第一个使用人工智能在患者生命体征数据中寻找疼痛指标的研究

由美国西北大学教员和校友领导的一个研究小组发现，可以通过检查生命体征数据来了解患者的疼痛程度。

在一项新的研究中，该团队开发并应用了人工智能(ai)或机器学习算法来处理生理数据，包括呼吸频率、血压、心率、体温和体温氧含量从患者慢性疼痛从镰状细胞病。研究人员的方法不仅在主观评估方面优于基线模型疼痛水平，它也检测到疼痛的变化和非典型性疼痛波动。

该研究将于3月11日发表在该杂志上PLOS计算生物学。这是第一篇证明机器学习可以用来发现隐藏在患者生命体征数据中的疼痛线索的论文。

目前，患者必须在0到10的范围内评估自己的疼痛。这可能是一项困难的任务，因为许多人对疼痛的感受是不同的，年幼的儿童和昏迷的病人根本无法评估他们的疼痛。研究人员认为，这些对疼痛的主观评估可以辅以一种更客观、更少侵入性、数据驱动的方法，以帮助医生更精确地治疗疼痛。

西北大学的丹尼尔·艾布拉姆斯是这项研究的资深作者，他说:“疼痛是主观的，所以在治疗患者时很难评估。”“医生不想给病人用药不足，也不想提供足够的止痛剂。但他们也不想给病人过度用药，因为有副作用和上瘾的风险。”

该研究的第一作者马克·帕纳乔说:“我们的研究表明，医院例行收集的客观生理数据中包含了病人主观疼痛的线索。”“我们希望我们的工作将激励模型的继续发展，以推断并最终预测疼痛，这些模型将使临床医生提供更及时和有针对性的治疗。”

艾布拉姆斯是西北大学麦考密克工程学院工程科学和应用数学副教授。帕纳乔曾是艾布拉姆斯实验室的博士候选人;他现在是约翰霍普金斯大学应用物理实验室的应用数学家。

为了进行这项研究，研究人员使用了来自因疼痛而在杜克医疗中心住院的镰状细胞病患者的数据。样本包括来自46名不同患者的105例住院数据。当卫生保健工作者定期收集患者的生命体征，这些患者还对自己的主观疼痛程度进行评估。

为了简化任务，研究人员将疼痛程度分为三类:低、中、高。在使用机器学习策略挖掘数据后，研究人员将他们的模型对疼痛的评估与患者的主观报告进行了比较。

“我们模型的推论确实反映了主观的疼痛报告，”艾布拉姆斯说。“它能更准确地检测出病人的疼痛程度是高于还是低于正常水平。”

虽然医院的数据很难获得由于保密问题,艾布拉姆斯Panaggio及其合作者的过程中获得一个更大的数据集与疼痛从成千上万的患者报告疼痛由于镰状细胞病和其他原因,从未知来源包括术后疼痛和痛苦。

研究人员下一步的目标是利用他们的模型试图预测止痛药可能如何影响疼痛，并预测慢性疼痛患者何时可能经历痛苦的发作，这目前几乎是不可能预测的。

艾布拉姆斯说:“很大一部分患有慢性疼痛的人因为疼痛危机事件而去急诊室，在这种情况下，疼痛变得无法用处方药来控制。”“现在，没有人知道这些事件的原因。如果我们能够预测这些事件，我们就可以为患者省去很多痛苦和金钱。”

---

---