Summary
Görsel analog ölçekler gibi ağrı şiddetini ölçmek için kullanılan mevcut ağrı ölçekleri, öznel ağrı deneyimlerinin karmaşıklığını yakalayamamaktadır. Ağrı vücut diyagramları kalitatiftir ancak daha bilgilendirici olabilir. Bu yöntemin amacı, yeni basınç-renk tonu dönüşümü kullanarak ağrı cisimciği diyagramlarından nicel ölçümler çıkarmaktır.
Abstract
Bir bireyin öznel ağrı şiddetini ölçmek için, sayısal derecelendirme ölçeği (NRS), görsel analog ölçek (VAS) veya McGill ağrı anketi (MPQ) gibi standartlaştırılmış ağrı derecelendirme ölçekleri, ağrıyı sayısal bir ölçekte değerlendirmek için yaygın olarak kullanılır. Bununla birlikte, bu ölçekler genellikle önyargılıdır ve ağrı deneyimlerinin karmaşıklığını yakalayamaz. Buna karşılık, klinik uygulama genellikle hastaların etkili ancak kalitatif bir araç olan bir vücut diyagramı çizerek ağrı alanlarını bildirmelerini gerektirir. Burada sunulan yöntem, NRS, VAS ve MPQ ağrı ölçeklerine göre doğrulanmış ağrı vücut diyagramlarından (PBD'ler) ölçülebilir ölçümler çıkarır. Dijital bir tablette yeni bir basınç-ton dönüşümü kullanılarak, dijital bir kalemle uygulanan farklı çizim basınçları, bir PBD'de farklı tonlar olarak temsil edilebilir. Bu, sırasıyla hafif ila orta ila en ağrılı bölgeleri temsil eden, yeşilden maviye ve kırmızıya kadar değişen tonların görsel olarak sezgisel bir diyagramını üretir. Her bir PBD'yi ölçmek için yeni ağrı ölçümleri tanımlandı: (1) her pikselin ton değerinin toplamının renkli piksel sayısına bölünmesine eşit olan PBD ortalama yoğunluğu, (2) renkli piksel sayısının vücuttaki toplam piksel sayısına bölünmesine eşit olan PBD kapsamı ve (3) tüm piksellerin ton değerlerinin toplamına eşit olan PBD toplam yoğunluğu. Korelasyon ve bilgi teorisi analizleri kullanılarak, bu PBD ölçümlerinin NRS, VAS ve MPQ dahil olmak üzere standartlaştırılmış ağrı ölçümleri ile yüksek uyumluluğa sahip olduğu gösterilmiştir. Sonuç olarak, PBD'ler, bir katılımcının ağrı deneyimini kapsamlı bir şekilde karakterize etmek için zaman içinde tekrar tekrar ölçülebilen ve izlenebilen yeni mekansal ve nicel bilgiler sağlayabilir.
Introduction
Kronik ağrı, Amerika Birleşik Devletleri'nde 50 milyondan fazla yetişkini etkileyen zayıflatıcı bir nöropsikiyatrik durumdur1. Bununla birlikte, subjektif ağrı yoğunluğunu izlemek için yaygın klinik araçlar (sayısal derecelendirme ölçeği [NRS] veya görsel analog ölçek [VAS] gibi) indirgemecidir ve somatosensoriyel, bilişsel veya duygusal alanları kapsayan ağrı semptom yoğunluğunun karmaşık doğasını iletemez 2,3. Bir bireyin ağrı yoğunluğunu doğru bir şekilde izlemek, ağrı sendromlarının teşhisi, hastalığın ilerlemesinin izlenmesi ve ilaçlar veya beyin stimülasyonu gibi tedavilerin potansiyel etkinliğinin değerlendirilmesi için kritik öneme sahiptir.
Yaygın olarak kullanılan NRS ağrı yoğunluğu aracı, deneğin ağrı yoğunluğunu 0-10 arasında bir tamsayı değeri olarak derecelendirmesini gerektirir, bu da ağrıdan mümkün olan en kötü ağrıya kadar hiçbir ağrıyı temsil etmez. Yönetimi ve anlaşılması kolay olmakla birlikte, NRS, yanıtlayanın sabitleme yanlılığı, beklenti yanlılığı ve bireysel değerlerin değişken yorumu ile sınırlıdır 4,5; Bunlar aynı zamanda katılımcılar arasındaki karşılaştırmaları da sınırlar. 0-100 arasında sürekli bir ölçek olan VAS, ankrajın etkisini azaltabilir, ancak yine de NRS 4'ünkilere benzer sınırlamalarla karşı karşıya kalabilir. Birkaç çalışma, kronik bel ağrısı şiddeti 6,7 ve klinik uygulama5 için NRS ve VAS arasında yüksek derecede bir anlaşma olduğunu göstermiştir, ancak fikir birliği kılavuzları, klinik ağrı denemesi tasarımında veya yorumlanmasında benzer ölçeklere güvenmenin birçok eksikliğini vurgulamaktadır 8,9. Kısa formlu McGill ağrı anketi 2 (MPQ), duyusal ve duygusal ağrı boyutu11 arasında ayrım yapmaya yardımcı olmak için sözel tanımlayıcıların10 derecelendirmelerini kullanarak ağrının somatosensoriyel ve affektif boyutlarını daha da inceler. Bu ağrı derecelendirme ölçekleri, ağrı yoğunluğunu12,13 izlemek için yaygın olarak kullanılsa da, ağrı konumu veya vücut bölgeleri arasındaki yoğunluk değişimi gibi ayrıntılı topografik bilgileri yakalayamazlar.
Ağrı vücut diyagramları (PBD'ler), katılımcıların şematik bir insan vücudu taslağı üzerinde ağrı yeri ve yoğunluğunun görsel bir temsilini göstermelerine olanak tanıyan açık uçlu, serbest biçimli bir ağrı değerlendirme aracıdır14,15. PBD'ler, katılımcılar ve tıbbi sağlayıcılar arasında ağrı semptomlarını uzunlamasına izlemeye yardımcı olan etkili bir iletişim aracıdır16. PBD'nin serbest biçimli grafik formatı, sabitleme yanlılığını azaltabilir. Cinsiyete özgü vücut diyagramlarının tanıtılması gibi PBD'lerde yapılan son değişiklikler, görsel olarak temsil edilen vücut formunu katılımcının anatomisi ile hizalayarak bir iletişim aracı olarak etkinliklerini artırmış, böylece kendini tanımlama ve yanıt doğruluğunu artırmıştır17. Ayrıca, yoğunluğu belirtmek için renk kullanımının, kültürel ve dil engellerini aşarak ağrı semptomlarının etkili bir şekilde iletilmesine izin verdiği gösterilmiştir. Örneğin, beyaz ve kırmızı renkler, bir Hmong hasta popülasyonunda18 sırasıyla ağrı ve şiddetli ağrı olmadığını belirtmek için en yaygın olarak seçilmiştir. PBD'ler etkili bir araç19,20 olsa da, niteliksel yapıları nedeniyle sınırlıdırlar.
PBD'lerin dijital tabletlerde kullanımı, ağrı yerini ve yoğunluğunu ölçmek için mevcut araçları önemli ölçüde genişletmiştir. Barbero ve ark. kronik bel ve boyun ağrısı olan hastaların ağrı derecesini veya PBD'de çizilen piksel sayısını ölçtüler ve iyi bir test-tekrar test güvenilirliği ve VAS ölçümleri ile anlamlı korelasyon gösterdiler21. Vücut diyagramları, vücudun en çok ve en az ağrılı bölgelerini göstermek için ağrı frekans haritaları oluşturmak için de analiz edilmiştir21,22. Bu yöntemler uzamsal ağrı bilgisini ölçerken, şimdiye kadar hiçbir yöntem hem ağrı yoğunluğunu hem de yerini bileşik metriklere dahil etmemiştir.
Aşağıdaki protokol, yeni, görsel olarak sezgisel, renkli PBD'ler elde etmek ve birlikte ağrı yoğunluğu ve konum bilgilerinin bir bileşimini yansıtan üç nicel metriği çıkarmak için bir yöntemi göstermektedir. Bunu yapmak için, refrakter kronik nöropatik ağrı için derin beyin stimülasyonu (DBS) araştırma denemesi yapılan beş katılımcı, N-of-1 çalışma tasarımı23 kullanılarak mevcut yaklaşımı test etmek üzere seçildi. Katılımcılara, farklı vücut konumlarında değişen ağrı yoğunluklarına karşılık gelen renk tonları üretmek için bir tablet illüstrasyon uygulamasına değişen seviyelerde kalem basıncı uygulayarak anlık ağrı semptomlarının yoğunluğunu bildirmeleri talimatı verildi. PBD'den türetilen kapsama alanı, toplam yoğunluk ve ortalama yoğunluk ölçümleri, istatistiksel ve karşılıklı bilgi (MI) analizleri kullanılarak daha yaygın doğrulanmış ağrı ölçümleri (yani NRS, VAS ve MPQ) ile karşılaştırıldı.
10 günlük hastanede kalış süresi boyunca, değerlendirmeye tabi tutulan hastalar PBD'leri tamamladı (ortalama ± standart sapma (SD) = hasta başına 121.8 ± 34.3 PBD; aralık 84-177; toplam 609 PBD) NRS, VAS ve MPQ gibi doğrulanmış ağrı ölçeklerine ek olarak günde birkaç kez. PBD'ler bir tablet uygulaması aracılığıyla toplandı ve tamamlandığında zaman damgalı dosyalar olarak güvenli araştırma sunucularına yüklendi. Ağrı yoğunluğu NRS, VAS ve MPQ, güvenli bir web uygulaması olan REDCap anket araçları kullanılarak elde edildi. Hem anketler hem de PBD'ler, hastaların değerlendirmelerini doğru bir şekilde tamamlamaları için gerekli yardımı almalarını sağlamak için araştırma görevlileri tarafından şahsen uygulandı. Aşağıdaki adımlar, ağrıyı güvenilir bir şekilde ölçmek için kullanılan PBD kurulumunu, katılımcı talimatını, veri toplamayı ve PBD analizini detaylandırmaktadır (Şekil 1).
Protocol
Bu PBD protokolü, UCSF İnsan Araştırmaları Koruma Programı ve FDA tarafından onaylanan bir ana klinik araştırma protokolünde (NCT03029884) uygulanmıştır. Her katılımcı (3 kadın ve 2 erkek, yaş aralığı: 51-67 yaş) yazılı bilgilendirilmiş onam imzaladı; UCSF ağrı yönetim merkezinden işe alındılar veya Amerika Birleşik Devletleri'ndeki doktorlar tarafından sevk edildiler.
1. Ağrı vücut diyagramı kurulumu
- Hasta dahil etme kriterleri: Aşağıdaki ağrı tanılarına sahip katılımcıları dahil edin: merkezi inme sonrası ağrı (2 hasta) ve radiküler ağrılı nörodejeneratif omurga hastalığı (1 hasta), kompleks bölgesel ağrı sendromu (1 hasta) ve omurilik yaralanması (1 hasta) dahil olmak üzere çeşitli nöropatik ağrı etiyolojileri. Tüm katılımcılar lise sonrası eğitimini tamamlamıştır.
- Hem ön hem de arka gövde yüzeylerini gösteren, cinsiyete uygun bir PBD şablonunu (Ek Şekil 1), dokunmaya duyarlı bir dijital tablette basınca duyarlı bir çizim aracı içeren bir illüstrasyon uygulamasına aktarın. PBD şablonunu tabletin fotoğraf kitaplığına indirin, ardından İçe Aktar düğmesini tıklayın.
- PBD şablonunun üstünde, Katmanlar simgesine ve ardından katılımcının çizim yapması için + düğmesine tıklayarak yeni bir katman oluşturun. Bu, biri PBD ile diğeri ağrıyı gösteren renklerle çizilecek iki katmanla sonuçlanır.
- Önce Fırça Kitaplığı simgesine, ardından fırça stüdyosunu açmak için + işaretine tıklayarak x=y basınç-ton dönüştürme eğrisine sahip yeni bir fırça oluşturun.
- Renk Dinamikleri etiketli düğmeye tıklayın, ardından renk basıncı bölümüne gidin. Ton kaydırıcısı için, basınç dönüşümü grafiğinin düz bir 45° çizgiyi görselleştirdiğinden emin olmak için Sayısal Yüzde'yi tıklatın.
NOT: Grafiğe çift tıklamak, grafiği düz x=y grafiğine sıfırlama seçeneği sunar. - Yeşilden maviye ve kırmızıya ton gradyan aralığını tanımlamak için, renk basıncı bölümünün altındaki ton kaydırıcısını Listelenen Yüzde Sayısı'na tıklayarak ve %81'lik sayısal bir değer girerek ayarlayın.
NOT: Bunu yapmanın başka bir yolu da, uygulamanın onaltılıkların manuel olarak girilmesine izin verip vermediğini #FF0000 için #008000 onaltılık sınırları girmektir. - Kalem aracı kaydırıcısını ayarlayarak çalışma katılımcılarının ihtiyaçlarını karşılayan bir kalem boyutu seçin. %30'luk bir kalem boyutu, çoğu katılımcı için iyi bir başlangıç boyutudur.
2. Katılımcılar için talimatlar
- Portre modunda vücut şablonlarının PBD anatomisini ve yönünü, çizim ve silme araçlarını, dokunsal kıstırma-yakınlaştırma ve kaydırma işlevini hastaya açıklayın.
- Katılımcılara basınçtan renk tonuna doğrusal dönüşümü aşağıdaki şekilde açıklayın: katılımcılara, kaleme uygulanan artan basıncın, yeşilden maviye ve kırmızıya değişen tonlarla sonuçlanacağını ve bu tonların sırasıyla herhangi bir yerde hafif ila orta ila şiddetli ağrı yoğunluğunu temsil edecek şekilde diyagrama renklendirilmesi gerektiğini bildirin.
- Geri öğretme yöntemini24 kullanarak, katılımcıdan diyagramı kendi sözcüklerini kullanarak nasıl dolduracaklarını açıklamalarını isteyerek PBD görevini anladığını onaylayın.
- Ağrı yerinin ve yoğunluğunun doğru bir şekilde temsil edilmesini sağlamak için katılımcılara düz bir yüzeye birden fazla PBD çizmeleri için en az 15 dakikalık uygulama süresi tanıyın. Kullanılabilirliği en üst düzeye çıkarmak için herhangi bir ayarlamanın yapılmasına izin verin. Tutarlılığı ve renklerin amaçlandığı gibi çizildiğinden emin olmak için PBD'leri hemen ardından her katılımcıyla birlikte gözden geçirin.
3. Veri toplama ve ön işleme
- Katılımcılardan başlangıç sırasında veya bazı tedavi veya müdahalelerden sonra çeşitli zaman noktalarında PBD'leri tamamlamalarını isteyin. Her haritanın katılımcıyı tatmin edecek şekilde tamamlanabilmesi için her PBD'nin tamamlanması için açık uçlu bir süre tanıyın.
- Tamamlanan PBD'leri, hasta kimliğinin yanı sıra PBD'nin tamamlandığı tarih ve saati içeren standartlaştırılmış bir dosya adıyla kaydedin.
NOT: Bu dosyalar tablet cihaza geçici olarak kaydedilir. - Tamamlanmış PBD'leri, ön işleme için görüntü katmanlarını koruyan taşınabilir belge formatında (.PDF) veya photoshop belgesi (.PSD) dosya formatında toplu olarak dışa aktarın. Toplu dışa aktarmak için önce Seç simgesine tıklayarak istediğiniz görüntüleri seçin, ardından paylaş dışa aktarılacak görüntü biçimleri menüsünü açmak için. Tercih ettiğiniz biçim dosyasına tıklayın.
NOT: Dışa aktarılan dosyalar güvenli bir araştırma sunucusuna yüklenir. - PBD'leri indirin ve raster tabanlı bir görüntü düzenleyicide açın.
- İki maske katmanı ekleyerek ilgilenilen renkli pikselleri PBD dosyasının üst katmanından ayırın: biri renkli katmanın altında tamamen siyah katman ve biri de renkli katmanın üzerindeki şablon gövdesi anahattının dışındaki pikselleri dışarıda bırakmak için bir siyah maske katmanı. Bu, siyah bir arka plan üzerinde gövde anahattında yalnızca renkli pikselleri içeren işlenmiş PBD'lerle sonuçlanacaktır (Şekil 1).
- İşlenen PBD'leri, aşağıdaki düğme sırasını tıklatıp seçerek taşınabilir ağ grafikleri (.png) dosyaları olarak dışa aktarın: Dosya > Dışa Aktar > Farklı Dışa Aktar > PNG > Dışa Aktarma.
4. PBD Ölçümü
- Herkese açık bir Python paketi olan OpenCV225'i kullanarak PBD'deki her piksel değerini RGB (kırmızı, yeşil, mavi) renk uzayından HSV (ton, doygunluk, değer) renk uzayına dönüştürün. rgba2hsv(dosyaadı) (Ek Kodlama Dosyası 1) ve measure_SAnoblur(dosyaadı, sigma-1.0) başlıklı python betiklerini çalıştırarak her piksel için ton değerini çıkarın (Şekil 1).
NOT: Bu komut dosyaları, 0-139.5 arasında sürekli bir ton ölçeği oluşturmak için ton değerlerini ölçer ve ayarlar. OpenCV2'deki HSV değerleri 0-179 arasındadır. En az ağrı yoğunluğunu temsil eden en açık yeşil, 39.5 ton değerine karşılık gelir. Bazı kırmızı tonlar 0-10 arasındaki değerlere karşılık gelir. 10-39,5 arasındaki ton değerlerine karşılık gelen sarı ve turuncu renkler kalem aracı tarafından kullanılmaz. 0-10 arasındaki kırmızı renk tonu, en fazla ağrı yoğunluğunu doğru bir şekilde temsil etmek için 179'a yeniden atanır. Bu ayarlamadan sonra renk tonu ölçeği 39,5-179 arasında değişir. Ardından, her renk tonu değerinden 39.5 çıkarılır, böylece son ölçek 0-139.5 arasında değişir. - quantifypain(filename) (Ek Kodlama Dosyası 1) başlıklı Python betiğini çalıştırarak üç PBD ölçümünü hesaplayın ve normalleştirin.
- Komut dosyası, her metriği aşağıda açıklandığı gibi hesaplar.
- PBD kapsamı: Renkli piksel sayısını, gövde diyagramında bulunan toplam piksel sayısına bölün. Kadınlar için renkli piksel sayısı aralığı 0 ila 820.452 pikseldir (toplam piksel) ve erkekler için aralık 0 ila 724.608 pikseldir (toplam piksel).
- PBD toplam yoğunluğu: Gövde diyagramındaki tüm pikseller için ton değerlerini ekleyin. Kadınlar için renk tonu değerlerinin toplamı aralığı 0 ila 114.453.054 ve erkekler için aralık 0 ila 101.082.816'dır.
- PBD ortalama yoğunluğu: Tüm ton değerlerinin toplamını toplam renkli piksel sayısına bölün.
- Aşağıda açıklanan hesaplamaları izleyerek 0 ile 100 arasındaki bir ölçekte tüm PBD ölçümlerini normalleştirmek için komut dosyasını kullanın.
- PBD kapsamı: PBD kapsamını 100 ile çarpın.
- PBD toplamı: PBD toplam yoğunluğunu maksimum PBD toplam yoğunluğuna bölün ve 100 ile çarpın. Maksimum PBD toplam yoğunluğu, vücut diyagramındaki toplam piksel sayısının 139.5 ile çarpımına eşittir (yani, kadınlar için 820.452 pikselin 139.5 ile çarpımıdır, bu da 114.453.054'e eşittir; erkekler için 724.608 pikselin 139.5 ile çarpımıdır, bu da 101.082.816'ya eşittir).
- PBD ortalaması: PBD ortalama yoğunluğunu maksimum renk tonu değeri olan 139.5'e bölün ve 100 ile çarpın.
- Komut dosyası, her metriği aşağıda açıklandığı gibi hesaplar.
- Her PBD (uzantılı .png) dosyasını işlemek için 4.1 ve 4.2 adımlarını tekrarlayın. Daha fazla analiz yapmak için çıktıları bir elektronik tabloda derleyin.
Representative Results
PBD ortalaması, toplamı ve kapsamı, diğer standartlaştırılmış ağrı ölçeklerinde yakalanmayan ağrı yanıtları hakkında benzersiz bir şekilde bilgi sağlar. İki PBD arasında (Şekil 2A,B), ortalama ağrı şiddeti aynıdır (PBD ortalaması = 79.6). Bununla birlikte, artan bir kapsama alanı ve toplamı, iki PBD'yi farklılaştıran sırasıyla ağrının ve toplam ağrı yoğunluğunun daha fazla uzamsal yayılımını ortaya koymaktadır (Şekil 2B). Bu ölçümleri kullanarak ağrıyı doğru bir şekilde ölçmek için, araştırmacılar aşağıdaki yaygın PBD kurulum hatalarından kaçınmalıdır (Şekil 2C). Aşırı büyük kalem kalınlığı ve daire çizen vücut bölgeleri veya yazılı tanımlayıcılar gibi gövde taslağının dışındaki yabancı unsurlar PBD işlemede yakalanmayacaktır. Benzer şekilde, rengi kaldırmak için silgi aracı yerine kullanılan beyaz bir kalem, PBD ölçümlerini çarpıtacaktır. Uygulama ve güçlendirilmiş eğitim, hastaları ağrı yoğunluğu ve dağılımındaki değişkenliği ortaya çıkaran doğru ve ölçülebilir PBD'ler oluşturma konusunda güçlendirecektir.
PBD ölçümleri NRS, VAS ve MPQ'ya göre doğrulandı (Şekil 3B; Ek Şekil 2) ve kullanılabilirlik açısından yüksek puan aldı (Ek Şekil 1 ve Ek Şekil 2).
PBD ölçümleri standart ağrı ölçümleri ile ilişkilidir
PBD ölçümleri çoğu hasta için NRS, VAS ve MPQ ile ilişkilendirildi (Şekil 3A, Ek Şekil 1A, B). Beş hastanın dördünde, PBD toplamı, kapsamı ve ortalaması VAS ve NRS ile ilişkiliydi (Spearman korelasyonu, rs = 0.33-0.72, p < 0.004, Ek Tablo 1). Beş katılımcıdan üçü için PBD metrikleri de MPQ skorları ile anlamlı olarak ilişkiliydi (Spearman korelasyonu, rs = 0.38-0.53, p < 0.004, Ek Tablo 1). Bununla birlikte, hasta 4, PBD ölçümleri ile standart ağrı skorları arasında anlamlı bir korelasyon göstermedi. Bilgi teorisi analizlerini kullanarak PBD ve standart metrikler arasındaki doğrusal olmayan ilişkileri daha da karakterize ettik (Ek Şekil 2).
PBD ölçümleri, yanıt sabitlemesini önler ve standart ağrı ölçümleriyle karşılıklı bilgileri paylaşır
PBD metrikleri, NRS'den daha fazla bilgi (yani entropi) içeriyordu. Hastalar arasında NRS, VAS yoğunluğu, VAS tatsızlığı, MPQ toplamı, PBD toplamı, PBD kapsamı ve PBD ortalamasına (sırasıyla 3.21 ± 0.49 bit, 3.20 ± 0.31 bit, 3.16 ± 0.23 bit, 3.06 ± 0.32 bit, 3.34 ± 0.16 bit, 3.22 ± 0.39 bit) kıyasla daha az bilgi (2.32 ± 0.37 bit) içeriyordu; Ek Şekil 2). Bu durum tek yönlü tekrarlı ölçüm ANOVA (F(4,1) = 12.10, p < 0.05) ve bireysel karşılaştırmalar için Tukey t-testi (tümü p < 0.05) ile doğrulandı. Bu, PBD ölçümlerinin NRS'den daha az yanıt sabitlemesine sahip olduğunu gösterir.
PBD, karşılıklı bilgi analizleri (permütasyon testi, α=0.05) ile yerleşik metriklere göre daha da doğrulandı. Beş hastanın dördünde, PBD ölçümleri MI'yı NRS, VAS yoğunluğu, VAS tatsızlığı ve MPQ ile anlamlı olarak paylaştı (p < 0.05, Şekil 3B). Buna karşılık, hasta 4'ün PBD ölçümleri, MI'yı yerleşik ölçümlerle önemli ölçüde paylaşmadı. NRS'leri hastalar arasında en az bilgiyi içerdiğinden (Ek Şekil 2), bu, NRS'nin PBD tarafından yakalanan ağrı deneyimindeki nüansları yakalayamadığını göstermektedir. Tüm hastalarda, NRS, VAS yoğunluğu, VAS tatsızlığı ve MPQ ile anlamlı MI'yı paylaşırken, PBD toplamı MI'yı PBD kapsamı ve PBD ortalaması ile paylaştı (p < 0.05, Şekil 3B). Toplamda, çoğu hasta için, PBD ölçümleri MI'yı yerleşik ağrı ölçümleriyle paylaştı.
PBD'lerin çoğu katılımcı için kullanımı kolaydı
Çalışmada, beş hastadan dördü PBD'nin kullanımını kolay buldu ve ağrılarını doğru bir şekilde yansıttı (Ek Tablo 2). Bununla birlikte, hasta 4 PBD'nin kullanımının zor olduğunu bildirmiştir (5'li Likert Ölçeğinde 5). Bunun başlıca nedeni, 2 boyutlu (2D) bir PBD'de iyi yakalanmayan derin, viseral ağrıya sahip olmalarıdır. Hastaların PBD'lere aşinalıkları farklılık gösterirken (2.8 ± 1.2, dağılım 1-4, 5'li Likert Ölçeği), hepsi günlük olarak karşılaştırılabilir elektronik kullandılar (5.0 ± 0.0, 5'li Likert Ölçeği) ve PBD'yi kullanıcı dostu buldular (5.2 ± 0.4, 5-6 aralığı, 6'lı Likert Ölçeği).
Şekil 1. Ağrı vücut diyagramı (PBD) analizi iş akışı. Hastalar, ağrının yerini ve yoğunluğunu temsil etmek için boş PBD şablonlarına çizdiler. Tamamlanmış PBD'ler, sırasıyla hafif ila orta ila şiddetli ağrı bölgelerini temsil eden yeşilden maviye ve kırmızıya kadar değişen tonlar içeriyordu. PBD'ler, gövde anahattında yalnızca pikselleri içerecek şekilde maskelendi ve ardından şablon, yalnızca ton içeren pikselleri izole etmek için kaldırıldı. PBD'lerden PBD kapsamı (%), toplam yoğunluk (0-100'e normalleştirilmiş) ve ortalama yoğunluk (0-100'e normalleştirilmiş) hesaplandı. PBD kapsamı için, renkli piksel sayısı önce diyagramdaki toplam piksel sayısına bölündü (kadınlar için 820.452 piksel, erkekler için 724.608 piksel), ardından 100 ile çarpıldı. PBD toplam yoğunluğu için, önce gövde diyagramındaki tüm piksellerin ton değerleri toplandı (kadın aralığı: 0-114,453,054; erkek aralığı: 0-101,082,816). Toplam daha sonra maksimum PBD toplam yoğunluğuna bölündü (dişiler: 820.452 piksel, maksimum renk tonu değeri 139.5 ile çarpıldı, erkekler: 724.608 piksel, 139.5) ve 100 ile çarpıldı. PBD ortalama yoğunluğu için, tüm renk tonu değerlerinin toplamı toplam renkli piksel sayısına bölündü, ardından maksimum renk tonu değeri olan 139.5'e bölünerek normalleştirildi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 2. İyi ve kötü PBD örneklerini gösteren temsili PBD'ler. (A,B) İyi PBD'ler, 3 ağrı metriğini hesaplamanın faydasını gösterir. (C) Kötü PBD örnekleri arasında aşırı kalın kalem boyutu, gövde diyagramının dışındaki yabancı öğeler ve yanlış silme yer alır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 3. PBD ölçümleri, Spearman'ın korelasyon ve karşılıklı bilgi analizleri ile standart ağrı ölçümlerine göre doğrulandı. (A) VAS yoğunluğu ve PBD toplamı, her hasta için çizilen doğrusal en uygun çizgilerle çizilir. (B) Her bir ağrı metriği arasındaki ortalama karşılıklı bilgiyi (MI) gösteren grup düzeyinde veriler, MI sağdaki renk çubuğuyla gösterilir. Her kutudaki metin, belirli bir ikili karşılaştırma için istatistiksel olarak anlamlı MI'lı hasta sayısını temsil eder (örneğin, 3/5 anlamlı değerlere sahip 3 hastayı gösterir). MI, gözlemlenen MI'nın teorik maksimum MI'ya bölünmesiyle sunulur. Kısaltmalar: NRS = sayısal derecelendirme ölçeği; VAS yoğunluğu = görsel analog ölçek yoğunluğu; VAS unpl. = görsel analog ölçek ağrı tatsızlığı, MPQ = kısa form McGill ağrı anketi 2; PBD = ağrı vücut diyagramı; PBD cov. = PBD kapsamı, MI = karşılıklı bilgi, sig. = anlamlı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Ek Şekil 1. PBD ortalaması (A) ve PBD kapsamı (B), her hasta için doğrusal en uygun çizgiler çizilerek VAS yoğunluğuna göre çizildi. Kısaltmalar: VAS=görsel analog ölçek; PBD = ağrı vücut diyagramı. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 2. Hastalar arasında ağrı metriği başına entropi. Grup düzeyinde, NRS yoğunluğu, tekrarlanan ölçümler tek yönlü ANOVA ve ardından spesifik karşılaştırmalar için Tukey'in test sonrası post-hoc * = p 0.05, ** = p << 0.001 ile gösterildiği gibi diğer tüm ağrı metriklerinden daha düşük entropiye sahipti. Kısaltmalar: NRS = sayısal derecelendirme ölçeği; VAS=görsel analog ölçek; MPQ = McGill ağrı anketi; PBD = ağrı vücut diyagramı. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 1. Spearman'ın PBD ölçümleri ile kendi bildirdiği standart ağrı ölçümleri arasındaki korelasyonları. NRS, VAS ve MPQ ağrı ölçümlerine karşı çıkarılan üç PBD metriği için Spearman'ın korelasyon katsayıları (rho). Kısaltmalar: NRS = sayısal derecelendirme ölçeği; VAS=görsel analog ölçek; MPQ = McGill ağrı anketi; PBD = ağrı vücut diyagramı. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 2. Bir PBD'yi tamamlamaya ilişkin hasta izlenimleri, PBD'ye özgü ve sistem kullanılabilirlik ölçeği değiştirilmiş sorularla ortaya çıktı. Değiştirilmiş kullanılabilirlik ölçeği soruları, olumlu ve olumsuz ifadelerde dönüşümlü olarak yer aldı ve 5 puanlık bir ölçekte sıralandı (1 = kesinlikle katılıyorum, 5 = kesinlikle katılmıyorum). Kısaltma: PBD = ağrı vücut diyagramı. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Kodlama Dosyası 1: PBD ölçümleri için Python komut dosyası. Açıklamalı python kodu, bir ağrı gövdesi diyagramı PNG dosyasını işler ve her dosya için PBD ortalama, kapsam ve toplam değerlerini çıkarır. Komut dosyası, programın çalışması için gerekli paketleri indirmek için import deyimlerini de içerir. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 1: Metodolojik ayrıntılar için ek dosya. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Discussion
Protokol içindeki kritik adımlar
Temel adımlar şunları içerir: PBD kurulumu, hasta talimatı ve ön işleme. PBD kurulumu için, her cinsiyete özgü PBD, önden ve arkadan bir görünüm26 görselleştirmeli ve ton değerlerini izole etmek için bir illüstrasyon uygulamasında boş bir katmanla kaplanmalıdır. Ayrıca, PBD'leri kantitatif olarak analiz etmek için kalem boyutu hastaların illüstrasyon ihtiyaçlarını karşılamalı ve ton gradyanları tanımlanmalıdır. Hasta talimatı ve aracın anlaşılması, güvenilir veriler için esastır. Katılımcıların aracı PBD'de uygulama pratiği yapmaları için yeterli zaman ayrılmalıdır. Katılımcının test sırasında görevleri ve anketleri anladığını doğrulamak için yaklaşık olarak her 10 PBD'de bir periyodik olarak geri öğretme yöntemini kullanın. Tek tek PBD'leri takip etmek için, tamamlandıktan sonra her dosyayı benzersiz bir başlık ve zaman damgası ile adlandırmak da iyi bir fikirdir. Veri toplamanın ardından, her PBD metriği Python27 komut dosyaları kullanılarak çıkarılabilir (bkz. PBD kapsamı, toplam yoğunluk ve ortalama yoğunluk ölçümleri, hasta içindeki ağrı yanıtlarını izlemek için herhangi bir tedavi veya müdahaleden önce ve sonra tekrarlanabilir. Bu ölçümleri çıkarmak için, veri toplamaya doğrudan dahil olmayan bir araştırmacı, yalnızca gövde taslağının içine çizilen renkleri izole etmek için siyah maske katmanlarını kaplamalı, ardından Ek Dosya 1 olarak sağlanan özel yazılım kodunu kullanarak HSV piksel değerlerini hesaplamalıdır.
Teknikte değişiklikler ve sorun giderme
Hasta 1'in veri toplanması sırasında metodolojik adımlar rafine edildi. Bunlar, hastaların kalemin basınç hassasiyetini kontrol etmeye alışmaları için daha fazla zaman tanımayı, daha sonra maskeleme ve analiz için vücut diyagramı katmanlarını doğru şekilde ayarlamayı, PBD'lerde sembollerin veya kelimelerin kullanımını sınırlamayı ve mutlak kalem basıncı hassasiyetini ayarlamayı içerir. Hastaların ağrılarını en iyi şekilde temsil etmek için kalem boyutlarını seçmelerine izin verildi; Bununla birlikte, sabit bir boyut seçmek, gelecekte daha iyi hastalar arası karşılaştırmalara izin verebilir. Gelecekteki yinelemelerde, bir renk kanalı (örneğin, kırmızı, yeşil veya mavi) kullanan bir yöntemin prototipini oluşturmak ve rengin açıklığını kalem basıncına göre değiştirmek, RGB'den HSV renk uzayına dönüştürürken olası hassasiyet kaybını en aza indirebilir.
Tekniğin sınırlamaları
PBD'ler, hastaların en az bir üst ekstremitede yeterli temel motor kuvvete ve el becerisine sahip olmasını, en azından parmaklarda iyi ince motor kabiliyete sahip olmasını, diyagramları bağımsız olarak tamamlamasını ve ağrı deneyimlerini basınç yoluyla doğru bir şekilde çevirmesini gerektirir. NRS ve MPQ gibi standart ağrı ölçümleri, sözlü iletişim yoluyla bir asistan tarafından kağıda veya klavyeye girilebilirken, PBD'lerle yapılan bu değişiklik henüz doğrulanmamıştır. PBD'ler ayrıca iki boyutlu bir illüstrasyon olarak derinlikten yoksundur. Üç boyutlu bir vücut diyagramındaki ayrıntı düzeyinin, ağrı bilgisinin iletişimini genişletmek için niteliksel olarak gösterilmiştir17. Ağrının derinliğini daha fazla karakterize etmek, NRS, VAS ve MPQ gibi ölçeklerde incelenmeyen yeni ağrı bilgilerini yakalayabilir. Vücut diyagramları şu anda daha soyut somatizasyon veya daha derin ağrı biçimlerini yakalamak için tasarlanmamıştır. Örneğin, hasta 4, iç nöropatik ağrısını yakalamadıklarını hissettiği için, ağrı yeri ve ağrı yoğunluğunun kullanılabilirlik anketindeki vücut diyagramı ile iyi karakterize edilmediğini bildirdi. Hasta 5, vücutlarındaki ağırlığı belirtmek için vücut diyagramlarında genellikle noktalı çizgiler çizdi ve bu da metrik hesaplamaları karıştırabilir. Gelecekteki PBD yinelemeleri, ağrının veya viseral ağrının ölçülebilir bir yöntemle somatizasyonunu temsil edecek şekilde genişletilebilir. Son olarak, PBD'ler, her katılımcı için yaklaşık 100 ayrı PBD'nin üretildiği bir N-of-1 çerçevesinde analiz edildi. Genel katılımcı sayısının az olması nedeniyle grup düzeyinde analizler mümkün değildi. Bu nedenle, NRS ölçeklerine verilen yanıtlar çapa yanlılığı ile karşı karşıya kaldığından, bu çalışmada test-tekrar test güvenilirliği belirlenememiştir, bu da aynı NRS puanlarının denemeden sonra test edilen aynı PBD'lere eşdeğer olmayabileceğini düşündürmektedir. PBD metriklerini grup bazında bir analiz ortamında ve yöntemin daha büyük bir örneklemde test-tekrar test güvenilirliğini değerlendirmek için gelecekteki araştırmalara ihtiyaç duyulacaktır.
Yöntemin mevcut yöntemlere göre önemi
PBD'ler, bir katılımcının vücudundaki ağrı yoğunluğunu göstermek için klinik ve araştırma ortamlarında yaygın olarak kullanılmıştır14,15, ancak bu araç kalitatif doğası nedeniyle büyük ölçüde sınırlı kalmıştır. Kronik ağrıyı uzunlamasına izlemek için dijital ağrı haritalamasıkullanılmış olsa da 16, hastalar ağrı yoğunluğunu ve yerini birleşik ve kesin bir teknikle temsil etme yeteneğinden yoksundu. PBD'lerle birleştirilen bu yeni basınç-renk dönüşümü, bir katılımcının ağrı deneyimini yakalamak için zaman içinde tekrar tekrar ölçülebilen ve izlenebilen bileşik uzamsal ve nicel ağrı ölçümleri sağlar. Burada, bir hasta içindeki ağrı yoğunluğunu ve yerini farklı şekilde yansıtan üç ekstrakte edilmiş PBD metriğinin, yani PBD kapsamı, toplam yoğunluğu ve ortalama yoğunluğun, NRS yoğunluğu, VAS yoğunluğu, VAS tatsızlığı ve MPQ gibi standartlaştırılmış ağrı ölçümleri ile yüksek geçerlilik ve uyum taşıdığı gösterilmiştir. Tüm PBD ölçümleri beş hastanın dördünde VAS ve NRS skorları ile korelasyon gösterdi ve beş hastanın üçünde MPQ ile anlamlı korelasyon gösterdi. Ek olarak, bilgi teorisi yaklaşımı 28,29,30,31, daha yaygın istatistiksel yöntemlerle tespit edilmeyen doğrusal olmayan ilişkileri ortaya çıkarmıştır. Çalışmada, beş hastanın dördünde PBD ölçümleri ile NRS, VAS yoğunluğu, VAS tatsızlığı ve MPQ arasında anlamlı MI vardı ve bu da bilgi içeriğinde tam olmasa da önemli bir örtüşme olduğunu gösterdi. Bu nedenle, PBD ölçümleri standart ağrı ölçümleri ile oldukça uyumluydu, ancak PBD ortalaması, geleneksel ağrı ölçümlerinde bulunmayan yoğunluk ve konum bilgilerinin bir kombinasyonunu yansıtıyor gibi görünüyordu.
Bu tekniğin gelecekteki uygulamaları
Mevcut sonuçlar, PBD'lerin ağrılarını doğrusal olmayan bir ölçekte yaşayan ve ölçen hastalar için özellikle uygun olabileceğini göstermektedir. Sözel tanımlayıcıların, katılımcıların ağrıyı değerlendirmeleri için başka bir boyut sağlayabilmesine benzer şekilde, PBD'ler ağrılarının benzersiz bir grafiksel ve basınca dayalı yorumunu sağlar. Vücut diyagramları, yeni bir basınç-renk tonu dönüşümü uygulayarak, bildiğimiz kadarıyla daha önce gösterilmemiş olan ağrının yoğunluğundaki yer, yayılma ve bölgesel varyasyon hakkında bilgi sağlar. Herhangi bir DBS denemesi sırasında toplanan nöral verilerle birlikte, PBD ölçümleri, farklı vücut bölgelerindeki ağrıyı farklı beyin bölgelerine lokalize etmede güçlü bir araç olabilir ve ağrı sinyal yolakları hakkında mekanik çalışmaları bilgilendirmeye yardımcı olabilir. PBD'lerde uygulanan basınç-renk dönüşümü, tedaviye yanıt olarak ağrının giderilmesini analiz etmek veya zaman içinde ağrıyı karşılaştırmak için birçok klinik ve araştırma ortamında kullanılabilir. Bu yöntem, ağrıyı değerlendirmek için yalnızca benzersiz, görsel olarak sezgisel diyagramlar üretmekle kalmaz, aynı zamanda bir hastanın deneyimini tekil bir sayısal puanın ötesinde doğru bir şekilde yakalar.
Disclosures
Yazarlar, araştırmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişkinin yokluğunda yürütüldüğünü beyan ederler.
Acknowledgments
Bu çalışma, Ulusal Sağlık Enstitüleri tarafından PS'ye UH3-NS115631 hibesi ile finanse edilmiştir. Finansman kaynakları çalışma tasarımını onayladı, ancak çalışmanın yürütülmesinde, veri analizinde veya makale hazırlamada hiçbir rolü yoktu. Ayrıca Dr. Edward F. Chang, Dr. Philip A. Starr ve çalışmamıza katılanlara teşekkür ederiz.
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).
