Методическая статья

Количественная оценка локализации и интенсивности боли с помощью мультимодальных диаграмм тела боли

5.6K просмотров

⸱

DOI:

10.3791/65334

⸱

7 июля 2023 г.

 ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

Современные шкалы боли, используемые для количественной оценки тяжести боли, такие как визуальные аналоговые шкалы, не в состоянии отразить сложность субъективных переживаний боли. Диаграммы тела боли являются качественными, но могут быть более информативными. Целью этого метода является извлечение количественных показателей из диаграмм тела боли с помощью нового преобразования давления и оттенка.

Аннотация

Для количественной оценки субъективной тяжести боли обычно используются стандартизированные шкалы оценки боли, такие как числовая шкала оценки (NRS), визуальная аналоговая шкала (VAS) или опросник боли Макгилла (MPQ) для оценки боли по числовой шкале. Тем не менее, эти шкалы часто смещены и не в состоянии охватить всю сложность переживания боли. В отличие от этого, клиническая практика часто требует, чтобы пациенты сообщали об областях боли, рисуя диаграмму тела, которая является эффективным, но качественным инструментом. Представленный здесь метод извлекает количественные показатели из диаграмм тела боли (PBD), которые проверяются по шкалам боли NRS, VAS и MPQ. Используя новое преобразование «нажим-оттенок» на цифровом планшете, различные нажатия на рисунок, приложенные цифровым стилусом, могут быть представлены в виде различных оттенков на PBD. В результате получается визуально интуитивно понятная диаграмма оттенков от зеленого до синего и красного, представляющих легкие, умеренные и наиболее болезненные области соответственно. Для количественной оценки каждого PBD были определены новые метрики боли: (1) средняя интенсивность PBD, которая равна сумме значений оттенка каждого пикселя, деленной на количество цветных пикселей, (2) покрытие PBD, которое равно количеству цветных пикселей, деленное на общее количество пикселей на теле, и (3) суммарная интенсивность PBD, которая равна сумме значений оттенка всех пикселей. С помощью корреляционного анализа и анализа теории информации было показано, что эти показатели PBD имеют высокую корреляцию со стандартизированными показателями боли, включая NRS, VAS и MPQ. В заключение, PBD могут предоставить новую пространственную и количественную информацию, которую можно многократно измерять и отслеживать с течением времени, чтобы всесторонне охарактеризовать болевой опыт участника.

Введение

Хроническая боль является изнурительным нервно-психическим заболеванием, затрагивающим более 50 миллионов взрослыхв Соединенных Штатах 1. Тем не менее, общепринятые клинические инструменты для отслеживания субъективной интенсивности боли (такие как числовая шкала оценки [NRS] или визуально-аналоговая шкала [ВАШ]) являются редукционистскими и не учитывают сложную природу интенсивности болевых симптомов, охватывающую соматосенсорную, когнитивную или аффективную области 2,3. Точное отслеживание интенсивности боли у человека имеет решающее значение для диагностики болевых синдромов, мониторинга прогрессирования заболевания и оценки потенциальной эффективности таких методов лечения, как лекарства или стимуляция мозга.

Широко используемый инструмент интенсивности боли NRS требует, чтобы испытуемый оценил интенсивность боли как целое значение от 0 до 10, представляющее отсутствие боли до наихудшей возможной боли. Несмотря на простоту администрирования и понимания, NRS ограничена предвзятостью закрепления респондента, предвзятостью ожиданий и вариативной интерпретацией индивидуальных ценностей 4,5; Это также ограничивает сравнения между участниками. VAS, непрерывная шкала от 0 до 100, может уменьшить влияние привязки, но все еще может столкнуться с теми же ограничениями, что и NRS4. Несколько исследований продемонстрировали высокую степень согласия между NRS и VAS в отношении тяжести хронической боли в пояснице6,7 и клинической практикой5, но консенсусные рекомендации подчеркивают многие недостатки использования аналогичных шкал в дизайне или интерпретации клинических исследований боли 8,9. Краткий опросник боли Макгилла 2 (MPQ) дополнительно анализирует соматосенсорные и аффективные измерения боли с использованием оценок вербальных дескрипторов10, чтобы помочь в различении сенсорного и аффективного измерения боли11. Несмотря на то, что эти шкалы оценки боли обычно используются для отслеживания интенсивности боли12,13, они не могут охватить подробную топографическую информацию, такую как локализация боли или вариации интенсивности в разных областях тела.

Диаграммы тела боли (PBD) представляют собой открытый инструмент оценки боли в свободной форме, позволяющий респондентам проиллюстрировать визуальное представление локализации и интенсивности боли на схематическом контуре человеческого тела14,15. PBD являются эффективным инструментом коммуникации между участниками и медицинскими работниками, который помогает отслеживать болевые симптомы в течение длительного времени16. Графический формат PBD в свободной форме может уменьшить смещение привязки. Недавние модификации PBD, такие как введение диаграмм тела с учетом пола, повысили их эффективность в качестве средства коммуникации за счет согласования визуально представленной формы тела с анатомией респондента, тем самым повышая самоидентификацию и точность ответов17. Кроме того, было показано, что использование цвета для обозначения интенсивности позволяет эффективно сообщать о болевых симптомах, преодолевая культурные и языковые барьеры. Например, белый и красный цвета чаще всего выбирались для обозначения отсутствия боли и сильной боли соответственно в популяции пациентов хмонгов18. Несмотря на то, что ПБД являются эффективным инструментом19,20, они ограничены своей качественной природой.

Использование PBD на цифровых планшетах существенно расширило инструментарий, доступный для количественной оценки локализации и интенсивности боли. Barbero et al. количественно оценили степень боли или количество пикселей, нарисованных в PBD пациентов с хронической болью в пояснице и шее, и показали хорошую надежность теста-ретеста и значимую корреляцию с показателями VAS21. Диаграммы тела также были проанализированы для создания карт частоты боли, чтобы показать наиболее или наименее часто болезненные участки тела21,22. Несмотря на то, что эти методы количественно оценивают пространственную информацию о боли, до сих пор ни один из них не включал интенсивность и локализацию боли в составные метрики.

Следующий протокол демонстрирует метод получения новых, визуально интуитивно понятных, цветных PBD и извлечения трех количественных показателей, которые вместе отражают совокупность информации об интенсивности боли и ее локализации. Для этого были отобраны пять участников, проходивших исследование глубокой стимуляции мозга (DBS) при рефрактерной хронической нейропатической боли, чтобы протестировать текущий подход, используя дизайн исследования N-of-123. Участники были проинструктированы сообщать об интенсивности своих кратковременных болевых симптомов, применяя различные уровни нажима пера на иллюстрацию на планшете, чтобы получить цветовые оттенки, которые соответствовали различной интенсивности боли в разных местах тела. Полученные с помощью PBD показатели охвата, суммарной интенсивности и средней интенсивности сравнивались с более распространенными валидированными показателями боли (т.е. NRS, VAS и MPQ) с использованием статистического анализа и анализа взаимной информации (MI).

В течение 10-дневного пребывания в стационаре пациенты, проходившие обследование, выполняли PBD (среднее ± стандартное отклонение (SD) = 121,8 ± 34,3 PBD на пациента; диапазон 84-177; всего 609 PBD) в дополнение к валидированным шкалам боли, таким как NRS, VAS и MPQ, несколько раз в день. PBD собирались с помощью приложения для планшетов и загружались в виде файлов с отметками времени на защищенные исследовательские серверы после завершения. Интенсивность боли NRS, VAS и MPQ были получены с помощью инструментов опроса REDCap, безопасного веб-приложения. Как опросы, так и PBD проводились лично научными сотрудниками, чтобы гарантировать, что пациенты получат необходимую помощь для точного завершения оценки. На следующих шагах подробно описана настройка PBD, инструктаж участников, сбор данных и анализ PBD, используемый для надежной количественной оценки боли (рис. 1).

Протокол

Этот протокол PBD был реализован в протоколе родительского клинического исследования (NCT03029884), одобренном Программой защиты исследований на людях UCSF и FDA. Каждый участник (3 женщины и 2 мужчины, возраст: 51-67 лет) подписал письменное информированное согласие; они были набраны из центра лечения боли UCSF или направлены врачами в Соединенных Штатах.

1. Настройка диаграммы тела боли

  1. Критерии включения пациентов: Включить участников со следующими диагнозами боли: несколько нейропатических этиологий боли, включая центральную постинсультную боль (2 пациента) и нейродегенеративное заболевание позвоночника с корешковой болью (1 пациент), сложным регионарным болевым синдромом (1 пациент) и повреждением спинного мозга (1 пациент). Все участники имеют законченное послешкольное образование.
  2. Импортируйте соответствующий полу шаблон PBD (дополнительный рисунок 1), отображающий переднюю и заднюю поверхности корпуса, в приложение для работы с иллюстрациями, содержащее чувствительный к нажатию инструмент рисования на сенсорном цифровом планшете. Загрузите шаблон PBD в библиотеку фотографий планшета и нажмите кнопку «Импортировать ».
  3. Создайте новый слой поверх шаблона PBD, щелкнув значок « Слои », а затем кнопку «+ », на которой участник будет рисовать. В результате получается два слоя, один с PBD, а другой с цветами, указывающими на боль.
  4. Создайте новую кисть с кривой трансформации x=y «Нажим в оттенок», сначала щелкнув значок «Библиотека кистей», а затем + , чтобы открыть студию кистей.
  5. Нажмите кнопку с надписью «Динамика цвета», затем прокрутите вниз до раздела «Цветовое давление». Для ползунка цветового тона щелкните Числовые проценты , чтобы график преобразования давления визуализировал прямую линию под углом 45°.
    ПРИМЕЧАНИЕ: Двойной щелчок по графику даст возможность сбросить график на прямой график x=y.
  6. Чтобы определить диапазон градиента оттенка от зеленого до синего и красного, отрегулируйте ползунок оттенка в разделе «Цветовое давление», щелкнув « Процентное число в списке » и введя числовое значение 81%.
    ПРИМЕЧАНИЕ: Другим способом сделать это является ввод шестнадцатеричных пределов #008000 для #FF0000, если приложение допускает ручной ввод шестнадцатеричных кодов.
  7. Выберите размер пера, который соответствует потребностям участников исследования, отрегулировав ползунок инструмента «Перо». Размер пера 30% является хорошим начальным размером для большинства участников.

2. Инструкция для участников

  1. Опишите анатомию PBD и ориентацию шаблонов тела в портретном режиме, инструменты рисования и стирания, тактильные функции масштабирования и панорамирования для пациента.
  2. Объясните участникам линейное преобразование давления в оттенок следующим образом: сообщите участникам, что увеличение давления, приложенного к стилусу, приведет к тому, что оттенки изменятся с зеленого на синий и красный, которые должны быть закрашены в диаграмму, чтобы представить интенсивность боли от слабой, умеренной до сильной в любом заданном месте соответственно.
  3. Используя метод обратного обучения24, подтвердите понимание участником задания PBD, попросив его объяснить, как заполнить диаграмму своими словами.
  4. Дайте участникам не менее 15 минут практики, чтобы нарисовать несколько PBD на плоской поверхности, чтобы обеспечить точное представление локализации и интенсивности боли. Допускайте любые корректировки, чтобы максимально повысить удобство использования. Сразу после этого просмотрите PBD с каждым участником, чтобы убедиться в согласованности и в том, что цвета нарисованы так, как задумано.

3. Сбор и предварительная обработка данных

  1. Попросите участников выполнить ПБД во время исходного уровня или в различные моменты времени после какого-либо лечения или вмешательства. Предусмотрите неограниченное количество времени для завершения каждого PBD, чтобы каждая карта могла быть завершена к удовлетворению участника.
  2. Сохраняйте заполненные PBD со стандартизированным именем файла, содержащим идентификатор пациента, а также дату и время завершения PBD.
    ПРИМЕЧАНИЕ: Эти файлы временно сохраняются на планшете.
  3. Массовый экспорт готовых PBD-файлов в формате переносимого документа (.PDF) или файла Photoshop (.PSD), в котором слои изображения сохраняются для предварительной обработки. Для массового экспорта сначала нажмите значок «Выбрать », чтобы выбрать нужные изображения, затем нажмите «Поделиться », чтобы открыть меню форматов изображений для экспорта. Выберите нужный файл формата.
    ПРИМЕЧАНИЕ: Экспортированные файлы загружаются на защищенный исследовательский сервер.
  4. Загрузите PBD и откройте их в растровом редакторе изображений.
  5. Изолируйте интересующие вас цветные пиксели от верхнего слоя PBD-файла, добавив два маскирующих слоя: один полностью черный слой под цветным слоем и один черный маскирующий слой, чтобы исключить пиксели за пределами контура тела шаблона над цветным слоем. Это приведет к тому, что обработанные PBD будут содержать только цветные пиксели в контуре тела на черном фоне (рис. 1).
  6. Экспортируйте обработанные PBD-файлы в виде переносимых сетевых графических (.png) файлов, щелкнув и выбрав следующую последовательность кнопок: Файл > Экспорт > Экспорт > PNG > Экспорт.

4. Количественная оценка PBD

  1. Преобразуйте каждое значение пикселя в PBD из цветового пространства RGB (красный, зеленый, синий) в цветовое пространство HSV (оттенок, насыщенность, значение) с помощью OpenCV225, общедоступного пакета Python. Извлеките значение оттенка для каждого пикселя, запустив скрипты python с названиями rgba2hsv(filename) (Supplementary Coding File 1) и measure_SAnoblur(filename, sigma-1.0) (Рисунок 1).
    ПРИМЕЧАНИЕ: Эти скрипты количественно оценивают и корректируют значения оттенка для создания непрерывной шкалы оттенков от 0 до 139,5. Значения HSV в OpenCV2 находятся в диапазоне от 0 до 179. Самый светлый зеленый, представляющий наименьшую интенсивность боли, соответствует значению оттенка 39,5. Некоторые оттенки красного соответствуют значениям от 0 до 10. Желтый и оранжевый цвета, соответствующие значениям оттенка в диапазоне от 10 до 39,5, не используются инструментом «Перо». Значения красного оттенка от 0 до 10 переназначаются на 179, чтобы правильно представить наибольшую интенсивность боли. Шкала оттенков колеблется от 39,5 до 179 после этой настройки. Затем из каждого значения оттенка вычитается 39,5, чтобы окончательная шкала находилась в диапазоне от 0 до 139,5.
  2. Вычислите и нормализуйте три метрики PBD, запустив скрипт Python quantifypain(filename) (Supplementary Coding File 1).
    1. Скрипт вычисляет каждую метрику, как описано ниже.
      1. Покрытие PBD: разделите количество цветных пикселей на общее количество пикселей, доступных в основной диаграмме. Диапазон количества цветных пикселей для женщин составляет от 0 до 820 452 пикселей (общее количество пикселей), а диапазон для мужчин — от 0 до 724 608 пикселей (общее количество пикселей).
      2. Суммарная интенсивность PBD: добавьте значения оттенка для всех пикселей на основной диаграмме. Диапазон для суммы значений оттенка для женщин составляет от 0 до 114 453 054, а диапазон для мужчин — от 0 до 101 082 816.
      3. Средняя интенсивность PBD: разделите сумму всех значений оттенка на общее количество цветных пикселей.
    2. Используйте скрипт для нормализации всех показателей PBD по шкале от 0 до 100, выполнив следующие вычисления, описанные ниже.
      1. Покрытие PBD: умножьте покрытие PBD на 100.
      2. Сумма PBD: Разделите суммарную интенсивность PBD на максимальную суммарную интенсивность PBD и умножьте на 100. Максимальная суммарная интенсивность PBD равна общему количеству пикселей на диаграмме тела, умноженному на 139,5 (т.е. для женщин она равна 820 452 пикселям, умноженным на 139,5, что равно 114 453 054; для мужчин она равна 724 608 пикселям, умноженным на 139,5, что равно 101 082 816).
      3. Среднее значение PBD: разделите среднюю интенсивность PBD на максимальное значение оттенка 139,5 и умножьте на 100.
  3. Повторите шаги 4.1 и 4.2 для обработки каждого PBD-файла (с расширением .png). Скомпилируйте выходные данные в электронную таблицу для выполнения дальнейшего анализа.

Результаты

Среднее значение, сумма и охват PBD однозначно предоставляют информацию о болевых реакциях, не учитываемую в других стандартизированных шкалах боли. Между двумя ПБД (рис. 2А, Б) средняя интенсивность боли одинакова (средняя ПБД = 79,6). Однако увеличение охвата и суммы показывает больший пространственный разброс боли и общую интенсивность боли соответственно, что дифференцирует два PBD (рис. 2B). Чтобы точно количественно оценить боль с помощью этих показателей, исследователи должны избегать следующих распространенных ошибок при настройке PBD (рис. 2C). Чрезмерно большая толщина пера и посторонние элементы, выходящие за пределы контура тела, такие как обводящие области тела или письменные дескрипторы, не будут захвачены при обработке PBD. Аналогичным образом, белое перо, используемое для удаления цвета, а не ластик, искажает метрики PBD. Практика и усиленные инструкции позволят пациентам создавать точные и поддающиеся количественной оценке ПБД, которые выявляют вариабельность интенсивности и распределения боли.

Показатели PBD были проверены в сравнении с NRS, VAS и MPQ (рис. 3B; Дополнительный рисунок 2) и получили высокие оценки по удобству использования (Дополнительный рисунок 1 и Дополнительный рисунок 2).

Показатели PBD коррелируют со стандартными показателями боли
Показатели PBD коррелировали с NRS, VAS и MPQ у большинства пациентов (рис. 3A, дополнительный рисунок 1A,B). У четырех из пяти пациентов сумма, охват и среднее значение PBD коррелировали с их ВАШ и NRS (корреляция Спирмена, rs = 0,33-0,72, p < 0,004, дополнительная таблица 1). У трех из пяти участников показатели PBD также значимо коррелировали с показателями MPQ (корреляция Спирмена, rs = 0,38-0,53, p < 0,004, дополнительная таблица 1). Однако у пациента 4 не было выявлено значимой корреляции между показателями PBD и стандартными показателями боли. Далее мы охарактеризовали нелинейные взаимосвязи между PBD и стандартными метриками с помощью анализа теории информации (дополнительный рисунок 2).

Метрики PBD избегают привязки ответов и обмениваются взаимной информацией со стандартными показателями боли
Метрики PBD содержали больше информации (т.е. энтропии), чем NRS. Среди пациентов NRS содержал меньше информации (2,32 ± 0,37 бита) по сравнению с интенсивностью VAS, неприятностью VAS, общим MPQ, суммой PBD, покрытием PBD и средним значением PBD (3,21 ± 0,49 бит, 3,20 ± 0,31 бит, 3,16 ± 0,23 бит, 3,06 ± 0,32 бит, 3,34 ± 0,16 бит, 3,22 ± 0,39 бит соответственно; Дополнительный рисунок 2). Это было подтверждено односторонними повторными измерениями ANOVA (F(4,1) = 12,10, p < 0,05) и t-критерием Тьюки для индивидуальных сравнений (все p < 0,05). Это показывает, что метрики PBD имеют меньшую привязку к ответу, чем NRS.

Кроме того, PBD был проверен на соответствие установленным показателям путем взаимного анализа информации (тестирование перестановок, α=0,05). У четырех из пяти пациентов показатели PBD достоверно разделяли ИМ с NRS, интенсивностью ВЭС, неприятностью ВЭС и MPQ (р < 0,05, рис. 3Б). В отличие от этого, показатели PBD пациента 4 не имели существенного общего с установленными показателями. Поскольку NRS содержала наименьшее количество информации о пациентах (дополнительный рисунок 2), это говорит о том, что NRS не смогла уловить нюансы в переживании боли, которые были зафиксированы PBD. У всех пациентов ЯРБ разделял значимый инфаркт миокарда с интенсивностью ВАШ, неприятными ощущениями от ВДС и МПК, в то время как сумма ПБД разделяла ИМ с покрытием ПБД и средним значением ПБД (р < 0,05, рис. 3Б). В целом, у большинства пациентов показатели PBD совпадали с установленными показателями боли.

PBD были просты в использовании для большинства участников
В ходе исследования четверо из пяти пациентов обнаружили, что PBD прост в использовании и точно отражает их боль (Дополнительная таблица 2). Однако пациент 4 сообщил, что ПБД было трудно использовать (5 баллов по 5-балльной шкале Лайкерта). В первую очередь это связано с тем, что они испытывают глубокую, висцеральную боль, которая плохо улавливается в 2-мерном (2D) ПБД. Несмотря на то, что пациенты по-разному знакомы с PBD (2,8 ± 1,2, диапазон 1-4, 5-балльная шкала Лайкерта), все они ежедневно использовали сопоставимую электронику (5,0 ± 0,0, 5-балльная шкала Лайкерта) и находили PBD удобным для пользователя (5,2 ± 0,4, диапазон 5-6, 6-балльная шкала Лайкерта).

figure-results-1
Рисунок 1. Рабочий процесс анализа диаграммы тела боли (PBD). Пациенты рисовали пустые шаблоны PBD, чтобы представить локализацию и интенсивность боли. Завершенные PBD содержали оттенки, которые варьировались от зеленого до синего и красного, представляя области от слабой, умеренной до сильной боли соответственно. PBD были замаскированы, чтобы включить только пиксели в контур тела, а затем шаблон был удален, чтобы изолировать только пиксели, содержащие оттенки. На основе PBD были рассчитаны охват PBD (%), суммарная интенсивность (нормализованная до 0-100) и средняя интенсивность (нормализованная до 0-100). Для покрытия PBD количество цветных пикселей сначала делили на общее количество пикселей в диаграмме (820 452 пикселя для женщин, 724 608 пикселей для мужчин), а затем умножали на 100. Для суммарной интенсивности PBD сначала суммировались значения оттенков для всех пикселей на диаграмме тела (женский диапазон: 0-114 453 054; мужской диапазон: 0-101 082 816). Затем сумма была разделена на максимальную суммарную интенсивность PBD (женщины: 820 452 пикселя, умноженные на максимальное значение оттенка 139,5, мужчины: 724 608 пикселей на 139,5) и умноженная на 100. Для средней интенсивности PBD сумма всех значений оттенка делилась на общее количество цветных пикселей, а затем нормализовалась делением на максимальное значение оттенка 139,5. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

figure-results-2
Рисунок 2. Репрезентативные ПБД, показывающие примеры хороших и плохих ПБД. (А,Б) Хорошие PBD показывают полезность вычисления 3 показателей боли. (C) К плохим примерам PBD относятся чрезмерно толстый размер пера, посторонние элементы за пределами схемы тела и неточное стирание. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

figure-results-3
Рисунок 3. Показатели PBD были сопоставлены со стандартными показателями боли с помощью корреляции Спирмена и анализа взаимной информации. (A) Интенсивность ВАШ и сумма PBD на графике с линейными линиями наилучшего соответствия, нарисованными для каждого пациента. (B) Данные на уровне группы, показывающие среднюю взаимную информацию (ИМ) между каждым показателем боли, при этом ИМ обозначен цветной полосой справа. Текст в каждом поле представляет количество пациентов со статистически значимым ИМ для данного попарного сравнения (например, 3/5 обозначает 3 пациента со значимыми значениями). МИ представлен наблюдаемым ИМ, деленным на теоретическое максимальное ИМ. Сокращения: NRS=числовая шкала оценки; Интенсивность VAS = интенсивность визуальной аналоговой шкалы; VAS unpl. = визуальная аналоговая шкала неприятных ощущений, MPQ = краткая форма опросника боли Макгилла 2; PBD=диаграмма тела боли; PBD cov. = охват PBD, MI = взаимная информация, sig. = значительный. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Дополнительный рисунок 1. Среднее значение PBD (A) и покрытие PBD (B) построены в зависимости от интенсивности ВАШ с помощью линейных линий наилучшего соответствия, построенных для каждого пациента. Сокращения: VAS=визуальная аналоговая шкала; PBD=диаграмма тела боли. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 2. Энтропия на единицу показателя боли у разных пациентов. На групповом уровне интенсивность NRS имела меньшую энтропию, чем любая другая метрика боли, что было показано повторными измерениями одностороннего ANOVA, за которым следовал тест Тьюки постфактум для конкретных сравнений * = p < 0,05, ** = p < 0,001. Сокращения: NRS=числовая шкала оценки; VAS=визуальная аналоговая шкала; MPQ=опросник боли Мак-Гилла; PBD=диаграмма тела боли. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 1. Корреляция Спирмена между показателями PBD и стандартными показателями боли, о которых сообщают сами пациенты. Коэффициенты корреляции Спирмена (rho) для трех извлеченных метрик PBD в сравнении с показателями боли NRS, VAS и MPQ. Сокращения: NRS=числовая шкала оценки; VAS=визуальная аналоговая шкала; MPQ=опросник боли Мак-Гилла; PBD=диаграмма тела боли. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 2. Впечатления пациентов от заполнения PBD были выявлены с помощью вопросов, специфичных для PBD и изменения шкалы удобства использования системы. Вопросы модифицированной шкалы юзабилити чередовались в положительных и отрицательных утверждениях и оценивались по 5-балльной шкале (1 = полностью согласен, 5 = полностью не согласен). Аббревиатура: PBD=диаграмма тела боли. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл кода 1: скрипт Python для метрик PBD. Аннотированный код python обрабатывает PNG-файл диаграммы тела боли и выводит среднее значение PBD, покрытие и сумму для каждого файла. Скрипт также включает операторы импорта для загрузки пакетов, необходимых для запуска программы. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 1: Дополнительный файл с методологическими подробностями. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Критические шаги в рамках протокола
Основные этапы включают в себя: настройку PBD, инструктаж пациента и предварительную обработку. Для настройки PBD каждый PBD, специфичный для пола, должен визуализировать вид спереди и сзади26 и накладываться пустым слоем на иллюстративное приложение для изоляции значений тона. Кроме того, размер пера должен соответствовать потребностям пациентов в иллюстрациях, а градиенты оттенков должны быть определены для количественного анализа PBD. Инструкции пациента и понимание инструмента имеют основополагающее значение для получения надежных данных. Участникам должно быть выделено достаточно времени для того, чтобы попрактиковаться в применении инструмента на PBD. Используйте метод обратного обучения, чтобы периодически проверять понимание участниками заданий и опросов во время тестирования, примерно один раз в 10 PBD. Для того, чтобы отслеживать отдельные PBD, также рекомендуется присвоить каждому файлу уникальный заголовок и временную метку после завершения. После сбора данных каждая метрика PBD может быть извлечена с помощью скриптов Python27 (см. Дополнительный файл кодирования 1). Измерения охвата PBD, суммарной интенсивности и средней интенсивности могут быть повторены до и после любого лечения или вмешательства для отслеживания болевых реакций у пациента. Чтобы извлечь эти показатели, один исследователь, не участвующий непосредственно в сборе данных, должен наложить слои черной маски, чтобы изолировать только цвета, нарисованные внутри контура тела, а затем вычислить значения пикселей HSV с помощью специального программного кода, предоставленного в виде дополнительного файла 1.

Модификации и устранение неисправностей в технике
Методологические шаги уточнялись при сборе данных пациента 1. Они включают в себя предоставление пациентам больше времени для ознакомления с контролем чувствительности пера к нажатию, правильную настройку слоев диаграммы тела для последующей маскировки и анализа, ограничение использования символов или слов на PBD и регулировку абсолютной чувствительности к нажатию пера в соответствии с силой и ловкостью каждого участника (хотя трансформация между относительным давлением и оттенком оставалась постоянной). Пациентам было позволено выбрать размер ручки, чтобы наилучшим образом отразить свою боль; Тем не менее, выбор одного фиксированного размера может позволить улучшить будущие сравнения между пациентами. В будущих итерациях создание прототипа метода, использующего один цветовой канал (например, красный, зеленый или синий) и изменение яркости цвета в зависимости от нажима пера, может свести к минимуму возможную потерю точности при преобразовании из цветового пространства RGB в HSV.

Ограничения методики
ПБД требует, чтобы пациенты обладали достаточной исходной двигательной силой и ловкостью, по крайней мере, в одной верхней конечности, с хорошей мелкой моторикой пальцев, как минимум, для самостоятельного составления диаграмм и точной передачи своих болевых ощущений через давление. В то время как стандартные показатели боли, такие как NRS и MPQ, могут быть введены на бумаге или клавиатуре ассистентом посредством вербальной коммуникации, эта модификация с PBD еще не подтверждена. PBD также не хватает глубины в качестве двухмерной иллюстрации. Было качественно продемонстрировано, что уровень детализации трехмерной диаграммы тела расширяет передачу информации о боли17. Дальнейшая характеристика глубины боли может получить новую информацию о боли, которая не исследована в таких шкалах, как NRS, VAS и MPQ. Диаграммы тела в настоящее время не предназначены для того, чтобы фиксировать более абстрактную соматизацию или более глубокие формы боли. Например, пациент 4 сообщил о том, что локализация и интенсивность боли не были хорошо охарактеризованы диаграммой тела в опроснике юзабилити, поскольку он чувствовал, что они не отражают его внутреннюю нейропатическую боль. Пациент 5 часто рисовал пунктирные линии на диаграммах тела, чтобы обозначить тяжесть в своем теле, что может запутать метрические расчеты. Будущие итерации PBD могут быть расширены, чтобы представить соматизацию боли или висцеральной боли количественным методом. Наконец, PBD были проанализированы в рамках N-of-1, где для каждого участника было сгенерировано около 100 отдельных PBD. Анализ на уровне групп был невозможен из-за небольшого общего числа участников. Таким образом, в этом исследовании не удалось определить надежность теста-ретеста, поскольку ответы на шкалы NRS сталкиваются с якорной систематической ошибкой, что позволяет предположить, что те же самые баллы NRS могут не быть эквивалентны тем же PBD, протестированным после испытания. В будущем потребуются исследования для оценки показателей PBD в условиях группового анализа и надежности метода при повторном тестировании на более крупной выборке.

Значимость метода по отношению к существующим методам
PBD широко использовались в клинических и исследовательских условиях для демонстрации интенсивности боли по всему телу участника14,15, но этот инструмент оставался в значительной степени ограниченным по своей качественной природе. Несмотря на то, что для лонгитюдного отслеживания хронической боли использовалось цифровое картирование боли, пациентам не хватало возможности представить интенсивность и локализацию боли в комбинированной, точной технике. Это новое преобразование давления и оттенка, объединенное с PBD, обеспечивает составные пространственные и количественные показатели боли, которые можно многократно измерять и отслеживать во времени, чтобы зафиксировать переживание боли участника. Здесь было продемонстрировано, что три извлеченных показателя PBD, которые дифференцированно отражают интенсивность боли и ее локализацию у пациента, т.е. охват PBD, суммарная интенсивность и средняя интенсивность, обладают высокой валидностью и согласуются со стандартизированными показателями боли, такими как интенсивность NRS, интенсивность VAS, неприятность VAS и MPQ. Все показатели PBD коррелировали с показателями VAS и NRS у четырех из пяти пациентов и значимо коррелировали с MPQ у трех из пяти. Кроме того, подход теории информации 28,29,30,31 выявил нелинейные зависимости, которые не были обнаружены более распространенными статистическими методами. В исследовании у четырех из пяти пациентов наблюдалась значительная инфаркт миокарда между показателями ПБД и NRS, интенсивностью ВЭС, неприятностью ВЭС и МПК, что свидетельствует о значительном, но не полном совпадении в содержании информации. Таким образом, показатели PBD были в значительной степени согласованы со стандартизированными показателями боли, однако среднее значение PBD, по-видимому, отражало комбинацию информации об интенсивности и локализации, которая отсутствовала в обычных показателях боли.

Будущие применения этой техники
Полученные результаты показывают, что PBD могут быть особенно подходящими для пациентов, которые испытывают и количественно оценивают свою боль по нелинейной шкале. Подобно тому, как вербальные дескрипторы могут предоставить участникам еще одно измерение для оценки боли, PBD обеспечивают уникальную графическую интерпретацию боли, основанную на давлении. Реализуя новую трансформацию давления-оттенка, диаграммы тела предоставляют информацию о локализации, распространении и региональных вариациях интенсивности боли, что, насколько нам известно, ранее не демонстрировалось. Вместе с нейронными данными, собранными во время любого исследования DBS, показатели PBD могут быть мощным инструментом для локализации боли в различных областях тела в разных областях мозга и помочь в механистических исследованиях путей передачи сигналов боли. Трансформация «давление-оттенок», реализованная в PBD, может быть использована во многих клинических и исследовательских учреждениях для анализа облегчения боли в ответ на лечение или сравнения боли с течением времени. Этот метод не только создает уникальные, визуально интуитивно понятные диаграммы для оценки боли, но и точно фиксирует опыт пациента, выходящий за рамки единичной числовой оценки.

Раскрытие информации

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Это исследование было профинансировано грантом Национальных институтов здравоохранения UH3-NS115631 PS. Источники финансирования одобрили дизайн исследования, но не играли никакой роли в проведении исследования, анализе данных или подготовке рукописи. Мы также благодарим д-ра Эдварда Ф. Чанга, д-ра Филипа А. Старра и участников нашего исследования.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Adobe Photoshop v.21.2.1Adobe Inc.Н/ДФоторедактор приложение для предварительной обработки диаграмм боли тела
Apple Pencil 2-го поколенияApple Inc.A2051Цифровое перо для преобразования нажима и оттенка
iPad Pro (11 дюймов, 2-го поколения)Apple Inc.MY332LL/AСенсорный цифровой планшет
Pain Body Diagram Template123RF95218807Copyright Use
Procreate v5.3.1ProcreateN/AКоммерчески доступное приложение для иллюстрации
REDCap v13.2.1Университет ВандербильтаN/AБезопасное приложение для веб-опросов и баз данных

Ссылки

  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).

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи