Summary
시각적 아날로그 척도와 같이 통증의 중증도를 정량화하는 데 사용되는 현재의 통증 척도는 주관적인 통증 경험의 복잡성을 포착하지 못합니다. 통증 신체 다이어그램은 정성적이지만 더 많은 정보를 제공할 수 있습니다. 이 방법의 목표는 새로운 압력-색조 변환을 사용하여 통증 신체 다이어그램에서 정량적 메트릭을 추출하는 것입니다.
Abstract
개인의 주관적인 통증 중증도를 정량화하기 위해 숫자 등급 척도(NRS), 시각적 아날로그 척도(VAS) 또는 McGill 통증 설문지(MPQ)와 같은 표준화된 통증 평가 척도를 사용하여 수치 척도로 통증을 평가합니다. 그러나 이러한 척도는 종종 편향되어 통증 경험의 복잡성을 포착하지 못합니다. 대조적으로, 임상 실습에서는 종종 환자가 효과적이지만 질적인 도구인 신체 다이어그램을 그려 통증 부위를 보고해야 합니다. 여기에 제시된 방법은 NRS, VAS 및 MPQ 통증 척도에 대해 검증된 통증 신체 다이어그램(PBD)에서 정량화 가능한 지표를 추출합니다. 디지털 태블릿에서 새로운 압력-색조 변환을 사용하면 디지털 스타일러스로 적용된 다양한 드로잉 압력을 PBD에서 다른 색조로 표현할 수 있습니다. 이렇게 하면 녹색에서 파란색, 빨간색에 이르는 색조의 시각적으로 직관적인 다이어그램이 생성되며, 각각 경미한 부위에서 중간 정도의 통증 부위를 나타냅니다. 각 PBD를 정량화하기 위해 (1) 각 픽셀의 색조 값을 컬러 픽셀 수로 나눈 합과 같은 PBD 평균 강도, (2) 신체의 총 픽셀 수로 나눈 컬러 픽셀 수를 나타내는 PBD 커버리지, (3) 모든 픽셀의 색조 값의 합과 같은 PBD 합계 강도와 같은 새로운 통증 메트릭이 정의되었습니다. 상관 관계 및 정보 이론 분석을 사용하여 이러한 PBD 지표는 NRS, VAS 및 MPQ를 포함한 표준화된 통증 지표와 높은 일치도를 보이는 것으로 나타났습니다. 결론적으로, PBD는 참가자의 통증 경험을 포괄적으로 특성화하기 위해 시간이 지남에 따라 반복적으로 측정하고 추적할 수 있는 새로운 공간 및 정량적 정보를 제공할 수 있습니다.
Introduction
만성 통증은 미국에서 5천만 명 이상의 성인에게 영향을 미치는 쇠약해지는 신경 정신 질환입니다1. 그러나 주관적 통증 강도를 추적하는 일반적인 임상 도구(예: 수치 평가 척도[NRS] 또는 시각적 아날로그 척도[VAS])는 환원주의적이며 체성 감각, 인지 또는 정서적 영역에 걸친 통증 증상 강도의 복잡한 특성을 전달하지 못한다 2,3. 개인의 통증 강도를 정확하게 추적하는 것은 통증 증후군을 진단하고, 질병 진행을 모니터링하고, 약물 또는 뇌 자극과 같은 치료법의 잠재적 효능을 평가하는 데 매우 중요합니다.
널리 사용되는 NRS 통증 강도 도구는 피험자가 통증 강도를 0-10 사이의 정수 값으로 평가하도록 요구하며, 이는 통증이 없음을 나타내며 가능한 최악의 통증을 나타냅니다. NRS는 관리와 이해가 쉽지만, 응답자 고정 편향, 기대 편향, 개별 가치에 대한 다양한 해석으로 인해 한계가 있다 4,5; 이는 또한 참가자 간 비교를 제한합니다. 0-100의 연속 스케일인 VAS는 앵커링의 영향을 줄일 수 있지만 여전히 NRS4와 유사한 제한에 직면할 수 있습니다. 여러 연구에서 만성 요통 중증도6,7 및 임상실습5에 대해 NRS와 VAS 간에 높은 수준의 일치가 입증되었지만, 합의된 가이드라인은 임상통증 임상시험 설계 또는 해석에서 유사한 척도에 의존하는 것의 많은 단점을 강조하고 있다 8,9. 짧은 형식의 McGill 통증 설문지 2 (MPQ)는 감각적 통증 차원과 정서적 통증 차원11을 구별하는 데 도움이 되도록 언어적 설명자(verbal descriptor)10의 등급을 사용하여 통증의 체성 감각 및 정서적 차원을 추가로 분석한다. 이러한 통증 등급 척도는 일반적으로 통증 강도12,13을 추적하는 데 사용되지만 통증 위치 또는 신체 부위에 따른 강도 변화와 같은 자세한 지형 정보를 캡처하지 못합니다.
통증 신체 다이어그램(PBD)은 개방형 자유 형식 통증 평가 도구로, 응답자가 도식적인 인체 개요14,15에서 통증 위치 및 강도를 시각적으로 표현할 수 있도록 합니다. PBD는 통증 증상을 종단적으로 추적하는 데 도움이 되는 참가자와 의료 제공자 간의 효과적인 의사 소통 도구입니다16. PBD의 자유 형식 그래픽 형식은 앵커링 바이어스를 줄일 수 있습니다. 성별에 따른 신체 다이어그램의 도입과 같은 PBD에 대한 최근의 수정은 시각적으로 표현된 신체 형태를 응답자의 해부학적 구조와 일치시킴으로써 의사 소통 도구로서의 효율성을 증가시켜 자기 식별 및 반응 정확도를 높였다17. 또한, 강도를 나타내기 위해 색상을 사용하면 문화 및 언어 장벽을 극복하고 통증 증상을 효과적으로 전달할 수 있는 것으로 나타났습니다. 예를 들어, 흰색과 빨간색은 몽족 환자 집단에서 각각 통증이 없는 것과 심한 통증을 나타내기 위해 가장 일반적으로 선택되었다18. PBD는 효과적인 도구이지만(19,20), 정성적 특성으로 인해 제한되어 왔다.
디지털 태블릿에서 PBD를 사용하면서 통증 위치 및 강도를 정량화하는 데 사용할 수 있는 도구가 크게 확장되었습니다. Barbero 등은 만성 허리 및 목 통증이 있는 환자의 PBD 내에서 그려진 픽셀 수 또는 통증 정도를 정량화하고 검사-재검사 신뢰도가 우수하고 VAS 측정치와 유의한 상관관계를 보였다21. 신체 다이어그램은 또한 통증 빈도 맵을 생성하여 신체의 통증이 가장 빈번하지 않은 부위를 보여주기 위해 분석되었습니다21,22. 이러한 방법은 공간적 통증 정보를 정량화하지만, 지금까지 통증 강도와 위치를 복합 메트릭에 통합한 방법은 없었습니다.
다음 프로토콜은 새롭고 시각적으로 직관적인 컬러 PBD를 얻고 통증 강도 및 위치 정보의 복합체를 함께 반영하는 세 가지 정량적 메트릭을 추출하는 방법을 보여줍니다. 이를 위해 난치성 만성 신경병증성 통증에 대한 뇌심부자극술(DBS) 임상시험을 진행 중인 참가자 5명을 선정하여 N-of-1 연구 설계23을 사용하여 현재 접근법을 테스트했다. 참가자들은 다양한 신체 위치의 다양한 통증 강도에 해당하는 색상 색조를 생성하기 위해 태블릿 일러스트레이션 응용 프로그램에 다양한 수준의 필압을 가하여 일시적인 통증 증상의 강도를 보고하도록 지시받았습니다. PBD에서 파생된 적용 범위, 합계 강도 및 평균 강도 메트릭은 통계 및 상호 정보(MI) 분석을 사용하여 보다 일반적으로 검증된 통증 메트릭(즉, NRS, VAS 및 MPQ)과 비교되었습니다.
10일간의 입원 기간 동안 평가를 받는 환자는 NRS, VAS 및 MPQ와 같은 검증된 통증 척도 외에도 PBD(평균 ± 표준 편차(SD) = 121.8 ± 환자당 34.3 PBD, 범위 84-177, 총 609 PBD)를 완료했습니다. PBD는 태블릿 애플리케이션을 통해 수집되었으며 완료되면 보안 연구 서버에 타임스탬프 파일로 업로드되었습니다. 통증 강도 NRS, VAS 및 MPQ는 보안 웹 애플리케이션인 REDCap 설문조사 도구를 사용하여 획득했습니다. 설문 조사와 PBD는 모두 연구 보조원이 직접 관리하여 환자가 평가를 정확하게 완료하는 데 필요한 지원을 받을 수 있도록 했습니다. 다음 단계에서는 통증을 안정적으로 정량화하는 데 사용되는 PBD 설정, 참가자 지침, 데이터 수집 및 PBD 분석에 대해 자세히 설명합니다(그림 1).
Protocol
이 PBD 프로토콜은 UCSF Human Research Protection Program 및 FDA에서 승인한 상위 임상 시험 프로토콜(NCT03029884)에서 구현되었습니다. 각 참가자(여성 3명, 남성 2명, 연령대: 51-67세)는 서면 동의서에 서명했습니다. 그들은 UCSF 통증 관리 센터에서 모집되었거나 미국 의사의 의뢰를 받았습니다.
1. 통증 바디 다이어그램 설정
- 환자 포함 기준: 뇌졸중 후 중추성 통증(환자 2명) 및 신경근 통증을 동반한 신경퇴행성 척추 질환(환자 1명), 복합 부위 통증 증후군(환자 1명) 및 척수 손상(환자 1명)을 포함한 여러 신경병증성 통증 병인학이 있는 통증 진단을 받은 참가자를 포함합니다. 모든 참가자는 고등학교 졸업 후 교육을 이수했습니다.
- 앞면과 뒷면 신체 표면을 모두 표시하는 성별에 적합한 PBD 템플릿(보충 그림 1)을 터치 감지 디지털 태블릿의 압력 감지 그리기 도구가 포함된 일러스트레이션 응용 프로그램으로 가져옵니다. PBD 템플릿을 태블릿의 사진 라이브러리에 다운로드한 다음 가져오기 버튼을 클릭합니다.
- 레이어 아이콘을 클릭한 다음 참가자가 그릴 + 버튼을 클릭하여 PBD 템플릿 위에 새 레이어를 만듭니다. 그 결과 두 개의 레이어가 생성되는데, 하나는 PBD가 있고 다른 하나는 통증을 나타내는 색상으로 그려집니다.
- 먼저 브러시 라이브러리 아이콘을 클릭한 다음 +를 클릭하여 브러시 스튜디오를 열어 x=y 압력-색조 변환 곡선이 있는 새 브러시를 만듭니다.
- Color Dynamics라고 표시된 버튼을 클릭한 다음 색상 압력 섹션까지 아래로 스크롤합니다. 색조 슬라이더의 경우 숫자 백분율을 클릭하여 압력 변환 그래프가 직선 45° 선을 시각화하도록 합니다.
참고: 그래프를 두 번 클릭하면 그래프를 직선 x=y 그래프로 재설정할 수 있는 옵션이 제공됩니다. - 녹색에서 파란색, 빨간색에 이르는 색조 그라데이션 범위를 정의하려면 나열된 백분율 숫자를 클릭하고 숫자 값 81%를 입력하여 색상 압력 섹션 아래의 색조 슬라이더를 조정합니다.
참고: 이를 수행하는 또 다른 방법은 응용 프로그램이 16진수 코드를 수동으로 입력할 수 있는지 #FF0000하기 위해 #008000의 16진수 제한을 입력하는 것입니다. - 펜 도구 슬라이더를 조정하여 연구 참가자의 요구를 수용하는 펜 크기를 선택하십시오. 펜 크기 30%는 대부분의 참가자에게 좋은 시작 크기입니다.
2. 참가자를 위한 주의 사항
- PBD 해부학적 구조와 세로 모드에서 신체 템플릿의 방향, 그리기 및 지우기 도구, 촉각 핀치 투 줌 및 패닝 기능을 환자에게 설명합니다.
- 압력에서 색조로의 선형 변환을 다음과 같은 방식으로 참가자에게 설명하십시오: 스타일러스에 가해지는 압력이 증가하면 녹색에서 파란색, 빨간색으로 변하는 색조가 생성되며, 이는 주어진 위치에서 각각 경증에서 중등도에서 중증의 통증 강도를 나타내기 위해 다이어그램에 색칠되어야 한다고 참가자에게 알립니다.
- 티치백 방법(teach-back method)24을 사용하여, 참가자에게 자신의 말로 다이어그램을 채우는 방법을 설명하도록 요청함으로써 PBD 과제에 대한 참가자의 이해도를 확인한다.
- 참가자들에게 최소 15분의 연습 시간을 허용하여 통증 위치와 강도를 정확하게 표현할 수 있도록 평평한 표면에 여러 PBD를 그릴 수 있습니다. 사용성을 최대화하기 위해 조정할 수 있습니다. 각 참가자와 함께 PBD를 즉시 검토하여 일관성을 유지하고 색상이 의도한 대로 그려졌는지 확인합니다.
3. 데이터 수집 및 전처리
- 참가자들에게 기준선 동안 또는 일부 치료 또는 개입 후 다양한 시점에서 PBD를 완료하도록 요청합니다. 각 맵이 참가자가 만족할 수 있도록 각 PBD를 완료하는 데 개방형 시간을 허용합니다.
- 환자 ID와 PBD가 완료된 날짜 및 시간이 포함된 표준화된 파일 이름으로 완료된 PBD를 저장합니다.
참고: 이러한 파일은 태블릿 장치에 임시로 저장됩니다. - 완료된 PBD를 사전 처리를 위해 이미지 레이어를 유지하는 .PDF(Portable Document Format) 또는 .PSD(Photoshop Document) 파일 형식으로 대량 내보냅니다. 대량으로 내보내려면 먼저 선택 아이콘을 클릭하여 원하는 이미지를 선택한 다음 공유 를 클릭하여 내보낼 이미지 형식 메뉴를 엽니다. 원하는 형식 파일을 클릭합니다.
참고: 내보낸 파일은 보안 리서치 서버에 업로드됩니다. - PBD를 다운로드하고 래스터 기반 이미지 편집기에서 엽니다.
- 두 개의 마스크 레이어, 즉 색상이 적용된 레이어 아래에 완전히 검은색 레이어 하나를 추가하고 색상이 지정된 레이어 위의 템플릿 본문 윤곽선 바깥쪽에 있는 픽셀을 제외하는 검은색 마스크 레이어 하나를 추가하여 PBD 파일의 맨 위 레이어에서 관심 있는 색상 픽셀을 분리합니다. 이로 인해 검은색 배경의 몸체 윤곽선 내에 있는 컬러 픽셀만 포함하는 처리된 PBD가 생성됩니다(그림 1).
- 파일 > 내보내기 > PNG>> 내보내기 버튼을 클릭하고 선택하여 처리된 PBD를 .png(Portable Network Graphics) 파일로 내보냅니다.
4. PBD 정량 분석
- PBD의 각 픽셀 값을 RGB(빨강, 녹색, 파랑) 색 공간에서 HSV(색조, 채도, 값) 색 공간으로 변환합니다. rgba2hsv(filename)(보충 코딩 파일 1) 및 measure_SAnoblur(filename, sigma-1.0)(그림 1)라는 Python 스크립트를 실행하여 각 픽셀의 색조 값을 추출합니다.
참고: 이러한 스크립트는 색조 값을 수량화하고 조정하여 0-139.5의 연속 색조 배율을 만듭니다. OpenCV2의 HSV 값 범위는 0-179입니다. 통증 강도가 가장 낮은 가장 밝은 녹색은 색조 값 39.5에 해당합니다. 일부 빨간색 색조는 0-10 사이의 값에 해당합니다. 10-39.5 사이의 색조 값에 해당하는 노란색과 주황색은 펜 도구에서 사용되지 않습니다. 0-10의 빨간색 색조 값은 가장 통증 강도를 올바르게 나타내기 위해 179로 재할당됩니다. 이 조정 후 색조 눈금 범위는 39.5-179입니다. 그런 다음 최종 배율 범위가 0-139.5가 되도록 각 색조 값에서 39.5를 뺍니다. - quantifypain(filename)(보충 코딩 파일 1)이라는 Python 스크립트를 실행하여 세 가지 PBD 메트릭을 계산하고 정규화합니다.
- 스크립트는 아래에 설명된 대로 각 메트릭을 계산합니다.
- PBD 커버리지: 컬러 픽셀 수를 본문 다이어그램 내에서 사용할 수 있는 총 픽셀 수로 나눕니다. 여성의 경우 컬러 픽셀 수의 범위는 0 - 820,452 픽셀(총 픽셀)이고 남성의 경우 0 - 724,608 픽셀(총 픽셀)입니다.
- PBD 합계 강도: 본문 다이어그램의 모든 픽셀에 대한 색조 값을 추가합니다. 여성의 색조 값 합계 범위는 0에서 114,453,054까지이고 남성의 범위는 0에서 101,082,816까지입니다.
- PBD 평균 강도: 모든 색조 값의 합을 총 색상 픽셀 수로 나눕니다.
- 스크립트를 사용하여 아래에 설명된 계산에 따라 모든 PBD 측정값을 0에서 100까지의 척도로 정규화합니다.
- PBD 커버리지: PBD 커버리지에 100을 곱합니다.
- PBD 합계: PBD 합계 강도를 최대 PBD 합계 강도로 나누고 100을 곱합니다. 최대 PBD 합 강도는 본문 다이어그램의 총 픽셀 수에 139.5를 곱한 값과 같습니다(즉, 여성의 경우 820,452픽셀에 139.5를 곱하면 114,453,054가 되고, 남성의 경우 724,608픽셀에 139.5를 곱하면 101,082,816이 됩니다).
- PBD 평균: PBD 평균 강도를 최대 색조 값 139.5로 나누고 100을 곱합니다.
- 스크립트는 아래에 설명된 대로 각 메트릭을 계산합니다.
- 4.1단계와 4.2단계를 반복하여 각 PBD(확장자 .png) 파일을 처리합니다. 스프레드시트에서 출력을 컴파일하여 추가 분석을 실행합니다.
Representative Results
PBD 평균, 합계 및 적용 범위는 다른 표준화된 통증 척도에서 포착되지 않는 통증 반응에 대한 정보를 고유하게 제공합니다. 두 PBD(그림 2A,B) 간에 평균 통증 강도는 동일합니다(PBD 평균 = 79.6). 그러나 적용 범위와 합계가 증가하면 두 PBD를 구별하는 통증과 총 통증 강도의 공간적 확산이 각각 더 크다는 것을 알 수 있습니다(그림 2B). 이러한 지표를 사용하여 통증을 정확하게 정량화하기 위해 연구자들은 다음과 같은 일반적인 PBD 설정 실수를 피해야 합니다(그림 2C). 과도하게 큰 펜 두께와 원형의 몸체 영역 또는 쓰여진 설명자와 같은 본문 윤곽선 외부의 관련 없는 요소는 PBD 처리에서 캡처되지 않습니다. 마찬가지로 지우개 도구가 아닌 색상을 제거하는 데 사용되는 흰색 펜은 PBD 메트릭을 왜곡합니다. 실습 및 강화된 교육을 통해 환자는 통증 강도 및 분포의 변동성을 나타내는 정확하고 정량화 가능한 PBD를 만들 수 있습니다.
PBD 메트릭은 NRS, VAS 및 MPQ에 대해 검증되었습니다(그림 3B; 보충 그림 2) 사용성에서 높은 점수를 받았습니다(보충 그림 1 및 보충 그림 2).
PBD 지표는 표준 통증 지표와 상관관계가 있습니다.
PBD 지표는 대부분의 환자에서 NRS, VAS 및 MPQ와 상관관계가 있었습니다(그림 3A, 보충 그림 1A, B). 환자 5명 중 4명에서 PBD 합계, 커버리지 및 평균은 VAS 및 NRS와 상관관계가 있었다(Spearman의 상관관계, rs = 0.33-0.72, p < 0.004, 보충 표 1). 참가자 5명 중 3명의 PBD 지표는 MPQ 점수와도 유의한 상관관계가 있었습니다(Spearman의 상관관계, rs = 0.38-0.53, p < 0.004, 보충표 1). 그러나 환자 4는 PBD 지표와 표준 통증 점수 사이에 유의미한 상관관계를 보이지 않았다. 정보 이론 분석을 사용하여 PBD와 표준 지표 간의 비선형 관계를 추가로 특성화했습니다(보충 그림 2).
PBD 메트릭은 반응 고정을 피하고 표준 통증 메트릭과 상호 정보를 공유합니다.
PBD 메트릭에는 NRS보다 더 많은 정보(즉, 엔트로피)가 포함되어 있습니다. 환자들 사이에서, NRS는 VAS 강도, VAS 불쾌감, MPQ 총계, PBD 합계, PBD 커버리지 및 PBD 평균(3.21 ± 0.49비트, 3.20 ± 0.31비트, 3.16 ± 0.23비트, 3.06 ± 0.32비트, 3.34 ± 0.16비트, 3.22 ± 0.39비트)에 비해 더 적은 정보(2.32 ± 0.37비트)를 포함했습니다. 보충 그림 2). 이는 일원 반복 측도 분산분석(F(4,1) = 12.10, p < 0.05 )과 개별 비교를 위한 Tukey의 t-검정(모두 p < 0.05)으로 확인되었습니다. 이는 PBD 메트릭이 NRS보다 응답 앵커링이 적다는 것을 보여줍니다.
PBD는 상호 정보 분석(순열 테스트, α=0.05)을 통해 확립된 메트릭에 대해 추가로 검증되었습니다. 환자 5명 중 4명에서 PBD 지표는 NRS, VAS 강도, VAS 불쾌감 및 MPQ와 MI를 유의하게 공유했습니다(p < 0.05, 그림 3B). 대조적으로, 환자 4의 PBD 지표는 확립된 지표와 MI를 유의하게 공유하지 않았습니다. NRS는 환자에 대한 정보를 가장 적게 포함했기 때문에(보충 그림 2), 이는 NRS가 PBD에 의해 포착된 통증 경험의 뉘앙스를 포착하지 못했음을 시사합니다. 모든 환자에서 NRS는 VAS 강도, VAS 불쾌감 및 MPQ와 유의한 MI를 공유한 반면, PBD 합계는 PBD 커버리지 및 PBD 평균과 MI를 공유했습니다(p < 0.05, 그림 3B). 전체적으로, 대부분의 환자에서 PBD 지표는 MI를 확립된 통증 지표와 공유했습니다.
PBD는 대부분의 참가자가 쉽게 사용할 수 있었습니다
이 연구에서 5명의 환자 중 4명은 PBD가 사용하기 쉽고 통증을 정확하게 반영한다는 것을 알게 되었습니다(보충 표 2). 그러나 환자 4는 PBD를 사용하기 어렵다고 보고했습니다(5점 리커트 척도에서 5). 이는 주로 2차원(2D) PBD에서 잘 포착되지 않는 깊고 본능적인 통증이 있기 때문입니다. 환자들은 PBD에 대한 친숙도가 다양했지만(2.8 ± 1.2, 범위 1-4, 5점 리커트 척도), 모두 매일 비슷한 전자 장치를 사용했으며(5.0 ± 0.0, 5점 리커트 척도) PBD가 사용자 친화적이라는 것을 알았습니다(5.2 ± 0.4, 범위 5-6, 6점 리커트 척도).
그림 1. 통증 바디 다이어그램(PBD) 분석 워크플로우. 환자들은 통증의 위치와 강도를 나타내기 위해 빈 PBD 템플릿을 그렸습니다. 완성된 PBD는 녹색에서 파란색, 빨간색에 이르는 다양한 색조를 포함했으며, 각각 경증에서 중등도, 중증의 통증 부위를 나타냅니다. PBD는 몸체 윤곽선 내에 픽셀만 포함하도록 마스킹된 다음 색조가 포함된 픽셀만 분리하기 위해 템플릿을 제거했습니다. PBD로부터 PBD 커버리지(%), 총 강도(0-100으로 정규화됨) 및 평균 강도(0-100으로 정규화됨)를 계산했습니다. PBD 커버리지의 경우 컬러 픽셀 수를 먼저 다이어그램 내의 총 픽셀 수(여성의 경우 820,452픽셀, 남성의 경우 724,608픽셀)로 나눈 다음 100을 곱했습니다. PBD 합계 강도의 경우 본문 다이어그램의 모든 픽셀에 대한 색조 값이 먼저 합산되었습니다(여성 범위: 0-114,453,054, 남성 범위: 0-101,082,816). 그런 다음 합계를 최대 PBD 합계 강도(여성: 820,452픽셀에 최대 색조 값 139.5, 남성: 724,608픽셀에 139.5를 곱함)로 나누고 100을 곱했습니다. PBD 평균 강도의 경우 모든 색조 값의 합계를 총 색 픽셀 수로 나눈 다음 최대 색조 값 139.5로 나누어 정규화했습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2. 좋은 PBD와 나쁜 PBD의 예를 보여주는 대표적인 PBD. (ᅡ,ᄂ) 좋은 PBD는 3가지 통증 지표 계산의 유용성을 보여줍니다. (C) 잘못된 PBD의 예로는 지나치게 두꺼운 펜 크기, 본문 다이어그램 외부의 외부 요소 및 부정확한 지우기가 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3. PBD 지표는 Spearman의 상관 관계 및 상호 정보 분석을 통해 표준 통증 지표에 대해 검증되었습니다. (A) VAS 강도 및 PBD 합계는 각 환자에 대해 그려진 선형 최적 선으로 표시됩니다. (B) 각 통증 지표 간의 평균 상호 정보(MI)를 보여주는 그룹 수준 데이터로, MI는 오른쪽에 색상 막대로 표시됩니다. 각 상자의 텍스트는 주어진 쌍별 비교에 대해 통계적으로 유의한 MI를 가진 환자 수를 나타냅니다(예: 3/5은 유의한 값을 가진 3명의 환자를 나타냄). MI는 관찰된 MI를 이론적 최대 MI로 나눈 값으로 표시됩니다. 약어: NRS=숫자 등급 척도; VAS 강도 = 시각적 아날로그 스케일 강도; VAS unpl. = 시각적 아날로그 척도 통증 불쾌감, MPQ = 짧은 형식의 McGill 통증 설문지 2; PBD=통증 바디 다이어그램; PBD 버전 = PBD 커버리지, MI = 상호 정보, sig. = 중요. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
보충 그림 1. PBD 평균(A) 및 PBD 범위(B)는 각 환자에 대해 선형 최적 선을 그려 VAS 강도에 대해 표시되었습니다. 약어: VAS=시각적 아날로그 스케일; PBD=통증 바디 다이어그램. 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 그림 2. 환자 전반의 통증당 엔트로피 메트릭. 그룹 수준에서 NRS 강도는 반복 측정 단방향 분산 분석에 이어 특정 비교를 위한 Tukey의 사후 검정 * = p < 0.05, ** = p < 0.001로 표시된 것처럼 다른 모든 통증 지표 보다 엔트로피가 낮았습니다. 약어: NRS=numeric rating scale; VAS=시각적 아날로그 스케일; MPQ=McGill 통증 설문지; PBD=통증 바디 다이어그램. 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충표 1. PBD 지표와 자가 보고된 표준 통증 측정 간의 Spearman의 상관 관계. NRS, VAS 및 MPQ 통증 측정에 대한 세 가지 추출된 PBD 메트릭에 대한 Spearman의 상관 계수(rho). 약어: NRS=numeric rating scale; VAS=시각적 아날로그 스케일; MPQ=McGill 통증 설문지; PBD=통증 바디 다이어그램. 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충표 2. PBD 완료에 대한 환자의 인상은 PBD 관련 및 시스템 사용성 척도 수정 질문을 통해 밝혀졌습니다. 수정된 사용성 척도 질문은 긍정적 진술과 부정적 진술이 번갈아 가며 5점 척도(1=매우 동의함, 5=매우 동의하지 않음)로 순위가 매겨졌습니다. 약어: PBD=통증 바디 다이어그램. 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 코딩 파일 1: PBD 메트릭에 대한 Python 스크립트. 주석이 달린 파이썬 코드는 통증 본문 다이어그램 PNG 파일을 처리하고 각 파일에 대한 PBD 평균, 커버리지 및 합계 값을 출력합니다. 스크립트에는 프로그램 실행에 필요한 패키지를 다운로드하기 위한 import 문도 포함되어 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 파일 1: 방법론적 세부 사항에 대한 보충 파일. 이 파일을 다운로드하려면 여기를 클릭하십시오.
Discussion
프로토콜 내의 중요한 단계
주요 단계에는 PBD 설정, 환자 지침 및 사전 처리가 포함됩니다. PBD 설정을 위해, 각 성별별 PBD는 전면 및 후면 뷰(26)를 시각화해야 하며, 색조 값을 분리하기 위해 일러스트레이션 애플리케이션에 빈 레이어로 오버레이되어야 한다. 또한 펜 크기는 환자의 일러스트레이션 요구 사항을 충족해야 하며 PBD를 정량적으로 분석하기 위해 색조 그라데이션을 정의해야 합니다. 환자의 지시와 도구에 대한 이해는 신뢰할 수 있는 데이터의 기본입니다. 참가자가 PBD에서 도구를 구현하는 연습을 할 수 있도록 충분한 시간을 할당해야 합니다. 티치백(teach-back) 방법을 사용하여 테스트 중에 약 10개의 PBD마다 한 번씩 주기적으로 작업 및 설문 조사에 대한 참가자의 이해도를 확인합니다. 개별 PBD를 추적하려면 완료 후 고유한 제목과 타임스탬프를 사용하여 각 파일의 이름을 지정하는 것이 좋습니다. 데이터 수집 후 Python27 스크립트를 사용하여 각 PBD 메트릭을 추출할 수 있습니다( 보충 코딩 파일 1 참조). PBD 범위, 총 강도 및 평균 강도의 측정은 환자 내 통증 반응을 추적하기 위해 치료 또는 개입 전후에 반복될 수 있습니다. 이러한 지표를 추출하기 위해 데이터 수집에 직접 관여하지 않는 한 연구원은 검은색 마스크 레이어를 오버레이하여 본문 윤곽선 내부에 그려진 색상만 분리한 다음 보충 파일 1로 제공된 사용자 지정 소프트웨어 코드를 사용하여 HSV 픽셀 값을 계산해야 합니다.
기술의 수정 및 문제 해결
환자 1의 데이터 수집 중에 방법론적 단계를 개선했습니다. 여기에는 환자가 펜의 압력 감도 제어에 익숙해질 수 있도록 더 많은 시간을 허용하고, 나중에 마스킹 및 분석을 위해 바디 다이어그램 레이어를 올바르게 설정하고, PBD에서 기호 또는 단어 사용을 제한하고, 각 참가자의 힘과 민첩성에 따라 절대 펜 압력 감도를 조정하는 것이 포함됩니다(상대 압력과 색조 간의 변환은 일정하게 유지됨). 환자는 통증을 가장 잘 표현할 수 있는 펜 크기를 선택할 수 있었습니다. 그러나 하나의 고정 크기를 선택하면 향후 더 나은 환자 간 비교가 가능할 수 있습니다. 향후 반복에서 하나의 색상 채널(예: 빨강, 녹색 또는 파랑)을 사용하는 방법을 프로토타이핑하고 펜 압력에 따라 색상의 밝기를 변경하면 RGB에서 HSV 색 공간으로 변환할 때 발생할 수 있는 정밀도 손실을 최소화할 수 있습니다.
기술의 한계
PBD는 환자가 적어도 한쪽 상지에서 충분한 기본 운동 강도와 민첩성을 가지고 있어야 하며, 최소한 손가락의 소근육 운동 능력이 양호하여 독립적으로 다이어그램을 완성하고 압력을 통해 통증 경험을 정확하게 번역할 수 있어야 합니다. NRS 및 MPQ와 같은 표준 통증 지표는 구두 의사 소통을 통해 보조자가 종이나 키보드에 입력할 수 있지만 PBD를 사용한 이러한 수정은 아직 검증되지 않았습니다. PBD는 또한 2차원 그림으로서의 깊이가 부족합니다. 3차원 체형도의 디테일 수준은 통증 정보의 전달을 확장하기 위해 질적으로 입증되었다17. 통증의 깊이를 추가로 특성화하면 NRS, VAS 및 MPQ와 같은 척도에서 검사되지 않은 새로운 통증 정보를 캡처할 수 있습니다. 신체 다이어그램은 현재 더 추상적인 신체화나 더 깊은 형태의 통증을 포착하도록 설계되지 않았습니다. 예를 들어, 환자 4는 통증 위치와 통증 강도가 사용성 조사의 신체 다이어그램에 잘 나타나지 않는다고 스스로 보고했는데, 이는 통증 위치가 자신의 내부 신경병증성 통증을 포착하지 못한다고 느꼈기 때문입니다. 환자 5는 종종 신체 다이어그램에 점선을 그려 신체 내부의 무거움을 나타내는데, 이는 미터법 계산을 혼란스럽게 할 수 있습니다. 향후 PBD 반복은 정량화 가능한 방법으로 통증 또는 내장 통증의 신체화를 나타내도록 확장될 수 있습니다. 마지막으로, PBD는 N-of-1 프레임워크에서 분석되었으며, 각 참가자에 대해 거의 100개의 개별 PBD가 생성되었습니다. 그룹 수준 분석은 전체 참가자 수가 적기 때문에 불가능했습니다. 따라서 NRS 척도에 대한 반응이 앵커링 편향에 직면하여 동일한 NRS 점수가 시험 후 테스트된 동일한 PBD와 동일하지 않을 수 있음을 시사하기 때문에 이 연구에서 테스트-재테스트 신뢰도를 결정할 수 없습니다. 그룹별 분석 설정에서 PBD 메트릭을 평가하고 더 큰 샘플에서 방법의 테스트-재테스트 신뢰도를 평가하기 위한 향후 연구가 필요합니다.
기존 방법과 비교한 방법의 중요성
PBD는 임상 및 연구 환경에서 참가자의 신체 전체의 통증 강도를 입증하는 데 널리 사용되어 왔지만14,15 이 도구는 정성적 특성으로 인해 크게 제한되었습니다. 만성 통증을 종단적으로 추적하기 위해 디지털 통증 매핑이 사용되었지만16 환자는 통증 강도와 위치를 조합된 정확한 기술로 표현할 수 있는 능력이 부족했다. PBD와 통합된 이 새로운 압력-색조 변환은 참가자의 통증 경험을 포착하기 위해 시간 경과에 따라 반복적으로 측정하고 추적할 수 있는 복합 공간 및 정량적 통증 지표를 제공합니다. 여기에서 환자 내 통증 강도와 위치를 차등적으로 반영하는 세 가지 추출된 PBD 지표, 즉 PBD 범위, 총 강도 및 평균 강도는 NRS 강도, VAS 강도, VAS 불쾌감 및 MPQ와 같은 표준화된 통증 측정과 높은 타당성과 일치성을 갖는 것으로 입증되었습니다. 모든 PBD 측정은 환자 5명 중 4명에서 VAS 및 NRS 점수와 상관관계가 있었고 5명 중 3명에서 MPQ와 유의한 상관관계가 있었습니다. 또한, 정보 이론 접근법 28,29,30,31은 보다 일반적인 통계적 방법으로는 감지되지 않는 비선형 관계를 드러냈다. 이 연구에서 환자 5명 중 4명은 PBD 측정치와 NRS, VAS 강도, VAS 불쾌감 및 MPQ 사이에 유의한 MI가 있었으며, 이는 정보 내용에서 유의미하지만 전체는 아니지만 중복되는 것으로 나타났습니다. 따라서 PBD 측정은 표준화된 통증 측정과 매우 일치했지만 PBD 평균은 기존 통증 측정에 존재하지 않는 강도 및 위치 정보의 조합을 반영하는 것으로 나타났습니다.
이 기술의 향후 응용
본 결과는 PBD가 비선형 척도에서 통증을 경험하고 정량화하는 환자에게 특히 적합할 수 있음을 보여줍니다. 언어적 설명이 참가자에게 통증을 평가할 수 있는 또 다른 차원을 제공할 수 있는 것과 유사하게, PBD는 통증에 대한 고유한 그래픽 및 압력 기반 해석을 제공합니다. 새로운 압력-색조 변환을 구현함으로써 신체 다이어그램은 통증 강도의 위치, 확산 및 지역적 변화에 대한 정보를 제공하며, 이는 우리가 아는 한 이전에 입증되지 않았습니다. DBS 임상시험 중에 수집된 신경 데이터와 함께 PBD 메트릭은 다양한 신체 영역의 통증을 다른 뇌 영역으로 국소화하는 강력한 도구가 될 수 있으며 통증 신호 경로에 대한 기계론적 연구에 정보를 제공하는 데 도움이 될 수 있습니다. PBD에 구현된 압력-색조 변환은 많은 임상 및 연구 환경에서 치료에 대한 반응으로 통증 완화를 분석하거나 시간 경과에 따른 통증을 비교하는 데 사용할 수 있습니다. 이 방법은 통증을 평가하기 위해 독특하고 시각적으로 직관적인 다이어그램을 생성할 뿐만 아니라 단일 수치 점수를 넘어 환자의 경험을 정확하게 포착합니다.
Disclosures
저자는 이 연구가 잠재적인 이해 상충으로 해석될 수 있는 상업적 또는 재정적 관계가 없는 상태에서 수행되었음을 선언합니다.
Acknowledgments
이 연구는 미국 국립보건원(National Institutes of Health)의 UH3-NS115631 보조금으로 자금을 지원받았습니다. 자금 출처는 연구 설계를 승인했지만 연구 실행, 데이터 분석 또는 원고 준비에는 아무런 역할도 하지 않았습니다. 또한 Edward F. Chang 박사, Philip A. Starr 박사 및 연구 참여자에게도 감사드립니다.
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).
