Summary
疼痛の重症度を定量化するために使用されている現在の疼痛尺度(視覚的なアナログ尺度など)は、主観的な疼痛体験の複雑さを捉えることができません。ペインボディダイアグラムは定性的なものですが、より有益な場合があります。この方法の目的は、新しい筆圧色相変換を使用して、疼痛体図から定量的な指標を抽出することです。
Abstract
個人の主観的な疼痛の重症度を定量化するために、数値評価尺度(NRS)、視覚的アナログ尺度(VAS)、またはマギル疼痛質問票(MPQ)などの標準化された疼痛評価尺度が一般的に使用され、数値尺度で疼痛を評価します。しかし、これらの尺度はしばしば偏っており、痛みの経験の複雑さを捉えることができません。対照的に、臨床現場では、患者が身体図を描いて痛みの領域を報告することがしばしば要求されますが、これは効果的ですが定性的なツールです。ここで紹介する方法は、NRS、VAS、およびMPQの疼痛スケールに対して検証された疼痛体図(PBD)から定量化可能な指標を抽出します。デジタルタブレットで新しい筆圧-色相変換を使用することで、デジタルスタイラスで適用されるさまざまな描画圧力をPBD上で異なる色相として表現できます。これにより、緑から青、赤までの色相の視覚的に直感的な図が生成され、それぞれ軽度から中等度、最も痛みを伴う領域を表します。各PBDを定量化するために、(1)各ピクセルの色相値の合計を色付きピクセル数で割ったPBD平均強度、(2)PBDカバレッジ(体上の色素数を総ピクセル数で割った値に等しい)、(3)すべてのピクセルの色相値の合計に等しいPBD合計強度。相関分析と情報理論分析を使用して、これらのPBD指標は、NRS、VAS、MPQなどの標準化された疼痛指標と高い一致があることが示されました。結論として、PBDは、参加者の疼痛経験を包括的に特徴付けるために、時間の経過とともに繰り返し測定および追跡できる新しい空間的および定量的情報を提供することができます。
Introduction
慢性疼痛は、米国で5,000万人以上の成人が罹患している衰弱性神経精神疾患です1。しかし、主観的な疼痛強度を追跡するための一般的な臨床ツール(数値評価尺度[NRS]や視覚的アナログ尺度[VAS]など)は還元主義的であり、体性感覚、認知、または感情領域にまたがる疼痛症状強度の複雑な性質を伝えることができません2,3。個人の疼痛強度を正確に追跡することは、疼痛症候群の診断、疾患の進行のモニタリング、薬物療法や脳刺激などの治療法の潜在的な有効性の評価に不可欠です。
広く使用されているNRS疼痛強度ツールは、被験者が疼痛強度を0〜10の整数値として評価することを要求し、痛みがないから最悪の痛みまでを表します。NRSは、管理と理解は簡単ですが、回答者のアンカリングバイアス、期待バイアス、および個々の値の可変解釈によって制限されます4,5。これらは、参加者間の比較も制限します。0〜100の連続スケールであるVASは、アンカリングの影響を軽減する可能性がありますが、NRS4と同様の制限に直面する可能性があります。いくつかの研究は、慢性腰痛の重症度6,7と臨床診療5についてNRSとVASの間で高度な一致を示していますが、コンセンサスガイドラインは、臨床的疼痛試験のデザインまたは解釈において同様の尺度に依存することの多くの欠点を強調しています8,9.短縮形のマギル疼痛質問票2(MPQ)は、感覚疼痛と情緒疼痛の次元11を区別するのを助けるために、言語記述子10の評価を使用して疼痛の体性感覚的および感情的次元をさらに解剖する。これらの疼痛評価尺度は、疼痛の強さを追跡するために一般的に使用されているが12,13、疼痛の位置や身体部位間の強度の変化などの詳細な地形情報を捉えることができない。
疼痛体図(PBD)は、オープンエンドの自由形式の疼痛評価ツールであり、回答者は、疼痛の位置と強度を図式化された人体の輪郭に視覚的に表現することができます14,15。PBDは、参加者と医療提供者の間の効果的なコミュニケーションツールであり、痛みの症状を縦断的に追跡するのに役立ちます16。PBDの自由形式のグラフィック形式は、アンカリングバイアスを減らす可能性があります。性別別のボディダイアグラムの導入など、PBDの最近の修正により、視覚的に表現された体型を回答者の解剖学的構造に合わせることで、コミュニケーションツールとしての有効性が高まり、それによって自己識別と応答の精度が向上しました17。さらに、色を使って痛みの強さを示すことで、文化や言語の壁を乗り越えて痛みの症状を効果的に伝えることができることが示されています。例えば、白と赤の色は、モン族の患者集団において、それぞれ痛みがないことを示すために、また激しい痛みを示すために最も一般的に選択された18。PBDは効果的なツール19,20ですが、その定性的な性質によって制限されてきました。
デジタルタブレットでのPBDの使用により、痛みの場所と強さを定量化するために利用できるツールが大幅に拡大しました。Barberoらは、慢性腰痛および頸部痛を有する患者のPBD内に描かれた疼痛の程度またはピクセル数を定量化し、良好な検査-再検査の信頼性とVAS測定との有意な相関を示した21。身体図も分析され、痛みの頻度マップを作成して、体の痛みが最も多い領域から最も頻度の低い領域までを示しています21,22。これらの手法は空間的な疼痛情報を定量化するが、これまでのところ、疼痛の強さと場所の両方を複合指標に組み込んだ方法はなかった。
次のプロトコルは、斬新で視覚的に直感的な色付きのPBDを取得し、痛みの強さと位置情報の複合体を一緒に反映する3つの定量的指標を抽出する方法を示しています。これを行うために、難治性の慢性神経障害性疼痛に対する脳深部刺激療法(DBS)の研究試験を受けている5人の参加者が選ばれ、N-of-1の研究デザインを使用して現在のアプローチをテストしました23。参加者は、タブレットのイラストアプリケーションにさまざまなレベルの筆圧を適用し、体のさまざまな場所でのさまざまな痛みの強さに対応する色相を生成することにより、瞬間的な痛みの症状の強さを報告するように指示されました。PBDから得られたカバレッジ、合計強度、および平均強度の指標を、統計的および相互情報量(MI)分析を使用して、より一般的な検証済みの疼痛指標(すなわち、NRS、VAS、およびMPQ)と比較しました。
10日間の入院入院中、評価を受けた患者は、NRS、VAS、MPQなどの検証済みの疼痛尺度に加えて、PBD(平均±標準偏差(SD)= 121.8±患者あたり34.3PBD、範囲84-177、合計609PBD)を完了しました。PBDはタブレットアプリケーションを介して収集され、完了時にタイムスタンプ付きのファイルとして安全な研究サーバーにアップロードされました。疼痛強度 NRS、VAS、および MPQ は、安全な Web アプリケーションである REDCap 調査ツールを使用して取得されました。調査とPBDはどちらも、患者が評価を正確に完了するために必要な支援を受けられるように、研究助手によって直接実施されました。次の手順では、痛みを確実に定量化するために使用されるPBDの設定、参加者の指示、データ収集、およびPBD分析について詳しく説明します(図1)。
Protocol
このPBDプロトコルは、UCSFヒト研究保護プログラムとFDAによって承認された親臨床試験プロトコル(NCT03029884)で実施されました。各参加者(女性3人、男性2人、年齢層:51〜67歳)は、書面によるインフォームドコンセントに署名しました。彼らはUCSF疼痛管理センターから募集されたか、米国の医師によって紹介されました。
1. ペインボディダイアグラムの設定
- 患者の選択基準: 次の疼痛診断を受けた参加者を含めます: 中枢性脳卒中後疼痛 (2 人の患者) および神経根痛を伴う神経変性脊椎疾患を含むいくつかの神経因性疼痛の病因 (1 人の患者)、複合性局所疼痛症候群 (1 人の患者)、および脊髄損傷 (1 人の患者)。参加者全員が高校卒業後の教育を修了しています。
- 身体の前面と背面の両方を表示する性別に適したPBDテンプレート(補足図1)を、タッチセンサー式デジタルタブレットの感圧描画ツールを含むイラストレーションアプリケーションにインポートします。PBDテンプレートをタブレットのフォトライブラリにダウンロードし、「 インポート 」ボタンをクリックします。
- PBDテンプレートの上に新しいレイヤーを作成するには、 レイヤー アイコンをクリックし、参加者が描画する + ボタンをクリックします。その結果、PBDと痛みを示す色で描かれた2つの層になります。
- x=y の筆圧から色相への変換曲線を持つ新しいブラシを作成するには、まず [ブラシ ライブラリ] アイコンをクリックし、次に + をクリックしてブラシ スタジオを開きます。
- [カラーダイナミクス]というラベルの付いたボタンをクリックし、[色圧]セクションまで下にスクロールします。色相スライダーで [数値パーセンテージ] をクリックして、圧力変換グラフが 45° の直線を視覚化するようにします。
注: グラフをダブルクリックすると、グラフをまっすぐな x=y グラフにリセットするオプションが表示されます。 - 緑から青、赤の色相のグラデティエントの範囲を定義するには、色覚のセクションの下にある色相スライダーを調整し、[ 表示される割合の数値 ] をクリックし、81% の数値を入力します。
注:これを行う別の方法は、アプリケーションでヘキサコードの手動入力が許可されている場合は、#008000の16進数制限を入力して #FF0000 することです。 - ペンツールのスライダーを調整して、研究参加者のニーズに対応するペンサイズを選択します。ペンのサイズは 30% で、ほとんどの参加者にとって適切な開始サイズです。
2. 参加者への指示
- ポートレートモードでのボディテンプレートのPBDの解剖学的構造と向き、描画ツールと消去ツール、触覚的なピンチズーム、パンニング機能を患者に説明します。
- 圧力から色相への線形変換を次の方法で参加者に説明します:スタイラスに加えられた圧力が増加すると、色相が緑から青、赤にシフトし、任意の場所で軽度から中等度から重度の痛みの強さをそれぞれ表すために図に色を付ける必要があることを参加者に伝えます。
- ティーチバック法24を用いて、参加者に自分の言葉で図の記入方法を説明してもらい、PBD課題の理解度を確認する。
- 参加者に少なくとも15分間の練習時間を与えて、平らな面に複数のPBDを描き、痛みの場所と強さを正確に表現できるようにします。使いやすさを最大限に高めるために、あらゆる調整を行うことができます。その後すぐに各参加者とPBDを確認して、一貫性があり、色が意図したとおりに描かれていることを確認します。
3. データ収集と前処理
- ベースライン中、または何らかの治療または介入後のさまざまな時点でPBDを完了するように参加者に依頼します。各PBDの完了には、参加者が満足できるまで各マップを完成させることができるよう、無期限の時間を確保してください。
- 完成したPBDを、患者IDとPBDが完了した日時を含む標準化されたファイル名で保存します。
注意: これらのファイルは、タブレットデバイスに一時的に保存されます。 - 完成したPBDを、前処理用の画像レイヤーを保持するポータブルドキュメント形式(.PDF)またはフォトショップドキュメント(.PSD)ファイル形式で一括エクスポートします。一括エクスポートするには、まず [選択 ] アイコンをクリックして目的の画像を選択し、次に [ 共有 ] をクリックしてエクスポートする画像形式のメニューを開きます。選択したフォーマット ファイルをクリックします。
注: エクスポートされたファイルは、安全な研究サーバーにアップロードされます。 - PBDをダウンロードし、ラスターベースの画像エディタで開きます。
- 2 つのマスクレイヤー(カラーインレイヤーの下に完全に黒のレイヤーを 1 つ、カラーインレイヤーの上にあるテンプレートボディアウトラインの外側のピクセルを除外するブラックマスクレイヤー)を追加して、対象のカラーピクセルを PBD ファイルの最上位レイヤーから分離します。これにより、処理されたPBDは、黒い背景にボディアウトライン内の色付きピクセルのみを含むことになります(図1)。
- 処理されたPBDをポータブルネットワークグラフィックス(.png)ファイルとして書き出すには 、「ファイル>エクスポート」>「PNG>エクスポート」>一連のボタンをクリックして選択します。
4. PBD定量
- 公開されている Python パッケージである OpenCV225 を使用して、PBD の各ピクセル値を RGB (赤、緑、青) 色空間から HSV (色相、彩度、明度) 色空間に変換します。rgba2hsv(filename) (Supplementary Coding File 1) と measure_SAnoblur(filename, sigma-1.0) というタイトルの Python スクリプトを実行して、各ピクセルの色相値を抽出します (図 1)。
注: これらのスクリプトは、色相値を定量化して調整し、0 から 139.5 までの連続的な色相スケールを作成します。OpenCV2 の HSV 値の範囲は 0 から 179 です。最も明るい緑は、痛みの強さが最も少ないことを表し、色相値 39.5 に対応します。一部の赤の色相は、0 から 10 の間の値に対応します。10〜39.5の色相値に対応する黄色とオレンジ色は、ペンツールでは使用されません。0 から 10 までの赤色の色相値は、最も痛みの強さを正しく表すために 179 に再割り当てされます。この調整後、色相スケールの範囲は 39.5 から 179 になります。次に、各色相値から 39.5 が減算され、最終的なスケールの範囲が 0 から 139.5 になります。 - quantifypain(filename) (Supplementary Coding File 1) というタイトルの Python スクリプトを実行して、3 つの PBD メトリクスを計算して正規化します。
- スクリプトは、以下で説明するように各メトリックを計算します。
- PBD カバレッジ: 色付きのピクセル数を、ボディ ダイアグラム内で使用可能なピクセルの合計数で割ります。色画素数の範囲は、女性用は0〜820,452画素(総画素数)、男性用は0〜724,608画素(総画素数)である。
- PBD 合計強度: ボディ ダイアグラムのすべてのピクセルの色相値を追加します。色相値の合計の範囲は 0 から 114,453,054 で、男性の範囲は 0 から 101,082,816 です。
- PBD平均強度: すべての色相値の合計をカラーピクセルの総数で割ります。
- スクリプトを使用して、以下で説明する計算に従って、0 から 100 のスケールですべての PBD メジャーを正規化します。
- PBD カバレッジ: PBD カバレッジに 100 を掛けます。
- PBD sum: PBD 合計強度を最大 PBD 合計強度で割り、100 を掛けます。最大PBD合計強度は、ボディダイアグラムのピクセル数の合計に139.5を掛けたものに等しくなります(つまり、女性の場合、820,452ピクセルに139.5を掛けると114,453,054になり、男性の場合は724,608ピクセルに139.5を掛けて101,082,816になります)。
- PBD 平均: PBD 平均強度を最大色相値の 139.5 で割り、100 を掛けます。
- スクリプトは、以下で説明するように各メトリックを計算します。
- 手順 4.1 と 4.2 を繰り返して、各 PBD (拡張子 .png) ファイルを処理します。スプレッドシートで出力をコンパイルして、さらに分析を実行します。
Representative Results
PBDの平均、合計、およびカバレッジは、他の標準化された疼痛尺度では捕捉されない疼痛反応に関する情報を一意に提供します。2つのPBD(図2A、B)間では、平均疼痛強度は同じです(PBD平均= 79.6)。しかし、カバー率と合計が増加すると、2つのPBDを区別する疼痛と総疼痛強度のそれぞれ、より大きな空間的広がりが明らかになります(図2B)。これらの指標を使用して痛みを正確に定量化するために、研究者は次のような一般的なPBD設定の間違いを避ける必要があります(図2C)。ペンの太さが大きすぎる場合や、体の輪郭の外側にある無関係な要素 (円形のボディ領域や記述子など) は、PBD 処理でキャプチャされません。同様に、消しゴムツールではなく白いペンを使用して色を削除すると、PBDメトリックが歪んでしまいます。実践と強化された指導により、患者は正確で定量化可能なPBDを作成できるようになります 痛みの強さと分布のばらつきを明らかにします。
PBD指標は、NRS、VAS、およびMPQに対して検証されました(図3B;補足図2)ユーザビリティで高い評価を得ました(補足図1、補足図2)。
標準的な疼痛指標と相関するPBD指標
PBD指標は、ほとんどの患者でNRS、VAS、およびMPQと相関していました(図3A、 補足図1A、B)。5人の患者のうち4人において、PBDの合計、カバレッジ、および平均がVASおよびNRSと相関していた(Spearmanの相関、 rs = 0.33-0.72、 p < 0.004、 補足表1)。5人中3人の参加者について、PBD指標はMPQスコアと有意に相関していた(Spearmanの相関、 rs = 0.38-0.53、 p < 0.004、 補足表1)。しかし、患者4はPBD指標と標準的な疼痛スコアとの間に有意な相関を示さなかった。さらに、情報理論分析を用いて、PBDと標準指標の非線形関係を特徴づけた(補足図2)。
PBDメトリクスは、レスポンスアンカリングを回避し、標準的な疼痛メトリクスと相互情報を共有します
PBDメトリクスには、NRSよりも多くの情報(エントロピー)が含まれていました。患者全体で、NRSは、VAS強度、VAS不快感、MPQ合計、PBD合計、PBDカバレッジ、およびPBD平均(それぞれ3.21 ± 0.49 ビット、3.20 ± 0.31 ビット、3.16 ± 0.23 ビット、3.06 ± 0.32 ビット、3.34 ± 0.16 ビット、3.22 ± 0.39 ビット)と比較して、より少ない情報(2.32±0.37 ビット)を含んでいた。補足図2)。これは、一元配置反復測定ANOVA(F(4,1)= 12.10、p < 0.05)と個別比較のためのテューキーのt検定(すべてp < 0.05 )で確認されました。これは、PBD指標がNRSよりも応答アンカリングが少なかったことを示しています。
PBDは、相互情報量分析(順列検定、α=0.05)によって確立された指標に対してさらに検証されました。5人中4人の患者において、PBD指標は、NRS、VAS強度、VAS不快感、およびMPQとMIを有意に共有していました(p < 0.05、 図3B)。対照的に、患者4のPBD指標は、確立された指標とMIを有意に共有していなかった。NRSは患者の情報が最も少なかったため(補足図2)、PBDが捉えた疼痛経験のニュアンスを捉えられなかったことが示唆される。すべての患者において、NRSはVAS強度、VAS不快感、およびMPQと有意なMIを共有し、PBDの合計はMIをPBDカバレッジおよびPBD平均と共有しました(p < 0.05、 図3B)。全体として、ほとんどの患者において、PBD指標はMIを確立された疼痛指標と共有していた。
PBDは、ほとんどの参加者にとって使いやすかった
この研究では、5人の患者のうち4人がPBDが使いやすく、痛みを正確に反映していると感じました(補足表2)。しかし、患者4はPBDの使用が困難であると報告した(5段階のリッカート尺度で5)。これは主に、2次元(2D)PBDではうまく捉えられない深い内臓の痛みがあるためです。患者はPBDに精通している(2.8±1.2、範囲1〜4、5ポイントのリッカート尺度)が異なっていましたが、全員が同等の電子機器を毎日使用しており(5.0±0.0、5ポイントのリッカート尺度)、PBDがユーザーフレンドリーであることがわかりました(5.2±0.4、範囲5〜6、6ポイントのリッカート尺度)。
図 1.ペインボディダイアグラム(PBD)分析ワークフロー。 患者は、痛みの位置と強さを表すために空白のPBDテンプレートを描きました。完成したPBDには、緑から青、赤までの範囲の色相が含まれ、それぞれ軽度から中等度から重度の痛みの領域を表しています。PBDは、ボディアウトライン内のピクセルのみを含むようにマスクされ、その後、色相を含むピクセルのみを分離するためにテンプレートが削除されました。PBDから、PBD被覆率(%)、合計強度(0〜100に正規化)、平均強度(0〜100に正規化)を算出した。PBD カバレッジの場合、色付きのピクセル数は、最初にダイアグラム内のピクセルの総数 (女性は 820,452 ピクセル、男性は 724,608 ピクセル) で割り、次に 100 を掛けました。PBD合計強度の場合、ボディダイアグラムのすべてのピクセルの色相値を最初に合計しました(女性の範囲:0-114,453,054、男性の範囲:0-101,082,816)。次に、合計を最大PBD合計強度(女性:820,452ピクセル×最大色相値139.5、男性:724,608ピクセル×139.5)で除算し、100を掛けた。PBD 平均強度の場合、すべての色相値の合計を色付きピクセルの総数で除算し、最大色相値の 139.5 で割って正規化しました。 この図の拡大版をご覧になるには、ここをクリックしてください。
図 2.良いPBDと悪いPBDの例を示す代表的なPBD。 (A,B)優れたPBDは、3つの疼痛指標を計算することの有用性を示しています。(C) 悪いPBDの例としては、ペンのサイズが太すぎる、ボディダイアグラムの外側に無関係な要素がある、不正確な消去などがあります。 この図の拡大版をご覧になるには、ここをクリックしてください。
図 3.PBD指標は、Spearmanの相関分析および相互情報量分析により、標準的な疼痛指標に対して検証されました。 (A)VAS強度とPBDの合計は、各患者に対して描かれた線形のベストフィット線でプロットされています。(B)各疼痛指標間の平均相互情報量(MI)を示すグループレベルのデータで、MIは右側のカラーバーで示されています。各ボックスのテキストは、特定のペアワイズ比較で統計的に有意なMIを有する患者の数を表す(例えば、3/5は有意な値を持つ3人の患者を示す)。MIは、観測されたMIを理論上の最大MIで割った値で表されます。 略語:NRS =数値評価スケール。VAS強度=ビジュアルアナログスケール強度。VASのunpl。= ビジュアル アナログ スケールの痛みの不快感、MPQ=短縮形のマギル疼痛アンケート 2;PBD =ペインボディダイアグラム;PBDのcov。= PBDカバレッジ、MI = 相互情報量、sig. = 有意。 この図の拡大版をご覧になるには、ここをクリックしてください。
補足図1. PBD 平均 (A) と PBD カバレッジ (B) を VAS 強度に対してプロットし、各患者に対して線形のベストフィット線を描画しました。略語:VAS =ビジュアルアナログスケール。PBD=ペインボディダイアグラム。 このファイルをダウンロードするには、ここをクリックしてください。
補足図2.患者全体の疼痛あたりのエントロピー指標。グループレベルでは、NRS強度は、反復測定の一元配置ANOVAとそれに続く特定の比較のためのテューキーの検定事後測定によって示されるように、他のすべての疼痛指標よりもエントロピーが低かった * = p < 0.05、** = p < 0.001。略語:NRS =数値評価尺度;VAS =ビジュアルアナログスケール;MPQ =マギル疼痛アンケート;PBD=ペインボディダイアグラム。このファイルをダウンロードするには、ここをクリックしてください。
付表1.PBD指標と自己申告の標準的な疼痛測定値の間のスピアマンの相関。 NRS、VAS、およびMPQ疼痛測定に対する3つの抽出されたPBD指標のスピアマンの相関係数(rho)。略語:NRS =数値評価尺度;VAS =ビジュアルアナログスケール;MPQ =マギル疼痛アンケート;PBD=ペインボディダイアグラム。 このファイルをダウンロードするには、ここをクリックしてください。
付表2.PBDを完了した患者の印象は、PBD固有の質問とシステムユーザビリティスケールで修正された質問を通じて明らかになりました。 修正されたユーザビリティ尺度の質問は、肯定的な文と否定的な文で交互に行われ、5段階評価(1=強く同意する、5=強く同意しない)でランク付けされました。略称:PBD=ペインボディダイアグラム。 このファイルをダウンロードするには、ここをクリックしてください。
補足コーディングファイル1:PBDメトリックのPythonスクリプト。 注釈付きの Python コードは、ペインボディ ダイアグラムの PNG ファイルを処理し、各ファイルの PBD 平均値、カバレッジ値、および合計値を出力します。このスクリプトには、プログラムの実行に必要なパッケージをダウンロードするための import ステートメントも含まれています。 このファイルをダウンロードするには、ここをクリックしてください。
補足ファイル1:方法論の詳細に関する補足ファイル。このファイルをダウンロードするには、ここをクリックしてください。
Discussion
プロトコル内の重要なステップ
主なステップには、PBDのセットアップ、患者への指示、および前処理が含まれます。PBDの設定では、各性別固有のPBDは、正面図と背面図26を視覚化し、色相値を分離するためにイラストレーションアプリケーション上で空のレイヤーでオーバーレイする必要があります。さらに、PBDを定量的に分析するには、ペンのサイズが患者のイラストレーションのニーズを満たし、色相の勾配を定義する必要があります。参加者がPBDにツールを実装する練習をするために、十分な時間を割り当てる必要があります。ティーチバック方式は、テスト中に定期的に、約10回のPBDに1回、参加者のタスクとアンケートの理解度を確認するために使用します。個々のPBDを追跡するために、完了後に各ファイルに一意のタイトルとタイムスタンプを付けることもお勧めします。データ収集後、Python27 スクリプトを使用して各 PBD メトリックを抽出できます ( 補足コーディング ファイル 1 を参照)。PBDの適用範囲、合計強度、および平均強度の測定は、患者の疼痛反応を追跡するために、治療または介入の前後に繰り返すことができます。これらの指標を抽出するには、データ収集に直接関与していない1人の研究者が、ブラックマスクレイヤーを重ねて、ボディアウトライン内に描画された色のみを分離し、 補足ファイル1として提供されるカスタムソフトウェアコードを使用してHSVピクセル値を計算する必要があります。
手法の変更とトラブルシューティング
方法論的ステップは、患者 1 のデータ収集中に改良されました。これらには、患者がペンの筆圧感知の制御に慣れるためのより多くの時間を与えること、後でマスキングおよび分析するためのボディダイアグラムレイヤーの正しい設定、PBDでの記号または単語の使用を制限すること、および各参加者の強さと器用さに応じて絶対筆圧感度を調整することが含まれます(ただし、相対圧力と色相の間の変換は一定に保たれました)。患者は、自分の痛みを最もよく表すペンのサイズを選択することができました。ただし、固定サイズを 1 つ選択すると、将来の患者間比較が改善される可能性があります。今後のイテレーションでは、1つのカラーチャンネル(赤、緑、青など)を使用するメソッドのプロトタイピングを行い、筆圧に基づいて色の明度を変化させることで、RGBからHSV色空間に変換する際の精度の低下を最小限に抑えることができます。
この手法の限界
PBDでは、患者は少なくとも片方の上肢に十分なベースラインの運動強度と器用さがあり、少なくとも指の細かい運動能力が良好で、図を独立して完成させ、圧力を介して痛みの経験を正確に翻訳する必要があります。NRS や MPQ などの標準的な疼痛指標は、口頭でのコミュニケーションを通じてアシスタントが紙またはキーボードに入力できますが、PBD によるこの変更はまだ検証されていません。また、PBDは2次元のイラストとしては奥行きに欠けます。3次元身体図における詳細レベルは、疼痛情報の伝達を拡大するために定性的に実証されている17。疼痛の深さをさらに特徴付けることで、NRS、VAS、MPQなどのスケールでは検討されない新しい疼痛情報を取得できます。現在、ボディダイアグラムは、より抽象的な身体化やより深い形態の痛みを捉えるようには設計されていません。例えば、患者4は、ユーザビリティ調査のボディダイアグラムでは、痛みの場所と痛みの強さが、自分の内部神経障害性疼痛を捉えていないと感じたため、うまく特徴付けられていないと自己申告しました。患者5は、体内の重さを示すためにボディダイアグラムに点線を引くことが多く、メトリックの計算を混乱させる可能性があります。将来のPBDの反復は、定量化可能な方法で痛みまたは内臓の痛みの身体化を表すように拡張される可能性があります。最後に、PBD を N-of-1 フレームワークで分析し、参加者ごとに約 100 の個別の PBD を生成しました。グループレベルの解析は、参加者全体の数が少ないため不可能であった。したがって、NRSスケールへの反応はアンカーバイアスに直面しているため、この研究ではテストと再テストの信頼性を判断できず、同じNRSスコアが試験後にテストされた同じPBDと同等ではない可能性があることを示唆しています。グループごとの分析設定でPBD指標を評価し、より大きなサンプルで分析法のテスト-再テストの信頼性を評価するには、今後の研究が必要です。
既存の方法に対する方法の意義
PBDは、参加者の全身の痛みの強さを示すために臨床および研究の場で広く使用されています14,15が、このツールはその定性的な性質によって大きく制限されたままでした。慢性疼痛を縦断的に追跡するためにデジタル疼痛マッピングが用いられてきたが16、患者は疼痛の強さと位置を複合的で正確な手法で表現する能力を欠いていた。PBDに組み込まれたこの新しい筆圧色相変換は、参加者の疼痛経験を捉えるために、時間にわたって繰り返し測定および追跡できる複合的な空間的および定量的な疼痛指標を提供します。ここでは、患者内の疼痛強度と位置を差動的に反映する抽出された3つのPBD指標、すなわち、PBDカバレッジ、合計強度、および平均強度が、NRS強度、VAS強度、VAS不快感、MPQなどの標準化された疼痛測定値と高い妥当性と一致性を持つことが実証されました。すべてのPBD測定値は、5人中4人の患者でVASおよびNRSスコアと相関し、5人中3人でMPQと有意に相関していました。さらに、情報理論アプローチ28,29,30,31は、より一般的な統計的手法では検出されなかった非線形関係を明らかにしました。この研究では、5人中4人の患者で、PBD測定値とNRS、VAS強度、VAS不快感、およびMPQの間に有意なMIが認められ、情報内容に有意な重複が見られたが、完全ではない。したがって、PBD測定値は標準化された疼痛測定値と非常に一致していましたが、PBD平均値は、従来の疼痛測定基準には存在しなかった強度と位置情報の組み合わせを反映しているように見えました。
本手法の今後の応用
本研究結果は、PBDが非線形スケールで疼痛を経験し、定量化する患者に特に適している可能性があることを示している。言語記述子が参加者に痛みを評価するための別の次元を提供できるのと同様に、PBDは痛みの独自のグラフィカルで圧力ベースの解釈を提供します。新しい筆圧色相変換を実装することにより、身体図は、私たちの知る限り、これまで実証されていなかった痛みの強さの場所、広がり、および地域差に関する情報を提供します。PBDメトリクスは、DBS試験中に収集された神経データとともに、身体のさまざまな領域の痛みをさまざまな脳領域に局在させる強力なツールとなり、痛みのシグナル伝達経路に関するメカニズム研究に情報を提供するのに役立ちます。PBDに実装された筆圧色相変換は、多くの臨床および研究環境で、治療に反応した疼痛緩和を分析したり、経時的な疼痛を比較したりするために使用できます。この方法は、痛みを評価するためのユニークで視覚的に直感的な図を作成するだけでなく、単一の数値スコアを超えて患者の経験を正確に捉えます。
Disclosures
著者らは、この研究は、潜在的な利益相反と解釈される可能性のある商業的または金銭的関係がない状態で実施されたと宣言しています。
Acknowledgments
この研究は、米国国立衛生研究所(NIH)の助成金UH3-NS115631からPSに資金提供を受けており、資金源は研究デザインを承認したが、研究の実施、データ解析、原稿作成には関与していなかった。また、Edward F. Chang博士、Philip A. Starr博士、および研究の参加者にも感謝します。
Materials
| Name | Company | Catalog Number | Comments |
| Adobe Photoshop v.21.2.1 | Adobe Inc. | N/A | Photo editor application to pre-process pain body diagrams |
| Apple Pencil 2nd generation | Apple Inc. | A2051 | Digital pen for pressure-hue transformation |
| iPad Pro (11-inch, 2nd generation) | Apple Inc. | MY332LL/A | Touch-sensitive digital tablet |
| Pain Body Diagram Template | 123RF | 95218807 | Copyright Use |
| Procreate v5.3.1 | Procreate | N/A | Commercially available illustration applicataion |
| REDCap v13.2.1 | Vanderbilt University | N/A | Secure web survey and database application |
References
- Yong, R. J., Mullins, P. M., Bhattacharyya, N. Prevalence of chronic pain among adults in the United States. Pain. 163 (2), e328-e332 (2022).
- Shirvalkar, P., Veuthey, T. L., Dawes, H. E., Chang, E. F. Closed-Loop Deep Brain Stimulation for Refractory Chronic Pain. Frontiers in Computational Neuroscience. 12, 18 (2018).
- Bittar, R. G., et al. Deep brain stimulation for pain relief: A meta-analysis. Journal of Clinical Neuroscience. 12 (5), 515-519 (2005).
- Wewers, M. E., Lowe, N. K. A critical review of visual analogue scales in the measurement of clinical phenomena. Research in Nursing & Health. 13 (4), 227-236 (1990).
- Price, D. D., Bush, F. M., Long, S., Harkins, S. W. A comparison of pain measurement characteristics of mechanical visual analogue and simple numerical rating scales. Pain. 56 (2), 217-226 (1994).
- Shafshak, T. S., Elnemr, R. The Visual Analogue Scale Versus Numerical Rating Scale in Measuring Pain Severity and Predicting Disability in Low Back Pain. JCR: Journal of Clinical Rheumatology. 27 (7), 282-285 (2021).
- Strong, J., Ashton, R., Chant, D. Pain Intensity Measurement in Chronic Low Back Pain. The Clinical Journal of Pain. 7 (3), 209 (1991).
- Smith, S. M., et al. Interpretation of chronic pain clinical trial outcomes: IMMPACT recommended considerations. Pain. 161 (11), 2446 (2020).
- Dworkin, R. H., Kerns, R. D., McDermott, M. P., Turk, D. C., Veasley, C. The ACTTION guide to clinical trials of pain treatments, part II: mitigating bias, maximizing value. Pain Reports. 6 (1), e886 (2021).
- Melzack, R. The McGill Pain Questionnaire: Major properties and scoring methods. Pain. 1 (3), 277-299 (1975).
- Gracely, R. H., McGrath, P., Dubner, R. Validity and sensitivity of ratio scales of sensory and affective verbal pain descriptors: Manipulation of affect by diazepam. Pain. 5 (1), 19-29 (1978).
- Williamson, A., Hoggart, B. Pain: a review of three commonly used pain rating scales. Journal of Clinical Nursing. 14 (7), 798-804 (2005).
- Main, C. J. Pain assessment in context: a state of the science review of the McGill pain questionnaire 40 years on. Pain. 157 (7), 1387-1399 (2016).
- Schott, G. D. The cartography of pain: The evolving contribution of pain maps. European Journal of Pain. 14 (8), 784-791 (2010).
- Palmer, H. Pain charts; a description of a technique whereby functional pain may be diagnosed from organic pain. The New Zealand Medical Journal. 48 (264), 187-213 (1949).
- Villa, M. G., Palsson, T. S., Royo, A. C., Bjarkam, C. R., Boudreau, S. A. Digital Pain Mapping and Tracking in Patients With Chronic Pain: Longitudinal Study. Journal of Medical Internet Research. 22 (10), e21475 (2020).
- Egsgaard, L. L., Christensen, T. S., Petersen, I. M., Brønnum, D. S., Boudreau, S. A. Do Gender-Specific and High-Resolution Three Dimensional Body Charts Facilitate the Communication of Pain for Women? A Quantitative and Qualitative Study. JMIR Human Factors. 3 (2), e19 (2016).
- Lor, M., Rabago, D., Backonja, M. Evaluation of the Use of Colors and Drawings for Pain Communication for Hmong Patients. Pain Management Nursing. 22 (6), 811-819 (2021).
- Sehgal, N., Gordon, D. B., Hetzel, S., Backonja, M. 34;Misha" Colored pain drawing as a clinical tool in differentiating neuropathic pain from non-neuropathic pain. Pain Medicine. 22 (3), 596-605 (2021).
- Takata, K., Hirotani, H. Pain drawing in the evaluation of low back pain. International Orthopaedics. 19 (6), 361-366 (1995).
- Barbero, M., et al. Test-retest reliability of pain extent and pain location using a novel method for pain drawing analysis. European Journal of Pain. 19 (8), 1129-1138 (2015).
- Dixit, A., Lee, M. Quantification of Digital Body Maps for Pain: Development and Application of an Algorithm for Generating Pain Frequency Maps. JMIR Formative Research. 6 (6), e36687 (2022).
- Borsook, D., Upadhyay, J., Hargreaves, R., Wager, T. Enhancing choice and outcomes for therapeutic trials in chronic pain: N-of-1+ imaging (+ i). Trends in Pharmacological Sciences. 41 (2), 85-98 (2020).
- Weiss, B. D.
- Bradski, G.
- Male And Female Body Front And Back View. Blank Human Body Template For Medical Infographic. Isolated Vector Illustration. Royalty Free SVG, Cliparts, Vectors, And Stock Illustration. Image 95218807. 123RF. , (2023).
- Van Rossum, G., Drake, F. L. Python 3 Reference Manual. , CreateSpace. Scotts Valley, CA. (2009).
- Shannon, C. E.
- Timme, N. M., Lapish, C. A Tutorial for Information Theory in Neuroscience. eNeuro. 5 (3), 0052-0018 (2018).
- Cohen, M. X. Analyzing Neural Time Series Data: Theory and Practice. , (2014).
- Freedman, D., Diaconis, P. On the histogram as a density estimator:L 2 theory. Zeitschrift for Wahrscheinlichkeitstheorie und Verwandte Gebiete. 57 (4), 453-476 (1981).
