在一项新研究中，该团队开发了人工智能（AI）或机器学习算法，并将其应用于来自镰状细胞慢性疼痛患者的生理数据（包括呼吸频率，血压，心率，体温和氧气水平）。研究人员的方法不仅在评估主观疼痛水平方面优于基线模型，而且还检测到了疼痛的变化和非典型的疼痛波动。







该研究于3月11日发表在《 PLOS计算生物学》杂志上。这是第一篇证明机器学习可用于查找患者生命体征数据中隐藏的疼痛线索的论文。



当前，患者必须以0到10的等级来评估他们的疼痛。这可能是一项艰巨的任务，因为许多人的疼痛感受有所不同，而幼儿和昏迷的患者根本无法评估其疼痛程度。研究人员认为，这些主观的疼痛评估可以辅之以更客观，侵入性更小，数据驱动的方法，以帮助医生更精确地治疗疼痛。



该研究的资深作者丹尼尔·阿布拉姆斯（Daniel Abrams）表示，疼痛是主观的，因此在尝试治疗患者时进行评估是很棘手 的。医生不想为患者提供不足的药物治疗，也不能提供足够的疼痛缓解。但他们也不想为患者过度用药，因为存在副作用和成瘾的风险。







该研究的第一作者马克·帕纳乔（Mark Panaggio）表示，我们的研究表明，在医院常规收集的客观生理数据包含有关患者主观疼痛的线索 。我们希望我们的工作能够激发人们继续开发推断和最终预测疼痛的模型，并且这些模型将使临床医生能够提供更及时，更有针对性的治疗。



艾布拉姆斯（Abrams）是西北大学麦考密克工程学院的工程科学与应用数学副教授。Panaggio是前博士学位。艾布拉姆斯实验室的候选人；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，研究人员使用了因衰弱性疼痛而在杜克医学中心住院的镰状细胞病患者的数据。该样本包括来自46位不同患者的105例住院治疗的数据。当医护人员例行收集患者的生命体征时，这些患者也对他们的主观疼痛水平进行了评估。



为了简化任务，研究人员将疼痛程度分为三类：低，中和高。在使用机器学习策略来挖掘数据之后，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。



AI从患者数据中识别疼痛程度我们的研究表明，医院常规收集的客观生理数据包含有关患者主观疼痛的线索。



我们的模型推论确实反映了主观的疼痛报告，在检测患者是否高于或低于正常疼痛水平时，它甚至更加准确。



尽管由于机密性问题可能难以获取医院数据，但艾布拉姆斯，帕纳乔和他们的合作伙伴正在从包含数十万因镰状细胞病和其他原因引起的疼痛患者的疼痛报告中获取更大的数据集。



研究人员接下来的目标是使用他们的模型来尝试预测止痛药如何影响疼痛，并预测慢性疼痛患者何时会经历剧烈发作，这几乎是目前无法预测的。



患有慢性疼痛的人中有很大一部分因疼痛危机事件而进入急诊室，在这种情况下，使用处方药无法控制疼痛。现在，没有人知道是什么原因导致了这些事件。如果我们能够预测到这些事件，我们可以为患者节省很多痛苦和金钱。




上一篇：AIOps的发展和应用
下一篇：当今人工智能商业战略面临的人类挑战