伤在身，“痛”在脑！AI可穿戴设备量化患者疼痛准确率达87%

无论什么疾病，疼痛是患者对于疾病的最直观感受。对于医护人员来说，患者的疼痛管理工作通常极具挑战，比如，过度用药会导致患者止痛药上瘾，治疗不足又有可能导致长期慢性疼痛以及其他并发症发生。幸运的是，这些年，医生们已经意识到患者疼痛在临床治疗中的重要性，开始愈发重视。他们通常根据患者的口述情况判断其疼痛程度。

但那些不能有效表达自己感受的病人呢？比如，幼龄儿童、老年痴呆症患者，或者正在接受手术的病人...最近，由麻省理工学院（MIT）研究团队主导开发了一种系统，通过分析便携式神经成像设备的脑活动来测量病人的疼痛程度。

该系统能帮助医生诊断、并缓解无意识及不具正常交流能力的患者疼痛，从而降低慢性术后疼痛症（CPSP）的风险。研究团队描述了一种量化患者疼痛的方法，他们利用功能性近红外光谱技术（fNIRS）这种新兴的非侵入式脑功能成像技术，检测患者氧合血红蛋白浓度，从而揭示其神经元活动。概括来说，研究人员将fNIRS传感器置于受试者前额来测量其前额皮质活动，通常前额皮质在疼痛处理中起重要作用。利用测量到的大脑信号，研究人员进而开发个性化的机器学习（Machine Learning）算法来检测与疼痛反应相关的含氧血红蛋白水平的模式。该模型能够以87%的准确率检测出患者是否有疼痛情况。

量化疼痛，优化的fNIRS技术

最新的fNIRS系统一改以往设备的不足，不仅变得便携只需贴在患者前额，有助于躺着手术的患者使用；它还改善了多噪音信号的问题，传统fNIRS在监测时会受头骨和皮肤信号的干扰，研究人员于是安装额外的传感器对这些“多余信息”进行捕捉、过滤。

fNIRS传感器被置于患者前额，不同波长的近红外光穿过头骨进入大脑。含氧血红蛋白和脱氧血红蛋白吸收波长不同，它们的信号略有变化。当红外信号回传到传感器时，信号处理技术便会计算每种血红蛋白在大脑不同区域的含量。当患者感受到疼痛时，大脑中与疼痛相关的区域会出现含氧血红蛋白增多、脱氧血红蛋白减少的情况，这些变化都可以通过fNIRS检测到。

“个性化”的疼痛模型

实验中，研究人员初步以43名男性受试者的疼痛数据作为算法训练的数据集。他们均穿戴fNIRS传感器，随机暴露在无害的疼痛环境中。在训练中，模型提取氧合、脱氧血红蛋白含量相关信号中的数十个特征，同时提取氧合血红蛋白水平增加的速度。“特征与速度”这两个指标，便可以更清晰显示患者在不同电击强度下的疼痛反应。

此外，该智能模型还可自动生成“个性化”疼痛子模型。传统机器学习算法中，一个模型学习“疼”或“不疼”这两种感觉，是基于整个患者群体的平均反应，预测准确率较低。

经优化后的算法能在更大的数据集中识别出不同亚群体的共同特征。比如，年轻和老年患者面对两种疼痛强度时，其感受程度不同不仅因年龄差异，性别差因素也需考虑在内。“子模型”的概念便是，它们同时利用细粒度的个性化信息和人口级别的信息来更好地训练算法的全面度和精准度。通过对比实验，个性化子模型的准确率比传统方法，高出约20%，达到约87%，更为精准。

下一步，研究团队计划从不同的患者群体中收集更多的数据，增加女性患者手术期间和清醒时，对疼痛强度忍受范围，以便更好地评估该系统的准确性。

研究人员表示：“多年来测量疼痛的方式并没有改变，如果没有具体的量化指标来反映人体承受的疼痛，治疗痛症以及开展临床试验会极具挑战性。借助算法模型，当患者在术中处于无知觉状态时，其疼痛指数也被能客观量化了。

”在额头上“贴”几个传感器就能精确检测疼痛，随着科学家们的不懈努力，相信这项疼痛检测技术未来能应用于现实世界的临床环境中。