby zmaksymalizować użyteczność. Natychmiast po tym przejrzyj PBD z każdym uczestnikiem, aby upewnić się, że są spójne i że kolory są rysowane zgodnie z przeznaczeniem.

3. Gromadzenie i wstępne przetwarzanie danych

  1. Poproś uczestników, aby ukończyli PBD na początku badania lub w różnych punktach czasowych po pewnym leczeniu lub interwencji. Daj sobie nieograniczony czas na ukończenie każdego PBD, tak aby każda mapa mogła zostać ukończona w sposób satysfakcjonujący uczestnika.
  2. Zapisz wypełnione PBD ze standardową nazwą pliku zawierającą identyfikator pacjenta, a także datę i godzinę wykonania PBD.
    UWAGA: Te pliki są tymczasowo zapisywane na tablecie.
  3. Zbiorczy eksport wypełnionych PBD w formacie Portable Document Format (.PDF) lub Photoshop Document (.PSD), który zachowuje warstwy obrazu do wstępnego przetwarzania. Aby wyeksportować zbiorczo, najpierw kliknij ikonę Wybierz, aby wybrać żądane obrazy, a następnie kliknij Udostępnij, aby otworzyć menu formatów obrazów do eksportu. Kliknij plik w odpowiednim formacie.
    UWAGA: Wyeksportowane pliki są przesyłane na bezpieczny serwer badawczy.
  4. Pobierz PBD i otwórz je w edytorze obrazów rastrowych.
  5. Odizoluj interesujące Cię kolorowe piksele od górnej warstwy pliku PBD, dodając dwie warstwy maski: jedną całkowicie czarną warstwę poniżej warstwy kolorowanej i jedną czarną warstwę maski, aby wykluczyć piksele poza konturem treści szablonu powyżej warstwy kolorowanej. Spowoduje to przetworzenie PBD, które zawierają tylko kolorowe piksele w konturze ciała na czarnym tle (Rysunek 1).
  6. Przetworzone PBD można wyeksportować jako pliki przenośnej grafiki sieciowej (.png), klikając i wybierając następującą sekwencję przycisków: Plik > Eksportuj > Eksportuj jako > PNG > Eksportuj.

4. Kwantyfikacja PBD

  1. Przekonwertuj każdą wartość piksela w PBD z przestrzeni kolorów RGB (czerwony, zielony, niebieski) na przestrzeń kolorów HSV (odcień, nasycenie, wartość) za pomocą OpenCV225, publicznie dostępnego pakietu Pythona. Wyodrębnij wartość odcienia dla każdego piksela, uruchamiając skrypty Pythona o nazwach rgba2hsv(nazwa pliku) (Dodatkowy plik kodowania 1) i measure_SAnoblur(nazwa pliku, sigma-1.0) (Rysunek 1).
    UWAGA: Te skrypty określają ilościowo i dostosowują wartości odcieni, aby utworzyć ciągłą skalę odcieni od 0 do 139,5. Wartości HSV w OpenCV2 mieszczą się w zakresie od 0 do 179. Najjaśniejsza zieleń, która reprezentuje najmniejszą intensywność bólu, odpowiada wartości odcienia 39,5. Niektóre odcienie czerwieni odpowiadają wartościom z zakresu od 0 do 10. Kolory żółty i pomarańczowy, które odpowiadają wartościom barwy w zakresie od 10 do 39,5, nie są używane przez narzędzie Pióro. Wartości czerwonego odcienia od 0 do 10 są przypisywane do 179, aby poprawnie reprezentować największą intensywność bólu. Po tej regulacji skala odcienia waha się od 39,5 do 179. Następnie od każdej wartości barwy odejmuje się 39,5, tak aby ostateczna skala mieściła się w zakresie od 0 do 139,5.
  2. Oblicz i znormalizuj trzy metryki PBD, uruchamiając skrypt języka Python o nazwie quantifypain(filename) (Supplementary Coding File 1).
    1. Skrypt oblicza każdą metrykę zgodnie z poniższym opisem.
      1. Pokrycie PBD: Podziel liczbę kolorowych pikseli przez całkowitą liczbę pikseli dostępnych na diagramie treści. Zakres liczby kolorowych pikseli dla kobiet wynosi od 0 do 820 452 pikseli (całkowita liczba pikseli), a zakres dla mężczyzn wynosi od 0 do 724 608 pikseli (całkowita liczba pikseli).
      2. Suma intensywności PBD: Dodaj wartości odcienia dla wszystkich pikseli na diagramie treści. Zakres sumy wartości odcienia dla kobiet wynosi od 0 do 114 453 054, a zakres dla mężczyzn wynosi od 0 do 101 082 816.
      3. Średnia intensywność PBD: Podziel sumę wszystkich wartości odcienia przez całkowitą liczbę kolorowych pikseli.
    2. Użyj skryptu, aby znormalizować wszystkie miary PBD w skali od 0 do 100, postępując zgodnie z obliczeniami opisanymi poniżej.
      1. Pokrycie PBD: Pomnóż pokrycie PBD przez 100.
      2. Suma PBD: Podziel sumę intensywności PBD przez maksymalną intensywność sumy PBD i pomnóż przez 100. Maksymalna intensywność sumy PBD jest równa całkowitej liczbie pikseli na diagramie ciała pomnożonej przez 139,5 (tj. dla kobiet jest to 820 452 pikseli pomnożone przez 139,5, co równa się 114 453 054; dla mężczyzn jest to 724 608 pikseli pomnożone przez 139,5, co równa się 101 082 816).
      3. Średnia PBD: Podziel średnią intensywność PBD przez maksymalną wartość barwy 139,5 i pomnóż przez 100.
  3. Powtórz kroki 4.1 i 4.2, aby przetworzyć każdy plik PBD (z rozszerzeniem .png). Skompiluj wyniki w arkuszu kalkulacyjnym, aby przeprowadzić dalsze analizy.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Średnia, suma i pokrycie PBD jednoznacznie dostarczają informacji o reakcjach bólowych, które nie zostały ujęte w innych standardowych skalach bólu. Pomiędzy dwoma PBD (Rysunek 2A,B) średnia intensywność bólu jest identyczna (średnia PBD = 79,6). Zwiększony zasięg i suma ujawniają jednak odpowiednio większy przestrzenny rozkład bólu i całkowitą intensywność bólu, które odróżniają dwa PBD (Rysunek 2B). Aby dokładnie określić ilościowo ból za pomocą tych wskaźników, badacze powinni unikać następujących typowych błędów konfiguracji PBD (Rysunek 2C). Zbyt duża grubość pisaka i obce elementy poza obrysem treści, takie jak krążące obszary ciała lub pisane deskryptory, nie zostaną uchwycone w przetwarzaniu PBD. Podobnie, białe pióro używane do usuwania koloru, a nie narzędzie do wymazywania, zniekształci metryki PBD. Praktyka i wzmocnione instrukcje umożliwią pacjentom tworzenie dokładnych i policzalnych PBD, które ujawniają zmienność intensywności i rozkładu bólu.

Metryki PBD zostały zweryfikowane pod kątem NRS, VAS i MPQ (Rysunek 3B; Rysunek uzupełniający 2) i uzyskały wysokie wyniki w zakresie użyteczności (rysunek uzupełniający 1 i rysunek uzupełniający 2).

Wskaźniki PBD skorelowane ze standardowymi wskaźnikami bólu
Wskaźniki PBD były skorelowane z NRS, VAS i MPQ dla większości pacjentów (Figura 3A, Rysunek uzupełniający 1A, B). U czterech z pięciu pacjentów suma, pokrycie i średnia PBD były skorelowane z ich VAS i NRS (korelacja Spearmana, rs = 0,33-0,72, p < 0,004, Tabela uzupełniająca 1). Dla trzech z pięciu uczestników wskaźniki PBD były również istotnie skorelowane z wynikami MPQ (korelacja Spearmana, rs = 0,38-0,53, p < 0,004, Tabela uzupełniająca 1). Jednak pacjent 4 nie wykazał istotnych korelacji między wskaźnikami PBD a standardowymi ocenami bólu. Dalej scharakteryzowaliśmy nieliniowe zależności między PBD a standardowymi wskaźnikami za pomocą analiz teorii informacji (rysunek uzupełniający 2).

Metryki PBD unikają zakotwiczenia odpowiedzi i udostępniają wzajemne informacje za pomocą standardowych wskaźników bólu
Metryki PBD zawierały więcej informacji (tj. entropii) niż NRS. Wśród pacjentów NRS zawierał mniej informacji (2,32 ± 0,37 bitów) w porównaniu z intensywnością VAS, nieprzyjemnościami VAS, sumą MPQ, sumą PBD, pokryciem PBD i średnią PBD (odpowiednio 3,21 ± 0,49 bitów, 3,20 ± 0,31 bitów, 3,16 ± 0,23 bitów, 3,06 ± 0,32 bitów, 3,34 ± 0,16 bitów, 3,22 ± 0,39 bitów; Rysunek uzupełniający 2). Zostało to potwierdzone za pomocą jednoczynnikowego powtarzanego pomiaru ANOVA (F(4,1) = 12,10, p < 0,05) oraz testu t Tukeya dla indywidualnych porównań (wszystkie p < 0,05). Pokazuje to, że wskaźniki PBD miały mniejsze zakotwiczenie odpowiedzi niż NRS.

PBD został następnie zweryfikowany w stosunku do ustalonych wskaźników za pomocą wzajemnych analiz informacyjnych (testy permutacji, α=0,05). U czterech z pięciu pacjentów wskaźniki PBD istotnie dzieliły MI z NRS, intensywnością VAS, nieprzyjemnościami VAS i MPQ (p < 0,05, Figura 3B). W przeciwieństwie do tego, wskaźniki PBD pacjenta 4 nie dzieliły znacząco MI z ustalonymi wskaźnikami. Ponieważ ich NRS zawierał najmniej informacji wśród pacjentów (Rysunek Uzupełniający 2), sugeruje to, że NRS nie uchwycił niuansów w doświadczeniu bólu, które zostały uchwycone przez PBD. U wszystkich pacjentów NRS miał znaczący MI z intensywnością VAS, nieprzyjemnościami VAS i MPQ, podczas gdy suma PBD dzieliła MI z pokryciem PBD i średnią PBD (p < 0,05, Figura 3B). Ogólnie rzecz biorąc, w przypadku większości pacjentów, wskaźniki PBD dzieliły MI z ustalonymi wskaźnikami bólu.

PBD były łatwe w użyciu dla większości uczestników
W badaniu czterech z pięciu pacjentów stwierdziło, że PBD jest łatwy w użyciu i dokładnie odzwierciedla ich ból (Tabela uzupełniająca 2). Jednak pacjent 4 zgłosił, że PBD było trudne w użyciu (5 w 5-punktowej skali Likerta). Dzieje się tak przede wszystkim dlatego, że mają głęboki, trzewny ból, który nie jest dobrze uchwycony w 2-wymiarowym (2D) PBD. Podczas gdy pacjenci różnili się znajomością PBD (2,8 ± 1,2, zakres 1-4, 5-punktowa skala Likerta), wszyscy codziennie używali porównywalnej elektroniki (5,0 ± 0,0, 5-punktowa skala Likerta) i stwierdzili, że PBD jest przyjazny dla użytkownika (5,2 ± 0,4, zakres 5-6, 6-punktowa skala Likerta).

figure-results-1
Rysunek 1. Przebieg analizy diagramu ciała bólu (PBD). Pacjenci korzystali z pustych szablonów PBD, aby przedstawić lokalizację i intensywność bólu. Ukończone PBD zawierały odcienie od zielonego przez niebieski do czerwonego, reprezentujące odpowiednio łagodne i umiarkowane lub silne obszary bólu. PBD zostały zamaskowane tak, aby zawierały tylko piksele w konturze ciała, a następnie szablon został usunięty, aby wyizolować tylko piksele zawierające odcienie. Na podstawie PBD obliczono pokrycie PBD (%), sumę intensywności (znormalizowaną do 0-100) i średnią intensywność (znormalizowaną do 0-100). W przypadku pokrycia PBD liczbę kolorowych pikseli najpierw podzielono przez całkowitą liczbę pikseli na diagramie (820 452 pikseli dla kobiet, 724 608 pikseli dla mężczyzn), a następnie pomnożono przez 100. W przypadku sumy intensywności PBD najpierw zsumowano wartości odcienia dla wszystkich pikseli na diagramie ciała (zakres żeński: 0-114 453 054; zakres męski: 0-101 082 816). Suma została następnie podzielona przez maksymalną intensywność sumy PBD (kobiety: 820 452 pikseli pomnożone przez maksymalną wartość odcienia 139,5, mężczyźni: 724 608 pikseli przez 139,5) i pomnożone przez 100. W przypadku średniej intensywności PBD suma wszystkich wartości odcienia została podzielona przez całkowitą liczbę kolorowych pikseli, a następnie znormalizowana przez podzielenie przez maksymalną wartość odcienia wynoszącą 139,5. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2. Reprezentatywne PBD przedstawiające przykłady dobrych i złych PBD. Panie przewodniczący, panie i panowie! Dobre PBD pokazują użyteczność obliczania 3 wskaźników bólu. (C) Złe przykłady PBD obejmują zbyt gruby rozmiar pióra, obce elementy poza schematem ciała i niedokładne wymazywanie. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3. Wskaźniki PBD zostały zweryfikowane w porównaniu ze standardowymi wskaźnikami bólu za pomocą korelacji Spearmana i wzajemnych analiz informacyjnych. (A) Intensywność VAS i suma PBD wykreślone z liniowymi liniami najlepiej dopasowanymi narysowanymi dla każdego pacjenta. (B) Dane na poziomie grupy przedstawiające średnią wzajemną informację (MI) między każdym wskaźnikiem bólu, przy czym MI jest wskazywane przez kolorowy pasek po prawej stronie. Tekst w każdym polu reprezentuje liczbę pacjentów ze statystycznie istotnym zawałem mięśnia sercowego dla danego porównania parami (np. 3/5 oznacza 3 pacjentów z istotnymi wartościami). MI jest prezentowany przez obserwowane MI podzielone przez teoretyczne maksimum MI. Skróty: NRS = numeryczna skala ocen; Intensywność VAS = intensywność wizualnej skali analogowej; VAS unpl. = wizualna skala analogowa nieprzyjemności bólowych, MPQ = krótki kwestionariusz bólu McGilla 2; PBD = diagram ciała bólu; PBD cov. = pokrycie PBD, MI = informacja wzajemna, sygnatura = znaczące. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek uzupełniający 1. Średnia PBD (A) i pokrycie PBD (B) wykreślone w stosunku do intensywności VAS z liniowymi liniami najlepszego dopasowania narysowanymi dla każdego pacjenta. Skróty: VAS = wizualna skala analogowa; PBD = diagram ciała bólu. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 2. Entropia na metrykę bólu u pacjentów. Na poziomie grupy intensywność NRS miała niższą entropię niż każda inna metryka bólu, jak pokazano za pomocą powtarzanych pomiarów jednokierunkowej ANOVA, a następnie testu post-hoc Tukeya dla specyficznych porównań * = p < 0,05, ** = p < 0,001. Skróty: NRS = numeryczna skala ocen; VAS = wizualna skala analogowa; MPQ = kwestionariusz bólu McGilla; PBD = diagram ciała bólu. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1. Korelacje Spearmana między wskaźnikami PBD a zgłaszanymi przez siebie standardowymi pomiarami bólu. Współczynniki korelacji Spearmana (rho) dla trzech wyodrębnionych wskaźników PBD w stosunku do miar bólu NRS, VAS i MPQ. Skróty: NRS = numeryczna skala ocen; VAS = wizualna skala analogowa; MPQ = kwestionariusz bólu McGilla; PBD = diagram ciała bólu. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2. Wrażenia pacjentów po wykonaniu PBD zostały ujawnione za pomocą pytań specyficznych dla PBD i zmodyfikowanej skali użyteczności systemu. Zmodyfikowane pytania w skali użyteczności zawierały na przemian stwierdzenia pozytywne i negatywne i zostały uszeregowane w 5-punktowej skali (1 = zdecydowanie się zgadzam, 5 = zdecydowanie się nie zgadzam). Skrót: PBD = diagram ciała bólu. Kliknij tutaj, aby pobrać ten plik.

Dodatkowy plik kodowania 1: Skrypt Pythona dla metryk PBD. Kod Pythona z adnotacjami przetwarza plik PNG diagramu ciała bólu i generuje wartości średniej, pokrycia i sumy PBD dla każdego pliku. Skrypt zawiera również instrukcje importu w celu pobrania wymaganych pakietów do uruchomienia programu. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1: Plik uzupełniający dla szczegółów metodologicznych. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Krytyczne kroki w ramach protokołu
Kluczowe kroki obejmują: konfigurację PBD, instrukcję pacjenta i wstępne przetwarzanie. W przypadku konfiguracji PBD każdy PBD specyficzny dla płci powinien wizualizować widok z przodu i z tyłu26 i być nałożony pustą warstwą na aplikację ilustracyjną w celu wyizolowania wartości odcienia. Ponadto rozmiar pisaka musi odpowiadać potrzebom ilustracyjnym pacjentów, a gradienty odcieni muszą być zdefiniowane w celu ilościowej analizy PBD. Instrukcje dla pacjenta i zrozumienie narzędzia mają fundamentalne znaczenie dla wiarygodnych danych. Należy przeznaczyć wystarczającą ilość czasu na przećwiczenie wdrażania narzędzia na PBD. Użyj metody uczenia zwrotnego, aby potwierdzić zrozumienie zadań i ankiet przez uczestnika okresowo podczas testów, mniej więcej raz na 10 PBD. Aby śledzić poszczególne PBD, dobrym pomysłem jest również nazwanie każdego pliku unikalnym tytułem i znacznikiem czasu po zakończeniu. Po zebraniu danych każda metryka PBD może zostać wyodrębniona przy użyciu skryptów Pythona27 (patrz Dodatkowy plik kodowania 1). Pomiary pokrycia PBD, sumy intensywności i średniej intensywności można powtórzyć przed i po każdym leczeniu lub interwencji w celu śledzenia reakcji bólowych u pacjenta. Aby wyodrębnić te wskaźniki, jeden z badaczy, który nie jest bezpośrednio zaangażowany w zbieranie danych, powinien nałożyć warstwy czarnej maski, aby wyizolować tylko kolory narysowane wewnątrz konturu ciała, a następnie obliczyć wartości pikseli HSV za pomocą niestandardowego kodu oprogramowania dostarczonego jako plik uzupełniający 1.

Modyfikacje i rozwiązywanie problemów w technice
Etapy metodologiczne zostały dopracowane podczas zbierania danych od pacjenta 1. Obejmują one danie pacjentom więcej czasu na zapoznanie się z kontrolowaniem wrażliwości pióra na nacisk, prawidłowe ustawianie warstw diagramu ciała do późniejszego maskowania i analizy, ograniczanie używania symboli lub słów na PBD oraz dostosowywanie bezwzględnej czułości nacisku pióra zgodnie z siłą i zręcznością każdego uczestnika (chociaż transformacja między względnym naciskiem a odcieniem pozostała stała). Pacjentom pozwolono wybrać rozmiar wstrzykiwacza, aby jak najlepiej odzwierciedlić ich ból; Jednak wybór jednego stałego rozmiaru może pozwolić na lepsze porównania między pacjentami w przyszłości. W przyszłych iteracjach prototypowanie metody, która wykorzystuje jeden kanał koloru (np. czerwony, zielony lub niebieski) i zmienia jasność koloru w zależności od nacisku pióra, może zminimalizować możliwą utratę precyzji podczas konwersji z przestrzeni kolorów RGB na HSV.

Ograniczenia techniki
PBD wymagają, aby pacjenci mieli wystarczającą wyjściową siłę motoryczną i zręczność w co najmniej jednej kończynie górnej z dobrą zdolnością motoryczną palców, aby samodzielnie wypełniać diagramy i dokładnie tłumaczyć swoje doświadczenie bólu za pomocą nacisku. Podczas gdy standardowe wskaźniki bólu, takie jak NRS i MPQ, mogą być wprowadzane na papierze lub klawiaturze przez asystenta za pomocą komunikacji werbalnej, ta modyfikacja w przypadku PBD nie została jeszcze zatwierdzona. PBD brakuje również głębi jako dwuwymiarowej ilustracji. Poziom szczegółowości trójwymiarowego diagramu ciała został jakościowo wykazany w celu rozszerzenia komunikacji informacji o bólu17. Dalsza charakterystyka głębokości bólu może uchwycić nowe informacje o bólu, które nie są badane w skalach takich jak NRS, VAS i MPQ. Diagramy ciała nie są obecnie projektowane do uchwycenia bardziej abstrakcyjnej somatyzacji lub głębszych form bólu. Na przykład pacjent 4 sam zgłosił, że lokalizacja i intensywność bólu nie były dobrze scharakteryzowane przez diagram ciała w ankiecie użyteczności, ponieważ czuł, że nie oddają one jego wewnętrznego bólu neuropatycznego. Pacjent 5 często rysował przerywane linie na diagramach ciała, aby wskazać ciężkość w swoim ciele, co może zmylić obliczenia metryczne. Przyszłe iteracje PBD mogą zostać rozszerzone, aby reprezentować somatyzację bólu lub bólu trzewnego w wymiernej metodzie. Na koniec PBD przeanalizowano w ramach N-of-1, w którym dla każdego uczestnika wygenerowano prawie 100 oddzielnych PBD. Analizy na poziomie grupy nie były możliwe ze względu na małą liczbę wszystkich uczestników. W związku z tym w tym badaniu nie można było określić wiarygodności testu-ponownego testu, ponieważ odpowiedzi na skale NRS napotykają na błąd zakotwiczenia, co sugeruje, że te same wyniki NRS mogą nie być równoważne tym samym PBD testowanym po badaniu. Potrzebne będą przyszłe badania, aby ocenić wskaźniki PBD w warunkach analizy grupowej oraz wiarygodność metody test-retest w większej próbie.

Znaczenie metody w odniesieniu do istniejących metod
PBD były szeroko stosowane w warunkach klinicznych i badawczych w celu zademonstrowania intensywności bólu uczestnika w całym ciele14, 15, jednak narzędzie to pozostało w dużej mierze ograniczone przez swój jakościowy charakter. Podczas gdy cyfrowe mapowanie bólu było wykorzystywane do podłużnego śledzenia bóluprzewlekłego 16, pacjentom brakowało możliwości przedstawienia intensywności i lokalizacji bólu w połączonej, precyzyjnej technice. Ta nowatorska transformacja ciśnienia i odcienia zastosowana w PBD zapewnia złożone przestrzenne i ilościowe wskaźniki bólu, które mogą być wielokrotnie mierzone i śledzone w czasie, aby uchwycić doświadczenie bólu uczestnika. W tym przypadku wykazano, że trzy wyodrębnione wskaźniki PBD, które w różny sposób odzwierciedlały intensywność i lokalizację bólu u pacjenta, tj. pokrycie PBD, sumaryczną intensywność i średnią intensywność, mają wysoką trafność i zgodność ze standaryzowanymi pomiarami bólu, takimi jak NRS intensywność, intensywność VAS, nieprzyjemności VAS i MPQ. Wszystkie pomiary PBD były skorelowane z wynikami VAS i NRS u czterech z pięciu pacjentów i istotnie skorelowane z MPQ u trzech z pięciu. Dodatkowo, podejście oparte na teorii informacji 28,29,30,31 ujawniło nieliniowe zależności, które nie zostały wykryte za pomocą bardziej powszechnych metod statystycznych. W badaniu czterech z pięciu pacjentów miało znaczące MI między pomiarami PBD a NRS, intensywnością VAS, nieprzyjemnościami VAS i MPQ, wykazując znaczące, ale nie całkowite, nakładanie się treści informacji. W związku z tym pomiary PBD były wysoce zgodne ze standaryzowanymi pomiarami bólu, jednak średnia PBD wydawała się odzwierciedlać kombinację informacji o intensywności i lokalizacji, które nie były obecne w konwencjonalnych wskaźnikach bólu.

Przyszłe zastosowania tej techniki
Obecne wyniki pokazują, że PBD może być szczególnie odpowiednie dla pacjentów, którzy doświadczają i określają ilościowo swój ból w skali nieliniowej. Podobnie jak deskryptory werbalne mogą zapewnić uczestnikom inny wymiar oceny bólu, PBD zapewniają unikalną graficzną i opartą na nacisku interpretację ich bólu. Wdrażając nowatorską transformację ciśnienia i odcienia, diagramy ciała dostarczają informacji na temat lokalizacji, rozprzestrzeniania się i regionalnej zmienności intensywności bólu, które według naszej wiedzy nie zostały wcześniej wykazane. Wraz z danymi neuronalnymi zebranymi podczas dowolnego badania DBS, wskaźniki PBD mogą być potężnym narzędziem w lokalizowaniu bólu w różnych regionach ciała w różnych regionach mózgu i pomóc w informowaniu o badaniach mechanistycznych nad szlakami sygnalizacji bólu. Transformacja ciśnienia i odcienia zaimplementowana w PBD może być wykorzystywana w wielu warunkach klinicznych i badawczych do analizy ulgi w bólu w odpowiedzi na leczenie lub porównywania bólu w czasie. Metoda ta nie tylko tworzy unikalne, wizualnie intuicyjne diagramy do oceny bólu, ale także dokładnie oddaje doświadczenie pacjenta wykraczające poza pojedynczy wynik liczbowy.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują, że badanie zostało przeprowadzone przy braku jakichkolwiek powiązań handlowych lub finansowych, które mogłyby być interpretowane jako potencjalny konflikt interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie zostało sfinansowane przez grant UH3-NS115631 National Institutes of Health dla PS. Źródła finansowania zatwierdziły projekt badania, ale nie odegrały żadnej roli w realizacji badania, analizie danych czy przygotowaniu manuskryptu. Dziękujemy również dr Edwardowi F. Changowi, dr Philipowi A. Starrowi i uczestnikom naszego badania.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Adobe Photoshop v.21.2.1Adobe Inc.Nie dotyczyAplikacja do edycji zdjęć do wstępnego przetwarzania diagramów ciała
bólu Apple Pencil 2. generacjiApple Inc.A2051Pióro cyfrowe do transformacji nacisku i odcienia
iPad Pro (11-calowy, 2. generacji)Apple Inc.MY332LL/ADotykowy tablet cyfrowy
Szablon diagramu ciała123RF95218807Prawa autorskie Użyj
Procreate v5.3.1ProcreateN/AKomercyjnie dostępna aplikacja ilustracyjna
REDCap v13.2.1Vanderbilt UniversityN/ABezpieczna ankieta internetowa i aplikacja bazy danych
bólu

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Schemat cia a w badaniu b lukwantyfikacja lokalizacji b lumapowanie nat enia b lutransformacja barwna naciskurysowanie na tablecie graficznymwizualna skala analogowanumeryczna skala ocenykwestionariusz b lu McGillanaliza parametr w b luekstrakcja barwy piksela

Powiązane artykuły