מחקר זה מומן על ידי מענק UH3-NS115631 של המכונים הלאומיים לבריאות ל-PS. מקורות מימון אישרו את תכנון המחקר אך לא היה להם תפקיד בביצוע המחקר, ניתוח נתונים או הכנת כתב יד. אנו מודים גם לד"ר אדוארד פ. צ'אנג, לד"ר פיליפ א. סטאר ולמשתתפים במחקר שלנו.

פרוטוקול PBD זה יושם בפרוטוקול ניסוי קליני אב (NCT03029884), שאושר על ידי UCSF Human Research Protection Program וה- FDA. כל משתתף (3 נשים ו-2 גברים, טווח גילאים: 51-67 שנים) חתם על הסכמה מדעת בכתב; הם גויסו מהמרכז לניהול כאב של UCSF או הופנו על ידי רופאים בארצות הברית.
1. הגדרת דיאגרמת גוף כאב
<ol><li>קריטריוני הכללת מטופל: כלול משתתפים עם אבחנות הכאב הבאות: מספר אטיולוגיות כאב נוירופתיות, כולל כאב מרכזי לאחר שבץ מוחי (2 מטופלים) ומחלת עמוד שדרה נוירודגנרטיבית עם כאב רדיקולרי (מטופל אחד), תסמונת כאב אזורי מורכב (מטופל אחד) ופגיעה בעמוד השדרה (מטופל אחד). כל המשתתפים סיימו השכלה על-תיכונית.</li>
	<li>ייבא תבנית PBD המתאימה למגדר (איור משלים 1), המציגה משטחי גוף קדמיים ואחוריים, ליישום איור המכיל כלי ציור רגיש ללחץ בטאבלט דיגיטלי רגיש למגע. הורד את תבנית PBD לספריית התמונות של הטאבלט ולאחר מכן לחץ על לחצן ייבוא .</li>
	<li>צרו שכבה חדשה מעל תבנית PBD על ידי לחיצה על סמל השכבות ואחריו על כפתור + שעליו יוכל המשתתף לצייר. התוצאה היא שתי שכבות, אחת עם PBD ואחת לצייר פנימה עם צבעים המעידים על כאב.</li>
	<li>צרו מברשת חדשה עם עקומת שינוי צורה של x=y בלחץ לגוון, בלחיצה ראשונה על סמל ספריית המברשות, ולאחר מכן על + כדי לפתוח את סטודיו המברשות.</li>
	<li>לחץ על הלחצן שכותרתו דינמיקת צבע, ולאחר מכן גלול מטה אל אזור לחץ הצבע. למחוון הגוון, לחצו על 'אחוזים מספריים ' כדי להבטיח שגרף שינוי הלחץ יציג קו ישר של 45°. הערה: לחיצה כפולה על הגרף תספק את האפשרות לאפס את הגרף לגרף x=y הישר.</li>
	<li>להגדרת טווח מעבר הצבע של הגוון מירוק לכחול לאדום, התאימו את מחוון הגוון מתחת לאזור לחץ הצבע בלחיצה על האחוז הרשום והזינו ערך מספרי של 81%. הערה: דרך נוספת לעשות זאת היא להזין גבולות הקסדצימליים של #008000 כדי #FF0000 אם היישום מאפשר הזנה ידנית של hexacodes.</li>
	<li>בחר גודל עט המתאים לצרכים של משתתפי המחקר על-ידי התאמת מחוון כלי העט. גודל עט של 30% הוא גודל התחלתי טוב עבור רוב המשתתפים.</li>
</ol>2. הנחיות למשתתפים
<ol><li>תאר את האנטומיה והכיוון של PBD של תבניות הגוף במצב לאורך, את כלי הציור והמחיקה, את צביטת המישוש לזום ואת פונקציונליות הגלילה למטופל.</li>
	<li>הסבירו למשתתפים את השינוי הליניארי בין לחץ לגוון באופן הבא: הודיעו למשתתפים כי לחץ מוגבר המופעל על העט האלקטרוני יגרום לגוונים המשתנים מירוק לכחול לאדום אשר יש לצבוע בתרשים כדי לייצג עוצמת כאב קלה עד בינונית עד חמורה בכל מיקום נתון, בהתאמה.</li>
	<li>באמצעות שיטת ההוראהחזרה 24, אשר את הבנת המשתתפים של משימת PBD על ידי בקשתם להסביר כיצד למלא את התרשים באמצעות המילים שלהם.</li>
	<li>אפשרו למשתתפים לפחות 15 דקות של זמן תרגול לצייר PBD מרובים על משטח שטוח כדי להבטיח ייצוג מדויק של מיקום הכאב ועוצמתו. אפשר לבצע התאמות כדי למקסם את השימושיות. סקור את PBDs מיד לאחר מכן עם כל משתתף כדי להבטיח עקביות וכי הצבעים מצוירים כמתוכנן.</li>
</ol>3. איסוף נתונים ועיבודם מראש
<ol><li>בקשו מהמשתתפים להשלים PBD במהלך נקודת ההתחלה או בנקודות זמן שונות לאחר טיפול או התערבות כלשהי. לאפשר פרק זמן פתוח להשלמת כל PBD כך שניתן יהיה להשלים כל מפה לשביעות רצונו של המשתתף.</li>
	<li>שמור PBD שהושלמו עם שם קובץ סטנדרטי המכיל מזהה מטופל וכן תאריך ושעה שבהם PBD הושלם. הערה: קבצים אלה נשמרים באופן זמני במכשיר הטאבלט.</li>
	<li>ייצוא צורף של קובצי PBD שהושלמו בתבנית קובץ Portable Document (.PDF) או Photoshop Document (.PSD) השומרת על שכבות התמונה לצורך עיבוד מראש. כדי לייצא בכמות גדולה, לחץ תחילה על סמל הבחירה כדי לבחור את התמונות הרצויות, ולאחר מכן לחץ על שתף כדי לפתוח תפריט של תבניות תמונה לייצוא. לחץ על קובץ הפורמט הנבחר. הערה: קבצים מיוצאים מועלים לשרת מחקר מאובטח.</li>
	<li>הורד PBD ופתח בעורך תמונות מבוסס רסטר.</li>
	<li>בודדו את הפיקסלים הצבעוניים המעניינים מהשכבה העליונה של קובץ PBD באמצעות הוספת שתי שכבות מסיכה: שכבה אחת שחורה לחלוטין מתחת לשכבה הצבועה ושכבת מסיכה שחורה אחת כדי לא לכלול פיקסלים מחוץ לקו המתאר של גוף התבנית שמעל לשכבה הצבעונית. התוצאה תהיה PBD מעובדים שמכילים רק את הפיקסלים הצבעוניים בתוך קו המתאר של הגוף על רקע שחור (איור 1).</li>
	<li>יצא את קובצי ה- PBD המעובדים כקבצי גרפיקת רשת ניידת (.png) על-ידי לחיצה ובחירה ברצף הלחצנים הבא: File > Export > Export As >- PNG > Export.</li>
</ol>4. כימות PBD
<ol><li>המירו כל ערך פיקסל ב-PBD ממרחב הצבעים RGB (אדום, ירוק, כחול) למרחב צבעים HSV (גוון, רוויה, ערך) באמצעות OpenCV225, חבילת Python זמינה לציבור. חלץ את ערך הגוון של כל פיקסל על-ידי הפעלת סקריפטים של Python שכותרתם rgba2hsv(filename) (קובץ קידוד משלים 1) ו-measure_SAnoblur(filename, sigma-1.0) (איור 1). הערה: סקריפטים אלה מכמתים ומתאימים ערכי גוון ליצירת סולם גוונים רציף בין 0 ל-139.5. ערכי HSV ב- OpenCV2 נעים בין 0-179. הירוק הבהיר ביותר, המייצג את עוצמת הכאב הנמוכה ביותר, מתאים לערך הגוון של 39.5. גוונים אדומים מסוימים מתאימים לערכים בין 0-10. צבעי צהוב וכתום המתאימים לערכי גוון בין 10-39.5 אינם משמשים את כלי העט. ערכי הגוון האדום מ- 0-10 מוקצים מחדש ל- 179 כדי לייצג נכונה את עוצמת הכאב הגדולה ביותר. סולם הגוונים נע בין 39.5-179 לאחר התאמה זו. לאחר מכן, 39.5 מופחת מכל ערך גוון, כך שקנה המידה הסופי נע בין 0-139.5.</li>
	<li>חשב ונרמל את שלושת מדדי PBD על ידי הפעלת סקריפט Python שכותרתו quantifypain(filename) (קובץ קידוד משלים 1).<ol><li>הסקריפט מחשב כל מדד כמתואר להלן.<ol><li>כיסוי PBD: חלק את מספר הפיקסלים הצבעוניים במספר הכולל של הפיקסלים הזמינים בדיאגרמת הגוף. טווח מספר הפיקסלים הצבעוניים לנשים הוא 0 עד 820,452 פיקסלים (סה"כ פיקסלים) והטווח לזכרים הוא 0 עד 724,608 פיקסלים (סה"כ פיקסלים).</li>
			<li>עוצמת סכום PBD: הוסף את ערכי הגוון לכל הפיקסלים בדיאגרמת הגוף. הטווח לסכום ערכי הגוון לנקבות הוא 0 עד 114,453,054 והטווח לזכרים הוא 0 עד 101,082,816.</li>
			<li>עוצמה ממוצעת של PBD: חלק את הסכום של כל ערכי הגוון במספר הכולל של פיקסלים צבעוניים.</li>
		</ol></li>
		<li>השתמש בסקריפט כדי לנרמל את כל מדידות PBD בקנה מידה של 0 עד 100 על-ידי ביצוע החישובים המתוארים להלן.<ol><li>כיסוי PBD: הכפל את כיסוי PBD ב- 100.</li>
			<li>סכום PBD: חלק את עוצמת סכום PBD בעוצמת סכום PBD המרבית והכפל ב- 100. עוצמת סכום PBD המרבית שווה למספר הכולל של פיקסלים בדיאגרמת הגוף כפול 139.5 (כלומר, עבור נקבות, היא 820,452 פיקסלים כפול 139.5 השווה ל- 114,453,054; עבור גברים, היא 724,608 פיקסלים כפול 139.5 השווה ל- 101,082,816).</li>
			<li>ממוצע PBD: חלק את העוצמה הממוצעת של PBD בערך הגוון המרבי של 139.5 והכפל ב- 100.</li>
		</ol></li>
	</ol></li>
	<li>חזור על שלבים 4.1 ו- 4.2 כדי לעבד כל קובץ PBD (עם סיומת .png). בצע הידור של היציאות בגיליון אלקטרוני כדי להפעיל ניתוחים נוספים.</li>
</ol>

A Novel Approach for Pain Assessment from Pain Body Diagrams

<ol>
	<li>Yong, R. J., Mullins, P. M., Bhattacharyya, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Prevalence+of+chronic+pain+among+adults+in+the+United+States.">Prevalence of chronic pain among adults in the United States.</a> Pain. 163 (2), e328-e332 (2022).</li><li>Shirvalkar, P., Veuthey, T. L., Dawes, H. E., Chang, E. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Closed-Loop+Deep+Brain+Stimulation+for+Refractory+Chronic+Pain.">Closed-Loop Deep Brain Stimulation for Refractory Chronic Pain.</a> Frontiers in Computational Neuroscience. 12, 18 (2018).</li><li>Bittar, R. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Deep+brain+stimulation+for+pain+relief:+A+meta-analysis.">Deep brain stimulation for pain relief: A meta-analysis.</a> Journal of Clinical Neuroscience. 12 (5), 515-519 (2005).</li><li>Wewers, M. E., Lowe, N. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+critical+review+of+visual+analogue+scales+in+the+measurement+of+clinical+phenomena.">A critical review of visual analogue scales in the measurement of clinical phenomena.</a> Research in Nursing &amp; Health. 13 (4), 227-236 (1990).</li><li>Price, D. D., Bush, F. M., Long, S., Harkins, S. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+comparison+of+pain+measurement+characteristics+of+mechanical+visual+analogue+and+simple+numerical+rating+scales.">A comparison of pain measurement characteristics of mechanical visual analogue and simple numerical rating scales.</a> Pain. 56 (2), 217-226 (1994).</li><li>Shafshak, T. S., Elnemr, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Visual+Analogue+Scale+Versus+Numerical+Rating+Scale+in+Measuring+Pain+Severity+and+Predicting+Disability+in+Low+Back+Pain.">The Visual Analogue Scale Versus Numerical Rating Scale in Measuring Pain Severity and Predicting Disability in Low Back Pain.</a> JCR: Journal of Clinical Rheumatology. 27 (7), 282-285 (2021).</li><li>Strong, J., Ashton, R., Chant, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain+Intensity+Measurement+in+Chronic+Low+Back+Pain.">Pain Intensity Measurement in Chronic Low Back Pain.</a> The Clinical Journal of Pain. 7 (3), 209 (1991).</li><li>Smith, S. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interpretation+of+chronic+pain+clinical+trial+outcomes:+IMMPACT+recommended+considerations.">Interpretation of chronic pain clinical trial outcomes: IMMPACT recommended considerations.</a> Pain. 161 (11), 2446 (2020).</li><li>Dworkin, R. H., Kerns, R. D., McDermott, M. P., Turk, D. C., Veasley, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+ACTTION+guide+to+clinical+trials+of+pain+treatments,+part+II:+mitigating+bias,+maximizing+value.">The ACTTION guide to clinical trials of pain treatments, part II: mitigating bias, maximizing value.</a> Pain Reports. 6 (1), e886 (2021).</li><li>Melzack, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+McGill+Pain+Questionnaire:+Major+properties+and+scoring+methods.">The McGill Pain Questionnaire: Major properties and scoring methods.</a> Pain. 1 (3), 277-299 (1975).</li><li>Gracely, R. H., McGrath, P., Dubner, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Validity+and+sensitivity+of+ratio+scales+of+sensory+and+affective+verbal+pain+descriptors:+Manipulation+of+affect+by+diazepam.">Validity and sensitivity of ratio scales of sensory and affective verbal pain descriptors: Manipulation of affect by diazepam.</a> Pain. 5 (1), 19-29 (1978).</li><li>Williamson, A., Hoggart, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain:+a+review+of+three+commonly+used+pain+rating+scales.">Pain: a review of three commonly used pain rating scales.</a> Journal of Clinical Nursing. 14 (7), 798-804 (2005).</li><li>Main, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain+assessment+in+context:+a+state+of+the+science+review+of+the+McGill+pain+questionnaire+40+years+on.">Pain assessment in context: a state of the science review of the McGill pain questionnaire 40 years on.</a> Pain. 157 (7), 1387-1399 (2016).</li><li>Schott, G. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+cartography+of+pain:+The+evolving+contribution+of+pain+maps.">The cartography of pain: The evolving contribution of pain maps.</a> European Journal of Pain. 14 (8), 784-791 (2010).</li><li>Palmer, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain+charts;+a+description+of+a+technique+whereby+functional+pain+may+be+diagnosed+from+organic+pain.">Pain charts; a description of a technique whereby functional pain may be diagnosed from organic pain.</a> The New Zealand Medical Journal. 48 (264), 187-213 (1949).</li><li>Villa, M. G., Palsson, T. S., Royo, A. C., Bjarkam, C. R., Boudreau, S. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Digital+Pain+Mapping+and+Tracking+in+Patients+With+Chronic+Pain:+Longitudinal+Study.">Digital Pain Mapping and Tracking in Patients With Chronic Pain: Longitudinal Study.</a> Journal of Medical Internet Research. 22 (10), e21475 (2020).</li><li>Egsgaard, L. L., Christensen, T. S., Petersen, I. M., Br&#248;nnum, D. S., Boudreau, S. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Do+Gender-Specific+and+High-Resolution+Three+Dimensional+Body+Charts+Facilitate+the+Communication+of+Pain+for+Women?+A+Quantitative+and+Qualitative+Study.">Do Gender-Specific and High-Resolution Three Dimensional Body Charts Facilitate the Communication of Pain for Women? A Quantitative and Qualitative Study.</a> JMIR Human Factors. 3 (2), e19 (2016).</li><li>Lor, M., Rabago, D., Backonja, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+the+Use+of+Colors+and+Drawings+for+Pain+Communication+for+Hmong+Patients.">Evaluation of the Use of Colors and Drawings for Pain Communication for Hmong Patients.</a> Pain Management Nursing. 22 (6), 811-819 (2021).</li><li>Sehgal, N., Gordon, D. B., Hetzel, S., Backonja, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=34;Misha&amp;#34;+Colored+pain+drawing+as+a+clinical+tool+in+differentiating+neuropathic+pain+from+non-neuropathic+pain.">34;Misha&amp;#34; Colored pain drawing as a clinical tool in differentiating neuropathic pain from non-neuropathic pain.</a> Pain Medicine. 22 (3), 596-605 (2021).</li><li>Takata, K., Hirotani, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pain+drawing+in+the+evaluation+of+low+back+pain.">Pain drawing in the evaluation of low back pain.</a> International Orthopaedics. 19 (6), 361-366 (1995).</li><li>Barbero, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Test-retest+reliability+of+pain+extent+and+pain+location+using+a+novel+method+for+pain+drawing+analysis.">Test-retest reliability of pain extent and pain location using a novel method for pain drawing analysis.</a> European Journal of Pain. 19 (8), 1129-1138 (2015).</li><li>Dixit, A., Lee, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantification+of+Digital+Body+Maps+for+Pain:+Development+and+Application+of+an+Algorithm+for+Generating+Pain+Frequency+Maps.">Quantification of Digital Body Maps for Pain: Development and Application of an Algorithm for Generating Pain Frequency Maps.</a> JMIR Formative Research. 6 (6), e36687 (2022).</li><li>Borsook, D., Upadhyay, J., Hargreaves, R., Wager, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Enhancing+choice+and+outcomes+for+therapeutic+trials+in+chronic+pain:+N-of-1++imaging+(++i).">Enhancing choice and outcomes for therapeutic trials in chronic pain: N-of-1+ imaging (+ i).</a> Trends in Pharmacological Sciences. 41 (2), 85-98 (2020).</li><li>Weiss, B. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Help+patients+understand.">Help patients understand.</a> Manual for Clinicians. AMA Foundation. , (2007).</li><li>Bradski, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+OpenCV+Library.">The OpenCV Library.</a> Dr. Dobb's Journal of Software Tools. (120), 122-125 (2000).</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Male+And+Female+Body+Front+And+Back+View.+Blank+Human+Body+Template+For+Medical+Infographic.+Isolated+Vector+Illustration.">Male And Female Body Front And Back View. Blank Human Body Template For Medical Infographic. Isolated Vector Illustration.</a> Royalty Free SVG, Cliparts, Vectors, And Stock Illustration. Image 95218807. 123RF. , (2023).</li><li>Van Rossum, G., Drake, F. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Python 3 Reference Manual. , (2009).</li><li>Shannon, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+mathematical+theory+of+communication.">A mathematical theory of communication.</a> The Bell System Technical Journal. 27 (3), 379-423 (1948).</li><li>Timme, N. M., Lapish, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Tutorial+for+Information+Theory+in+Neuroscience.">A Tutorial for Information Theory in Neuroscience.</a> eNeuro. 5 (3), 0052-0018 (2018).</li><li>Cohen, M. X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Analyzing Neural Time Series Data: Theory and Practice. , (2014).</li><li>Freedman, D., Diaconis, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=On+the+histogram+as+a+density+estimator:L+2+theory.">On the histogram as a density estimator:L 2 theory.</a> Zeitschrift for Wahrscheinlichkeitstheorie und Verwandte Gebiete. 57 (4), 453-476 (1981).</li></ol>

המחברים מצהירים כי המחקר נערך בהיעדר קשרים מסחריים או פיננסיים שיכולים להתפרש כניגוד עניינים פוטנציאלי.

שלבים קריטיים בתוך הפרוטוקול השלבים העיקריים כוללים: הגדרת PBD, הדרכת מטופלים ועיבוד מראש. להגדרת PBD, כל PBD ספציפי למין צריך להציג תצוגה מקדימה ואחורית26, ולהיות מכוסה בשכבה ריקה ביישום איור כדי לבודד ערכי גוון. יתר על כן, גודל העט חייב לענות על צרכי האיור של המטופלים ויש להגדיר שיפועי גוון כדי לנתח כמותית PBDs. הדרכת המטופל והבנת הכלי הן בסיסיות לנתונים אמינים. יש להקצות מספיק זמן למשתתפים לתרגל את יישום הכלי על PBD. השתמש בשיטת ה- teach-back כדי לאשר את הבנת המשתתפים של משימות וסקרים מעת לעת במהלך הבדיקה, בערך אחת ל -10 PBDs. על מנת לעקוב אחר PBD בודדים, מומלץ גם לתת שם לכל קובץ עם כותרת ייחודית וחותמת זמן לאחר השלמתו. לאחר איסוף הנתונים, ניתן לחלץ כל מדד PBD באמצעות סקריפטים של Python27 (ראה קובץ קידוד משלים 1). ניתן לחזור על המדדים של כיסוי PBD, עוצמת סכום ועוצמה ממוצעת לפני ואחרי כל טיפול או התערבות כדי לעקוב אחר תגובות הכאב בקרב המטופל. כדי לחלץ מדדים אלה, חוקר אחד שאינו מעורב ישירות באיסוף הנתונים, צריך לכסות שכבות מסיכה שחורה כדי לבודד רק צבעים שצוירו בתוך קווי המתאר של הגוף, ולאחר מכן לחשב ערכי פיקסלים HSV באמצעות קוד תוכנה מותאם אישית שסופק כקובץ משלים 1.
שינויים ופתרון בעיות בטכניקה צעדים מתודולוגיים שוכללו במהלך איסוף הנתונים של מטופל 1. אלה כוללים מתן זמן רב יותר למטופלים להכיר את השליטה ברגישות ללחץ של העט, הגדרה נכונה של שכבות דיאגרמת גוף למיסוך וניתוח מאוחר יותר, הגבלת השימוש בסמלים או במילים על PBDs, והתאמת רגישות מוחלטת ללחץ העט בהתאם לחוזק ולמיומנות של כל משתתף (אם כי השינוי בין לחץ יחסי לגוון נשאר קבוע). המטופלים הורשו לבחור את גודל העט שלהם כדי לייצג בצורה הטובה ביותר את כאבם; עם זאת, בחירה בגודל קבוע אחד עשויה לאפשר השוואות עתידיות טובות יותר בין מטופלים. באיטרציות עתידיות, יצירת אב-טיפוס של שיטה המשתמשת בערוץ צבע אחד (לדוגמה, אדום, ירוק או כחול) ושינוי בהירות הצבע בהתבסס על לחץ העט יכולים למזער אובדן דיוק אפשרי בעת המרה ממרחב צבעים RGB למרחב צבעים HSV.
מגבלות הטכניקה PBDs דורשים מהמטופלים כוח מוטורי בסיסי מספיק ומיומנות בגפיים עליונות לפחות עם יכולת מוטורית עדינה טובה באצבעות לכל הפחות כדי להשלים דיאגרמות באופן עצמאי ולתרגם במדויק את חווית הכאב שלהם באמצעות לחץ. בעוד שמדדי כאב סטנדרטיים כגון NRS ו- MPQ יכולים להיות מוזנים על נייר או מקלדת על ידי עוזר באמצעות תקשורת מילולית, שינוי זה עם PBDs עדיין לא אומת. PBDs גם חסר עומק כהמחשה דו מימדית. רמת הפירוט בדיאגרמת גוף תלת מימדית הודגמה איכותית כדי להרחיב את התקשורת של מידע על כאב17. אפיון נוסף של עומק הכאב יכול ללכוד מידע חדש על כאב שלא נבדק בסקאלות כגון NRS, VAS ו- MPQ. דיאגרמות גוף אינן מתוכננות כרגע ללכוד סומטיזציה מופשטת יותר או צורות עמוקות יותר של כאב. לדוגמה, מטופל 4 דיווח בעצמו כי מיקום הכאב ועוצמת הכאב לא אופיינו היטב על ידי תרשים הגוף בסקר השימושיות, מכיוון שהוא הרגיש שהם לא תפסו את הכאב הנוירופתי הפנימי שלו. מטופל 5 צייר לעתים קרובות קווים מקווקווים בדיאגרמות הגוף כדי להצביע על כבדות בתוך גופו, מה שיכול לבלבל חישובים מטריים. איטרציות PBDs עתידיות יכולות להיות מורחבות כדי לייצג את הסומטיזציה של כאב או כאב ויסצרלי בשיטה הניתנת לכימות. לבסוף, PBDs נותחו במסגרת N-of-1, שבה כמעט 100 PBDs נפרדים נוצרו עבור כל משתתף. ניתוחים ברמת הקבוצה לא היו אפשריים בשל המספר הקטן של המשתתפים הכוללים. לכן, לא ניתן היה לקבוע את אמינות הבדיקה החוזרת במחקר זה מכיוון שהתגובות לסולמות NRS נתקלות בהטיית עיגון, דבר המצביע על כך שאותם ציוני NRS עשויים שלא להיות שווי ערך לאותם PBDs שנבדקו לאחר הניסוי. יהיה צורך במחקר עתידי כדי להעריך את מדדי PBD במסגרת ניתוח קבוצתי ואת אמינות הבדיקה החוזרת של השיטה במדגם גדול יותר.
משמעות השיטה ביחס לשיטות הקיימות PBDs היו בשימוש נרחב במסגרות קליניות ומחקריות כדי להדגים את עוצמת הכאב של המשתתפים על פני גופם14,15, אך כלי זה נותר מוגבל במידה רבה על ידי אופיו האיכותי. בעוד מיפוי כאב דיגיטלי שימש למעקב אורכי אחר כאב כרוני16, למטופלים חסרה היכולת לייצג את עוצמת הכאב ואת מיקומו בטכניקה משולבת ומדויקת. טרנספורמציה חדשנית זו של גוון לחץ, המשולבת עם PBDs, מספקת מדדי כאב מרחביים וכמותיים מורכבים, שניתן למדוד שוב ושוב ולעקוב אחריהם לאורך זמן כדי ללכוד את חוויית הכאב של המשתתף. כאן, שלושה מדדי PBD שחולצו ששיקפו באופן דיפרנציאלי את עוצמת הכאב ואת מיקומו בתוך המטופל, כלומר כיסוי PBD, עוצמת סכום ועוצמה ממוצעת, הוכחו כנושאים תוקף גבוה והתאמה עם מדדי כאב סטנדרטיים כגון עוצמת NRS, עוצמת VAS, אי נעימות VAS ו- MPQ. כל מדדי ה-PBD היו מתואמים עם ציוני ה-VAS וה-NRS בארבעה מתוך חמישה מטופלים, ובקורלציה משמעותית ל-MPQ בשלושה מתוך חמישה. בנוסף, גישת תורת האינפורמציה 28,29,30,31 חשפה קשרים לא ליניאריים שלא זוהו בשיטות סטטיסטיות נפוצות יותר. במחקר, לארבעה מתוך חמישה מטופלים היה MI משמעותי בין מדדי PBD ו- NRS, עוצמת VAS, אי נעימות VAS ו- MPQ, מה שהדגים חפיפה משמעותית, אך לא מלאה, בתוכן המידע. לפיכך, מדדי PBD היו תואמים מאוד למדדי כאב סטנדרטיים, אך נראה כי ממוצע PBD שיקף שילוב של מידע על עוצמה ומיקום שלא היה קיים במדדי כאב קונבנציונליים.
יישומים עתידיים של טכניקה זו התוצאות הנוכחיות מראות כי PBDs עשוי להתאים במיוחד לחולים שחווים ומכמתים את כאבם בקנה מידה לא ליניארי. בדומה לאופן שבו תיאורים מילוליים יכולים לספק ממד נוסף למשתתפים כדי להעריך כאב, PBDs מספקים פרשנות גרפית ייחודית מבוססת לחץ של הכאב שלהם. על ידי יישום טרנספורמציה חדשנית של גוון לחץ, דיאגרמות גוף מספקות מידע על המיקום, ההתפשטות והשונות האזורית בעוצמת הכאב, אשר למיטב ידיעתנו, לא הודגמה בעבר. יחד עם נתונים עצביים שנאספו במהלך כל ניסוי DBS, מדדי PBD יכולים להיות כלי רב עוצמה בלוקליזציה של כאב באזורי גוף שונים לאזורי מוח שונים ולעזור ליידע מחקרים מכניסטיים על מסלולי איתות כאב. טרנספורמציית גוון הלחץ המיושמת ב- PBDs יכולה לשמש בסביבות קליניות ומחקריות רבות כדי לנתח הקלה בכאב בתגובה לטיפול או להשוות כאב לאורך זמן. שיטה זו לא רק מייצרת דיאגרמות ייחודיות ואינטואיטיביות מבחינה חזותית להערכת כאב, אלא גם לוכדת במדויק את חוויית המטופל מעבר לציון מספרי יחיד.

כאב כרוני הוא מצב נוירופסיכיאטרי מתיש המשפיע על יותר מ -50 מיליון מבוגרים בארצות הברית1. עם זאת, כלים קליניים נפוצים למעקב אחר עוצמת כאב סובייקטיבית (כגון סולם הדירוג המספרי [NRS] או סולם אנלוגי חזותי [VAS]) הם רדוקציוניסטיים ואינם מצליחים לתקשר את האופי המורכב של עוצמת תסמיני כאב המשתרעים על פני תחומים סומטוסנסוריים, קוגניטיביים או רגשיים 2,3. מעקב מדויק אחר עוצמת הכאב של הפרט הוא קריטי לאבחון תסמונות כאב, מעקב אחר התקדמות המחלה והערכת היעילות הפוטנציאלית של טיפולים כגון תרופות או גירוי מוחי.
כלי עוצמת הכאב NRS הנמצא בשימוש נרחב דורש מהנבדק לדרג את עוצמת הכאב כערך שלם בין 0-10, המייצג היעדר כאב לכאב הגרוע ביותר האפשרי. בעוד קל לנהל ולהבין, NRS מוגבל על ידי הטיית עיגון המשיב, הטיית ציפייה ופרשנות משתנה של ערכים בודדים 4,5; אלה גם מגבילים את ההשוואות בין המשתתפים. ה-VAS, סולם רציף מ-0 עד 100, עשוי להפחית את השפעת העיגון, אך עדיין יכול להתמודד עם מגבלות דומות לאלה של NRS4. מספר מחקרים הוכיחו רמה גבוהה של הסכמה בין NRS ו- VAS לחומרת כאבי גב תחתון כרוניים6,7 לבין פרקטיקה קלינית5, אך הנחיות הקונצנזוס מדגישות את החסרונות הרבים של הסתמכות על סולמות דומים בעיצוב או פרשנות ניסוי כאב קליני 8,9. שאלון הכאב הקצר McGill 2 (MPQ) מנתח עוד יותר את הממדים הסומטוסנסוריים והרגשיים של כאב באמצעות דירוגים של תיאורים מילוליים10, כדי לסייע בהבחנה בין ממד הכאב החושי והרגשי11. למרות שסולמות דירוג כאב אלה משמשים בדרך כלל למעקב אחר עוצמת הכאב12,13, הם אינם מצליחים ללכוד מידע טופוגרפי מפורט כגון מיקום הכאב, או שונות בעוצמה בין אזורי הגוף.
דיאגרמות גוף כאב (PBDs) הן כלי פתוח וחופשי להערכת כאב המאפשר למשיבים להמחיש ייצוג חזותי של מיקום הכאב ועוצמתו על מתאר סכמטי של גוף האדם14,15. PBDs הם כלי תקשורת יעיל בין המשתתפים לבין ספקים רפואיים המסייעים לעקוב אחר תסמיני כאב לאורך16. הפורמט הגרפי החופשי של PBD עשוי להפחית את הטיית העיגון. שינויים שבוצעו לאחרונה ב-PBDs, כגון הכנסת דיאגרמות גוף ספציפיות למין, הגבירו את יעילותם ככלי תקשורת על ידי התאמת צורת הגוף המיוצגת חזותית לאנטומיה של המשיב, ובכך הגבירו את הזיהוי העצמי ואת דיוק התגובה17. יתר על כן, השימוש בצבע כדי לסמן עוצמה הוכח כמאפשר תקשורת יעילה של תסמיני כאב תוך התגברות על מחסומי תרבות ושפה. לדוגמה, הצבעים לבן ואדום נבחרו בדרך כלל כדי להצביע על היעדר כאב וכאב חמור, בהתאמה, באוכלוסיית חולי המונג18. בעוד PBDs הם כלי יעיל19,20, הם הוגבלו על ידי אופיים האיכותי.
השימוש במכשירי PBD בטאבלטים דיגיטליים הרחיב באופן משמעותי את הכלים הזמינים לכימות מיקום ועוצמת הכאב. Barbero et al. כימתו את היקף הכאב או את מספר הפיקסלים שצוירו בתוך PBD של חולים עם כאבי גב תחתון וצוואר כרוניים והראו אמינות טובה של בדיקה חוזרת ומתאם משמעותי עם מדדי VAS21. דיאגרמות גוף נותחו גם כדי ליצור מפות תדירות כאב כדי להראות את האזורים הכואבים ביותר עד הכי פחות כואבים של הגוף21,22. בעוד ששיטות אלה מכמתות מידע על כאב מרחבי, עד כה, אף שיטה לא שילבה הן את עוצמת הכאב והן את מיקומו במדדים מרוכבים.
הפרוטוקול הבא מדגים שיטה להשגת PBDs צבעוניים חדשניים, אינטואיטיביים מבחינה חזותית, וחילוץ שלושה מדדים כמותיים המשקפים יחד שילוב של עוצמת כאב ומידע מיקום. כדי לעשות זאת, חמישה משתתפים שעברו ניסוי מחקרי של גירוי מוחי עמוק (DBS) עבור כאב נוירופתי כרוני עקשן נבחרו לבחון את הגישה הנוכחית, באמצעות תכנון מחקר N-of-123. המשתתפים הונחו לדווח על עוצמת תסמיני הכאב הרגעי שלהם על ידי הפעלת רמות שונות של לחץ עט על יישום איור של טאבלט כדי לייצר גווני צבע המתאימים לעוצמות כאב משתנות במקומות שונים בגוף. מדדים הנגזרים מ-PBD של כיסוי, עוצמת סכום ועוצמה ממוצעת הושוו למדדי כאב מתוקפים נפוצים יותר (כלומר, NRS, VAS ו-MPQ) באמצעות ניתוחים סטטיסטיים ומידע הדדי (MI).
במהלך אשפוז של 10 ימים, מטופלים שעברו הערכה השלימו PBDs (ממוצע ± סטיית תקן (SD) = 121.8 ± 34.3 PBDs לכל מטופל; טווח 84-177; 609 PBDs בסך הכל) בנוסף לסולמות כאב מתוקפים כגון NRS, VAS ו- MPQ מספר פעמים ביום. PBDs נאספו באמצעות יישום טאבלט והועלו כקבצים עם חותמת זמן לשרתי מחקר מאובטחים כאשר הושלמו. עוצמת כאב NRS, VAS ו-MPQ נרכשו באמצעות כלי סקר REDCap, יישום אינטרנט מאובטח. הן הסקרים והן PBDs נוהלו באופן אישי על ידי עוזרי מחקר כדי להבטיח שהמטופלים קיבלו את הסיוע הדרוש כדי להשלים את הערכותיהם במדויק. השלבים הבאים מפרטים הגדרת PBD, הדרכת משתתפים, איסוף נתונים וניתוח PBD המשמשים לכימות אמין של כאב (איור 1).

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Adobe Photoshop v.21.2.1</td>
			<td>Adobe Inc.</td>
			<td>N/A</td>
			<td>Photo editor application to pre-process pain body diagrams</td>
		</tr>
		<tr>
			<td>Apple Pencil 2nd generation</td>
			<td>Apple Inc.</td>
			<td>A2051</td>
			<td>Digital pen for pressure-hue transformation</td>
		</tr>
		<tr>
			<td>iPad Pro (11-inch, 2nd generation)</td>
			<td>Apple Inc.</td>
			<td>MY332LL/A</td>
			<td>Touch-sensitive digital tablet</td>
		</tr>
		<tr>
			<td>Pain Body Diagram Template</td>
			<td>123RF</td>
			<td>95218807</td>
			<td>Copyright Use</td>
		</tr>
		<tr>
			<td>Procreate v5.3.1</td>
			<td>Procreate</td>
			<td>N/A</td>
			<td>Commercially available illustration applicataion</td>
		</tr>
		<tr>
			<td>REDCap v13.2.1</td>
			<td>Vanderbilt University</td>
			<td>N/A</td>
			<td>Secure web survey and database application</td>
		</tr>
	</tbody>
</table>

quantifying pain location and intensity with multimodal pain body diagrams

כדי לכמת את חומרת הכאב הסובייקטיבית של אדם, סולמות דירוג כאב סטנדרטיים כגון סולם דירוג מספרי (NRS), סולם אנלוגי חזותי (VAS) או שאלון כאב מקגיל (MPQ) משמשים בדרך כלל להערכת כאב בקנה מידה מספרי. עם זאת, סולמות אלה מוטים לעתים קרובות ואינם מצליחים ללכוד את המורכבות של חוויות כאב. לעומת זאת, הפרקטיקה הקלינית דורשת לעתים קרובות מהמטופלים לדווח על אזורי כאב על ידי שימוש בתרשים גוף, שהוא כלי יעיל אך איכותי. השיטה המוצגת כאן מחלצת מדדים הניתנים לכימות מדיאגרמות גוף כאב (PBD) אשר מאומתים מול סולמות הכאב NRS, VAS ו- MPQ. באמצעות טרנספורמציה חדשנית של גוון לחץ בטאבלט דיגיטלי, לחצי ציור שונים המופעלים באמצעות עט אלקטרוני דיגיטלי יכולים להיות מיוצגים כגוונים שונים ב- PBD. זה מייצר דיאגרמה אינטואיטיבית חזותית של גוונים הנעים בין ירוק לכחול לאדום, המייצגים אזורים קלים עד בינוניים עד כואבים ביותר, בהתאמה. כדי לכמת כל PBD, הוגדרו מדדי כאב חדשים: (1) עוצמה ממוצעת של PBD, השווה לסכום ערך הגוון של כל פיקסל חלקי מספר הפיקסלים הצבעוניים, (2) כיסוי PBD, השווה למספר הפיקסלים הצבעוניים חלקי מספר הפיקסלים הכולל בגוף, ו-(3) עוצמת סכום PBD, השווה לסכום ערכי הגוון של כל הפיקסלים. באמצעות ניתוחי קורלציה ותורת האינפורמציה, מדדי PBD אלה הוכחו כבעלי התאמה גבוהה למדדי כאב סטנדרטיים, כולל NRS, VAS ו- MPQ. לסיכום, PBDs יכולים לספק מידע מרחבי וכמותי חדשני שניתן למדוד שוב ושוב ולעקוב אחריו לאורך זמן כדי לאפיין באופן מקיף את חווית הכאב של המשתתף.

Chronic pain is a debilitating neuropsychiatric condition affecting over 50 million adults in the United States1. However, common clinical tools to track subjective pain intensity (such as the numeric rating scale [NRS] or visual analog scale [VAS]) are reductionistic and fail to communicate the complex nature of pain symptom intensity spanning somatosensory, cognitive, or affective domains2,3. Accurately tracking an individual&#39;s pain intensity is critical to the diagnosis of pain syndromes, monitoring disease progression, and assessing the potential efficacy of therapies such as medications or brain stimulation.
The widely used NRS pain intensity tool requires the subject to rate pain intensity as an integer value from 0-10, representing no pain to the worst possible pain. While easy to administer and understand, the NRS is limited by respondent anchoring bias, expectation bias, and variable interpretation of individual values4,5; these also limit between-participant comparisons. The VAS, a continuous scale from 0-100, may reduce the impact of anchoring but can still face similar limitations as those of NRS4. Several studies have demonstrated a high degree of agreement between the NRS and VAS for chronic lower back pain severity6,7 and clinical practice5, but consensus guidelines highlight the many shortcomings of relying on similar scales in clinical pain trial design or interpretation8,9. The short-form McGill pain questionnaire 2 (MPQ) further dissects the somatosensory and affective dimensions of pain using ratings of verbal descriptors10, to aid in distinguishing between sensory and affective pain dimension11. Although these pain rating scales are commonly used to track pain intensity12,13, they fail to capture detailed topographic information such as pain location, or intensity variation across body regions.
Pain body diagrams (PBDs) are an open-ended, free-form pain assessment tool allowing respondents to illustrate a visual representation of pain location and intensity on a schematic human body outline14,15. PBDs are an effective communication tool between participants and medical providers which help track pain symptoms longitudinally16. PBD&#39;s free-form graphical format may decrease anchoring bias. Recent modifications to PBDs, such as the introduction of sex-specific body diagrams, have increased their effectiveness as a communication tool by aligning the visually represented body form with the respondent&#39;s anatomy, thereby increasing self-identification and response accuracy17. Furthermore, the use of color to signify intensity has been shown to allow effective communication of pain symptoms overcoming cultural and language barriers. For instance, the colors white and red were most commonly selected to indicate no pain and severe pain, respectively, in a Hmong patient population18. While PBDs are an effective tool19,20, they have been limited by their qualitative nature.
The use of PBDs on digital tablets has substantially expanded the tools available for quantifying pain location and intensity. Barbero et al. quantified the pain extent or the number of pixels drawn within a PBD of patients with chronic lower back and neck pain and showed good test-retest reliability and significant correlation with VAS measures21. Body diagrams have also been analyzed to create pain frequency maps to show the most to least frequently painful areas of the body21,22. While these methods quantify spatial pain information, so far, no method has incorporated both pain intensity and location into composite metrics.
The following protocol demonstrates a method for obtaining novel, visually intuitive, colored PBDs and extracting three quantitative metrics that together reflect a composite of pain intensity and location information. To do this, five participants undergoing a research trial of deep brain stimulation (DBS) for refractory chronic neuropathic pain were selected to test the current approach, using a N-of-1 study design23. Participants were instructed to report the intensity of their momentary pain symptoms by applying varying levels of pen pressure on a tablet illustration application to produce color hues that corresponded to varying pain intensities at different body locations. PBD-derived metrics of coverage, sum intensity, and mean intensity were compared to more common validated pain metrics (i.e., NRS, VAS and MPQ) using statistical and mutual information (MI) analyses.
Over a 10-day inpatient hospital stay, patients undergoing evaluation completed PBDs (mean &#177; standard deviation (SD) = 121.8 &#177; 34.3 PBDs per patient; range 84-177; 609 PBDs total) in addition to validated pain scales such as the NRS, VAS, and MPQ multiple times daily. PBDs were collected via a tablet application and uploaded as time-stamped files to secured research servers when completed. Pain intensity NRS, VAS and MPQ were acquired using REDCap survey tools, a secure web application. Both surveys and PBDs were administered in person by research assistants to ensure patients received the needed assistance to complete their evaluations accurately. The following steps detail PBD setup, participant instruction, data collection, and PBD analysis used to reliably quantify pain (Figure 1).

Author Spotlight: Quantifying Pain Experience &amp;#8211; An Illustrative Approach Using the Pain Body Diagram 

כימות מיקום ועוצמת הכאב באמצעות דיאגרמות גוף כאב רב-מודאליות

הממוצע, הסכום והכיסוי של PBD מספקים באופן ייחודי מידע על תגובות כאב שאינן נלכדות בסקאלות כאב סטנדרטיות אחרות. בין שני ה-PBD (איור 2A,B), עוצמת הכאב הממוצעת זהה (ממוצע PBD = 79.6). אולם כיסוי וסכום מוגדלים חושפים את הפיזור המרחבי הגדול יותר של הכאב ואת עוצמת הכאב הכוללת, בהתאמה, שמבדילים בין שני ה-PBD (איור 2B). כדי לכמת כאב במדויק באמצעות המדדים האלה, החוקרים צריכים להימנע מהטעויות הנפוצות הבאות בהגדרת PBD (איור 2C). עובי עט גדול מדי ואלמנטים חיצוניים מחוץ לקווי המתאר של הגוף, כגון הקפת אזורי גוף או תיאורים כתובים לא יילכדו בעיבוד PBD. באופן דומה, עט לבן המשמש להסרת צבע במקום כלי המחק יטה את מטרי PBD. תרגול והדרכה מחוזקת יעצימו את המטופלים ליצור PBDs מדויקים וניתנים לכימות החושפים שונות בעוצמת הכאב ובפיזורו.
מדדי ה-PBD אומתו מול NRS, VAS ו-MPQ (איור 3B; תרשים משלים 2) וקיבל ציון גבוה בשימושיות (איור משלים 1 ותרשים משלים 2).
מדדי PBD מתואמים עם מדדי כאב סטנדרטיים מדדי PBD היו מתואמים עם NRS, VAS ו-MPQ עבור רוב החולים (איור 3A, איור משלים 1A,B). בארבעה מתוך חמישה מטופלים, סכום ה-PBD, הכיסוי והממוצע היו מתואמים עם ה-VAS וה-NRS שלהם (מתאם ספירמן, rs = 0.33-0.72, p < 0.004, טבלה משלימה 1). עבור שלושה מתוך חמישה משתתפים, מדדי PBD היו מתואמים באופן מובהק גם עם ציוני MPQ (מתאם ספירמן, rs = 0.38-0.53, p < 0.004, לוח משלים 1). עם זאת, מטופל 4 לא הראה מתאם מובהק בין מדדי PBD לבין ציוני כאב סטנדרטיים. בהמשך אפיינו קשרים לא ליניאריים בין PBD לבין מדדים סטנדרטיים באמצעות אנליזות של תורת המידע (איור משלים 2).
מדדי PBD נמנעים מעיגון תגובה ומשתפים מידע הדדי עם מדדי כאב סטנדרטיים מדדי PBD הכילו יותר מידע (כלומר, אנטרופיה) מאשר NRS. בקרב מטופלים, NRS הכיל פחות מידע (2.32 ± 0.37 סיביות) בהשוואה לעוצמת VAS, אי נעימות VAS, סך MPQ, סכום PBD, כיסוי PBD וממוצע PBD (3.21 ± 0.49 סיביות, 3.20 ± 0.31 סיביות, 3.16 ± 0.23 סיביות, 3.06 ± 0.32 סיביות, 3.34 ± 0.16 סיביות, 3.22 ± 0.39 סיביות, בהתאמה; תרשים משלים 2). זה אושר עם מדידה חוזרת חד-כיוונית ANOVA (F(4,1) = 12.10, p < 0.05) ומבחן t של Tukey להשוואות אינדיבידואליות (כל p < 0.05). זה מראה שלמדדי PBD היה פחות עיגון תגובה מאשר ל-NRS.
ה-PBD אומת עוד יותר מול מדדים מבוססים על ידי ניתוחי מידע הדדי (permutation testing, α=0.05). בארבעה מתוך חמישה מטופלים, מדדי PBD שיתפו באופן משמעותי את MI עם NRS, עוצמת VAS, אי נעימות VAS וה-MPQ (p < 0.05, איור 3B). לעומת זאת, מדדי PBD של מטופל 4 לא שיתפו באופן משמעותי את MI עם מדדים מבוססים. מאחר שה-NRS שלהם הכיל הכי פחות מידע על פני מטופלים (איור משלים 2), זה מצביע על כך שה-NRS לא הצליח ללכוד ניואנסים בחוויית הכאב שנלכדו על-ידי ה-PBD. בכל החולים, ה-NRS חלק MI משמעותי עם עוצמת VAS, אי נעימות VAS ו-MPQ, בעוד שסכום ה-PBD חלק MI עם כיסוי PBD וממוצע PBD (p < 0.05, איור 3B). בסך הכל, עבור רוב החולים, מדדי PBD שיתפו MI עם מדדי כאב מבוססים.
PBDs היו קלים לשימוש עבור רוב המשתתפים במחקר, ארבעה מתוך חמשת החולים מצאו את PBD קל לשימוש ומשקף במדויק את הכאב שלהם (טבלה משלימה 2). עם זאת, מטופל 4 דיווח כי PBD היה קשה לשימוש (5 על סולם ליקרט 5 נקודות). הסיבה העיקרית לכך היא שיש להם כאב עמוק וקרבי - שאינו נלכד היטב ב- PBD דו-ממדי (2D). בעוד שהמטופלים היו מגוונים בהיכרותם עם PBDs (2.8 ± 1.2, טווח 1-4, סולם ליקרט 5 נקודות), כולם השתמשו באלקטרוניקה דומה מדי יום (5.0 ± 0.0, סולם ליקרט 5 נקודות) ומצאו שה- PBD ידידותי למשתמש (5.2 ± 0.4, טווח 5-6, סולם ליקרט 6 נקודות).
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65334/65334fig1v2.jpg"> איור 1. זרימת עבודה של ניתוח דיאגרמת גוף כאב (PBD). המטופלים הסתמכו על תבניות PBD ריקות כדי לייצג את מיקום הכאב ועוצמתו. PBDs שהושלמו הכילו גוונים שנעו בין ירוק לכחול לאדום, המייצגים אזורי כאב קלים עד בינוניים עד חמורים, בהתאמה. PBDs הוסוו כך שיכללו רק פיקסלים בתוך קו המתאר של הגוף, ולאחר מכן התבנית הוסרה כדי לבודד רק פיקסלים המכילים גוונים. מה-PBD חושבו כיסוי PBD (%), עוצמת סכום (מנורמל ל-0-100) ועוצמה ממוצעת (מנורמל ל-0-100). עבור כיסוי PBD, מספר הפיקסלים הצבעוניים חולק תחילה במספר הפיקסלים הכולל בתרשים (820,452 פיקסלים לנקבות, 724,608 פיקסלים לזכרים), ולאחר מכן הוכפל ב- 100. עבור עוצמת סכום PBD, ערכי הגוון עבור כל הפיקסלים בדיאגרמת הגוף סוכמו תחילה (טווח נקבה: 0-114,453,054; טווח גברים: 0-101,082,816). לאחר מכן הסכום חולק בעוצמת הסכום המקסימלית של PBD (נקבות: 820,452 פיקסלים כפול ערך הגוון המרבי 139.5, גברים: 724,608 פיקסלים ב-139.5) והוכפל ב-100. בעוצמה ממוצעת של PBD, סכום כל ערכי הגוון חולק במספר הכולל של פיקסלים צבעוניים, ולאחר מכן נורמל על ידי חלוקה בערך הגוון המרבי של 139.5. <a href="https://www.jove.com/files/ftp_upload/65334/65334fig1v2large.jpg" target="_blank">אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65334/65334fig02.jpg"> איור 2. PBDs מייצגים המציגים דוגמאות של PBDs טובים ורעים. (א,ב) PBDs טובים מראים את התועלת של חישוב 3 מדדי כאב. (C) דוגמאות PBD גרועות כוללות גודל עט עבה מדי, אלמנטים חיצוניים מחוץ לתרשים הגוף ומחיקה לא מדויקת. <a href="https://www.jove.com/files/ftp_upload/65334/65334fig02large.jpg" target="_blank">אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65334/65334fig03.jpg"> איור 3. מדדי PBD אומתו מול מדדי כאב סטנדרטיים באמצעות המתאם של ספירמן וניתוח מידע הדדי. (A) עוצמת VAS וסכום PBD משורטטים עם קווים ליניאריים המתאימים ביותר המשורטטים עבור כל מטופל. (B) נתונים ברמת הקבוצה המציגים את ממוצע המידע ההדדי (MI) בין כל מדד כאב, כאשר MI מסומן בסרגל הצבע מימין. הטקסט בכל תיבה מייצג את מספר החולים עם MI מובהק סטטיסטית עבור השוואה זוגית נתונה (לדוגמה, 3/5 מציין 3 חולים עם ערכים משמעותיים). MI מוצג על ידי MI שנצפה חלקי MI התיאורטי max. קיצורים: NRS = סולם דירוג מספרי; עוצמת VAS = עוצמת קנה מידה אנלוגי חזותי; VAS unpl. = אי נעימות כאב בקנה מידה אנלוגי חזותי, MPQ = טופס קצר שאלון כאב מקגיל 2; PBD = דיאגרמת גוף כאב; PBD קוב. = כיסוי PBD, MI = מידע הדדי, sig. = משמעותי. <a href="https://www.jove.com/files/ftp_upload/65334/65334fig03large.jpg" target="_blank">אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>
תרשים משלים 1. ממוצע PBD (A) וכיסוי PBD (B) התוו כנגד עוצמת VAS עם קווים ליניאריים המתאימים ביותר ששורטטו עבור כל מטופל. קיצורים: VAS = סולם אנלוגי חזותי; PBD = דיאגרמת גוף כאב. <a href="https://www.jove.com/files/ftp_upload/65334/JoVE_Figure_S1.ai" target="_blank">אנא לחץ כאן כדי להוריד קובץ זה.</a>
תרשים משלים 2. אנטרופיה למדד כאב בקרב מטופלים. ברמת הקבוצה, עוצמת NRS הייתה בעלת אנטרופיה נמוכה יותר מכל מדד כאב אחר, כפי שמוצג על ידי מדידה חוזרת של ANOVA חד-כיוונית ואחריה מבחן פוסט-הוק של טוקי להשוואות ספציפיות * = p < 0.05, ** = p < 0.001. קיצורים: NRS = סולם דירוג מספרי; VAS = קנה מידה אנלוגי חזותי; MPQ = שאלון כאב מקגיל; PBD = דיאגרמת גוף כאב. <a href="https://www.jove.com/files/ftp_upload/65334/JoVE_Figure_S2.ai" target="_blank">אנא לחץ כאן כדי להוריד קובץ זה.</a>
טבלה משלימה 1. הקורלציה של ספירמן בין מדדי PBD לבין מדדי כאב סטנדרטיים המדווחים על עצמם. מקדמי המתאם של ספירמן (rho) עבור שלושה מדדי PBD שחולצו כנגד מדדי כאב NRS, VAS ו- MPQ. קיצורים: NRS = סולם דירוג מספרי; VAS = קנה מידה אנלוגי חזותי; MPQ = שאלון כאב מקגיל; PBD = דיאגרמת גוף כאב. <a href="https://www.jove.com/files/ftp_upload/65334/JoVE_Table_S1.xlsx" target="_blank">אנא לחץ כאן כדי להוריד קובץ זה.</a>
טבלה משלימה 2. התרשמות המטופלים מהשלמת PBD התגלו באמצעות שאלות ספציפיות ל-PBD ושאלות שהשתנו בקנה מידה של שימושיות המערכת. שאלות סולם השימושיות ששונו התחלפו בהצהרות חיוביות ושליליות ודורגו בסולם של 5 נקודות (1=מסכים מאוד, 5=לא מסכים מאוד). קיצור: PBD = דיאגרמת גוף כאב. <a href="https://www.jove.com/files/ftp_upload/65334/JoVE_Table_S2.xlsx" target="_blank">אנא לחץ כאן כדי להוריד קובץ זה.</a>
קובץ קידוד משלים 1: סקריפט Python למדדי PBD. קוד הפיתון המבואר מעבד דיאגרמת גוף כאב קובץ PNG ומפיק ערכי PBD ממוצע, כיסוי וסכום עבור כל קובץ. הסקריפט כולל גם הצהרות ייבוא להורדת החבילות הדרושות להפעלת התוכנית. <a href="https://www.jove.com/files/ftp_upload/65334/PBD%20processing%20final.zip" target="_blank">אנא לחץ כאן כדי להוריד קובץ זה.</a>
קובץ משלים 1: קובץ משלים לפרטים מתודולוגיים. <a href="https://www.jove.com/files/ftp_upload/65334/Supplementary%20Materials_RE.zip" target="_blank">אנא לחץ כאן כדי להוריד קובץ זה.</a>

Watch this Scientific Journal Video about Quantifying Pain Experience – An Illustrative Approach Using the Pain Body Diagram at JoVE.com

סולמות כאב עכשוויים המשמשים לכימות חומרת כאב, כגון סולמות אנלוגיים חזותיים, אינם מצליחים ללכוד את המורכבות של חוויות כאב סובייקטיביות. דיאגרמות גוף כאב הן איכותיות אך עשויות להיות אינפורמטיביות יותר. מטרת שיטה זו היא לחלץ מדדים כמותיים מדיאגרמות גוף הכאב באמצעות טרנספורמציה חדשנית של גוון לחץ.

To quantify an individual&#39;s subjective pain severity, standardized pain rating scales such as the numeric rating scale (NRS), visual analog scale ...

כאב הוא חוויה סובייקטיבית, רבת פנים, שקשה להעריך באמצעות סולמות דירוג מספריים או סקרים עם תיאורים. כאן, אנו מדגימים כיצד ללכוד באופן כמותי את מיקום הכאב וחומרתו בכלי המחשה משולב, דיאגרמת גוף הכאב. סולם הדירוג המספרי, המבקש מהמטופלים לדרג כאב מ-0 עד 10, הוא הכלי הנפוץ ביותר לדירוג כאב.הסולם האנלוגי החזותי, המדרג כאב מ-0 עד 100, תוכנן כדי למזער את הטיית העיגון שיכולה להטות את הערכים המדווחים למרות רמות כאב משתנות. בנוסף, שאלון הכאב של מקגיל עוזר להבין את ההיבטים הסומטוסנסוריים והרגשיים של הכאב באמצעות הנחיות תיאוריות. דיאגרמות גוף כאב שימשו ככלי להערכת כאב כדי לעקוב אחר תסמיני כאב לאורך זמן.דיאגרמות ספציפיות למין מאפשרות למשיבים לזהות ולדווח טוב יותר על כאב. בנוסף, הכללת צבע כדי לסמן עוצמה מאפשרת תקשורת יעילה של כאב על פני מחסומי תרבות ושפה. כאב הוא חוויה נפוצה אך מורכבת.בעוד תיאורים מילוליים ומחוונים חזותיים הם תקן הזהב הנוכחי של מדדי כאב, הם מזניחים את מקור הכאב על פריסת הגוף עצמו. איטרציות PBD עתידיות יכולות להיות מורחבות כדי לייצג את הסומטיזציה של כאב או כאב ויסצרלי בשיטה הניתנת לכימות. בנוסף, כלי זה יכול לסלול את הדרך להבנת טיפולי כאב, כגון ההתמקדות הגדולה יותר של המעבדה שלנו בגירוי מוחי עמוק.

quantifying-pain-location-intensity-with-multimodal-pain-body

Research

Education

JoVE Core

JoVE Journal

Introduction to Psychology

Neuroscience

Unit 1

Quantifying Pain Location and Intensity with Multimodal Pain Body Diagrams

Sensation and Perception

SCIENTISTS IN ACTION

2.2K Views.  University of California, San Francisco. כאב הוא חוויה סובייקטיבית, רבת פנים, שקשה להעריך באמצעות סולמות דירוג מספריים או סקרים עם תיאורים. כאן, אנו מדגימים כיצד ללכוד באופן כמותי את מיקום הכאב וחומרתו בכלי המחשה משולב, דיאגרמת גוף הכאב. סולם הדירוג המספרי, המבקש מהמטופלים לדרג כאב מ-0 עד 10, הוא הכלי הנפוץ ביותר לדיר...

Video: Author Spotlight: Quantifying Pain Experience &#8211; An Illustrative Approach Using the Pain Body Diagram 

To quantify an individual&#39;s subjective pain severity, standardized pain rating scales such as the numeric rating scale (NRS), visual analog scale (VAS), or McGill pain questionnaire (MPQ) are commonly used to assess pain on a numerical scale. However, these scales are often biased and fail to capture the complexity of pain experiences. In contrast, clinical practice often requires patients to report areas of pain by drawing on a body diagram, which is an effective but qualitative tool. The method presented here extracts quantifiable metrics from pain body diagrams (PBDs) which are validated against the NRS, VAS, and MPQ pain scales. By using a novel pressure-hue transformation on a digital tablet, different drawing pressures applied with a digital stylus can be represented as different hues on a PBD. This produces a visually intuitive diagram of hues ranging from green to blue to red, representing mild to moderate to most painful regions, respectively. To quantify each PBD, novel pain metrics were defined: (1) PBD mean intensity, which equals the sum of each pixel&#39;s hue value divided by the number of colored pixels, (2) PBD coverage, which equals the number of colored pixels divided by the total number of pixels on the body, and (3) PBD sum intensity, which equals the sum of all pixels&#39; hue values. Using correlation and information theory analyses, these PBD metrics were shown to have high concordance with standardized pain metrics, including NRS, VAS and MPQ. In conclusion, PBDs can provide novel spatial and quantitative information that can be repeatedly measured and tracked over time to comprehensively characterize a participant&#39;s pain experience.

Current pain scales used to quantify pain severity, such as visual analog scales, fail to capture the complexity of subjective pain experiences. Pain body diagrams are qualitative but may be more informative. The goal of this method is to extract quantitative metrics from pain body diagrams using novel pressure-hue transformation.

Setting up Pain Body Diagram for Pain Assessment

To begin, screen the patients using the displayed patient inclusion criteria. Then, import a gender appropriate PBD template showing both front and back body surfaces into an illustration application on a touch sensitive digital tablet, equipped with a pressure sensitive drawing tool. After downloading the template to the tablet's photo library and importing it, create a new layer on top of the PBD template for the participant by clicking the layers icon and then the plus button.This will result in two layers, one with the PBD, and one for the participants drawing with colors indicating pain. Next, create a new brush with X equals Y pressure to hue transformation curve by clicking the brush library icon and the plus button to open the brush studio. Click the color dynamics button and scroll to the color pressure section.For the hue slider, click the numeric percentage to achieve a straight 45 degree line in the pressure transformation graph. To define the hue gradient range from green to blue to red, adjust the hue slider in the color pressure section by clicking the percentage number listed and entering a numeric value of 81%Adjust the pen tool slider to select a size suitable for the study participants'needs.

הגדרת דיאגרמת גוף כאב להערכת כאב

Measuring Pain Location and Intensity Through Pain Body Diagrams

Explain the pain body diagram or PBD anatomy and orientation of body templates in landscape mode. Describe the pressure to hue linear transformation by showing that increased stylus pressure shifts hues from green to blue to red, representing mild, moderate, and severe pain intensity respectively. Then explain the drawing and erasing tools and pinch to zoom and panning functionalities.Confirm the participant's understanding of the pain body diagram task using the teach back method and have them explain the process in their own words. Allocate 15 minutes for participants to practice drawing pain body diagrams on a flat surface, ensuring an accurate representation of pain location and intensity. Review the PBD with each participant to verify consistency and correct use of colors.Request participants to finish PBDs during baseline or at different time points following treatment or intervention, allowing ample time for PBD completion. After completion, save PBDs with a standardized file name, including the patient ID, date and time the PBD was finished. Select the desired images for bulk export using the select icon.Click on the share button to access a list of available image formats. Choose a portable or Photoshop file format that retains image layers and click on the preferred format. Download the desired PBD files and open them in a raster based image editor.Now, isolate the colored pixels of interest from the top layer of the PBD file by adding a completely black layer below the colored in layer and a black mask layer above it to exclude pixels outside the template body outline, creating a modified PBD with only the colored pixels within the body outline on a black background. To export the processed PBDs as portable network graphic files, click on file, select export, and choose export as, select PNG format, then click export. Convert each pixel value within the PBD from RGB to HSV color space using the open CV2 Python package.Extract the hue value for every pixel by executing the Python scripts titled, measure underscore SA noblur and RGBA2HSV. Run the quantify pain Python script to calculate the three PBD metrics. First, calculate the PBD coverage by dividing the number of colored pixels by the total number of pixels within the body diagram.The range for females is one to 820, 452 pixels, and for males it is one to 724, 608 pixels. Multiply the results by 100 to normalize data from a zero to 100 scale. Next, determine the PBD sum intensity by adding the hue values for all pixels In the body diagram, which is done by running RGBA2HSV.The female range is zero to 114, 453, 054, and the male range is zero to 101, 082, 816. Divide the result by the maximum PBD sum intensity and multiply by 100. The maximum PBD sum intensity depends on the total number of pixels in the body diagram multiplied by 139.5.Compute the PBD mean intensity by dividing the sum of all hue values by the total number of colored pixels. Finally, process each PBD file and compile the outputs in a spreadsheet for further analysis. The PBD metrics were correlated with the numerical rating intensity, or NRS, visual analog scale, or VAS, and McGill Pain Questionnaire, or MPQ for most patients.In four of five patients, PBD metrics significantly shared mutual information, or MI, with the NRS-VAS intensity, VAS unpleasantness and MPQ. In all patients, the NRS shared significant MI with VAS intensity, VAS unpleasantness and MPQ, while the PBD sum shared MI with PBD coverage and PBD mean.