DOI: https://doi.org/10.1038/s41598-025-97885-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40251301
تاريخ النشر: 2025-04-18
المؤلف: Chin Wen Tan وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
في هذه الدراسة، تم تطوير نظام آلي لتقييم شدة الألم لدى المرضى البالغين، مستفيدًا من التغيرات في تعبيرات الوجه التي تم التقاطها من خلال تسجيلات الفيديو. شملت الأبحاث 200 مريض يخضعون لإجراءات جراحية أو تدخلية للألم عبر مؤسستين صحيتين عامتين في سنغافورة. باستخدام تطبيق مخصص للهواتف المحمولة، تم تسجيل وتحليل تعبيرات الوجه، مما أدى إلى استخراج 468 نقطة رئيسية للوجه من كل إطار فيديو. تم استخدام هذه البيانات لتدريب شبكة تعلم عميق تعتمد على الذاكرة طويلة وقصيرة الأمد مع الانتباه المكاني الزمني (STA-LSTM)، والتي صنفت مستويات الألم إلى ثلاث فئات: لا ألم، ألم خفيف، وألم كبير.
أظهر النموذج أداءً قويًا، محققًا دقة وحساسية واسترجاع ودرجة F1 تبلغ 0.8660. تم إنتاج ما مجموعه 10,274 مقطع فيديو مدته ثانية واحدة، حيث تم استخدام 7,599 مقطعًا للتدريب و2,675 للتحقق. تشير النتائج إلى أن نموذج STA-LSTM يمكن أن يسهل تقييمات الألم الموضوعية في البيئات السريرية، مما قد يحسن فعالية إدارة الألم من خلال تمكين المتخصصين في الرعاية الصحية ومقدمي الرعاية من تقييم مستويات الألم بدقة في كل من البيئات الداخلية والخارجية. يُوصى بمزيد من التحقق والتنقيح للنموذج لتعزيز قابليته للتطبيق عبر سيناريوهات الرعاية الصحية المتنوعة.
النتائج
قامت الدراسة بتجنيد 200 مشارك، معظمهم من الإناث (70%)، من خدمات النساء في KKH وSGH، مع التركيز على المرضى الذين يخضعون لعمليات جراحية نسائية وإجراءات تدخلية للألم. تم الإبلاغ عن الألم من قبل 89 مريضًا قبل هذه التدخلات، مع متوسط درجة ألم يبلغ 3 (IQR 2-6). بعد الإجراء، حافظ 92 مريضًا على نفس متوسط درجة الألم البالغة 3 (IQR 2-4). اختلفت وصفات المسكنات، حيث كان الباراسيتامول هو الأكثر شيوعًا (n = 91).
تم تحليل ما مجموعه 2,008 فيديو لتصنيف الألم، مما كشف عن مجموعة بيانات غير متوازنة حيث أشار 90.4% من الفيديوهات إلى عدم وجود ألم. لمعالجة ذلك، تم استخدام تقنية إعادة أخذ العينات التكيفية لتحقيق توازن في مجموعة البيانات، مما أدى إلى تحسين أداء النموذج. حقق نموذج STA-LSTM دقة تبلغ 0.8660 لمستويات الألم المتعددة الألوان وأداء أعلى للتصنيفات الثنائية، حيث وصلت الدقة إلى 0.9384 لتمييز عدم وجود ألم عن الألم الكبير. تم أيضًا تطوير النموذج إلى برنامج كمبيوتر للكشف عن الألم في الوقت الحقيقي عبر أوضاع مختلفة، مما يعزز الفائدة السريرية.
المناقشة
في هذه الدراسة، تم تطوير نموذج للتعرف على الألم باستخدام مجموعة بيانات من مرضى العمليات الجراحية وإجراءات الألم التدخلية من مستشفيين في سنغافورة. يصنف النموذج الألم إلى ثلاثة مستويات—لا ألم، ألم خفيف، وألم كبير—استنادًا إلى تعبيرات الوجه، مع نقطة قطع ملحوظة لدرجة مقياس التصنيف الرقمي (NRS) تبلغ 4 تشير إلى الألم الكبير. تم تدريب شبكة تعلم عميق مخصصة تعتمد على الانتباه المكاني الزمني (STA-LSTM) على 10,274 مقطع فيديو مدته ثانية واحدة، محققة دقة تزيد عن 85% في التحقق. يسمح هيكل النموذج له بالتركيز على مناطق الوجه المحددة وتغيراتها الزمنية، مما يعزز قدرته على اكتشاف تعبيرات الألم الدقيقة دون الاعتماد على ميزات الوجه المحددة مسبقًا.
تعترف الدراسة بالقيود المرتبطة باستخدام تقييمات المراقبين لتقييم الألم، والتي قد لا تلتقط بالكامل الطبيعة الذاتية للألم الذي يعاني منه المرضى. بالإضافة إلى ذلك، قد تؤدي التجانس الديموغرافي لمجموعة البيانات والقيود الأخلاقية على جمع الفيديو إلى تقييد قابلية تعميم النتائج. على الرغم من هذه التحديات، أظهر نموذج STA-LSTM أداءً تنافسيًا مقارنة بالنماذج الحالية، مع منطقة تحت المنحنى (AUC) تتجاوز 96%. تهدف الأعمال المستقبلية إلى التحقق من النموذج في بيئات سريرية متنوعة، خاصة بين الفئات غير اللفظية، ومعالجة التحيزات المحتملة والمخاوف الأخلاقية المرتبطة بتقنيات تقييم الألم الآلي. يمكن أن يؤدي دمج هذا النموذج القائم على الذكاء الاصطناعي في سير العمل السريري إلى تعزيز إدارة الألم بشكل كبير، خاصة للمرضى الذين يواجهون صعوبات في التواصل.
DOI: https://doi.org/10.1038/s41598-025-97885-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40251301
Publication Date: 2025-04-18
Author(s): Chin Wen Tan et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
In this study, an automated system for assessing pain intensity in adult patients was developed, leveraging changes in facial expressions captured through video recordings. The research involved 200 patients undergoing surgical or interventional pain procedures across two public healthcare institutions in Singapore. Using a customized mobile application, facial expressions were recorded and analyzed, resulting in the extraction of 468 facial key points from each video frame. These data were utilized to train a spatial temporal attention long short-term memory (STA-LSTM) deep learning network, which classified pain levels into three categories: no pain, mild pain, and significant pain.
The model demonstrated robust performance, achieving an accuracy, sensitivity, recall, and F1-score of 0.8660. A total of 10,274 one-second video clips were generated, with 7,599 clips used for training and 2,675 for validation. The findings suggest that the STA-LSTM model can facilitate objective pain assessments in clinical settings, potentially improving the effectiveness of pain management by enabling healthcare professionals and caregivers to assess pain levels accurately in both inpatient and outpatient environments. Further validation and refinement of the model are recommended to enhance its applicability across diverse healthcare scenarios.
Results
The study recruited 200 participants, predominantly female (70%), from KKH Women’s services and SGH, focusing on patients undergoing gynecological surgeries and interventional pain procedures. Pain was reported by 89 patients prior to these interventions, with a median pain score of 3 (IQR 2-6). Post-procedure, 92 patients maintained a similar median pain score of 3 (IQR 2-4). Analgesic prescriptions varied, with paracetamol being the most common (n = 91).
A total of 2,008 videos were analyzed for pain categorization, revealing an imbalanced dataset where 90.4% of the videos indicated no pain. To address this, an adaptive stride resampling technique was employed to balance the dataset, resulting in improved model performance. The STA-LSTM model achieved an accuracy of 0.8660 for polychromous pain levels and higher performance for dichotomous classifications, with accuracy reaching 0.9384 for distinguishing no pain from significant pain. The model was also developed into PC software for real-time pain detection across various postures, enhancing clinical utility.
Discussion
In this study, a pain recognition model was developed using a dataset of surgical and interventional pain procedure patients from two hospitals in Singapore. The model categorizes pain into three levels—no pain, mild pain, and significant pain—based on facial expressions, with a notable cut-off of a Numeric Rating Scale (NRS) score of 4 indicating significant pain. A customized Spatial-Temporal Attention Long Short-Term Memory (STA-LSTM) deep learning network was trained on 10,274 one-second video clips, achieving over 85% accuracy in validation. The model’s architecture allows it to focus on specific facial regions and their temporal changes, enhancing its ability to detect subtle pain expressions without relying on predefined facial features.
The study acknowledges the limitations of using observer ratings for pain assessment, which may not fully capture the subjective nature of pain experienced by patients. Additionally, the dataset’s demographic homogeneity and the ethical constraints on video collection may limit the generalizability of the findings. Despite these challenges, the STA-LSTM model demonstrated competitive performance compared to existing models, with an area under the curve (AUC) exceeding 96%. Future work aims to validate the model in diverse clinical settings, particularly among non-verbal populations, and to address potential biases and ethical concerns associated with automated pain assessment technologies. The integration of this AI-based model into clinical workflows could significantly enhance pain management, especially for patients with communication difficulties.