在术后患者中多模式疼痛识别:机器学习方法
Ajan Subramanian1, Rui Cao2, Emad Kasaeyan Naeini1
1Department of Computer Science, University of California, Irvine, Irvine, CA, United States.
JMIR formative research
|January 27, 2025
概括
这项研究开发了一个机器学习框架,使用生物信号进行客观的术后疼痛评估. 多模式方法实现了超过80%的准确性,改善了临床环境中的疼痛监测.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 疼痛管理 疼痛管理
背景情况:
- 有效的急性疼痛管理对于术后患者至关重要,特别是那些无法自我报告疼痛的患者.
- 目前的疼痛评估方法 (主观报告,行为工具) 缺乏客观性和一致性.
- 使用生理和行为数据的多模式疼痛评估为更准确的疼痛测量提供了途径,但现实世界的临床数据有限.
研究的目的:
- 开发和评估一种多式机器学习框架,用于对术后患者的客观疼痛评估.
- 在实际的临床环境中利用心电图,肌电图,皮电活动和呼吸率 (RR) 等生物信号.
- 解决临床疼痛监测方面的挑战,包括运动工件和不平衡数据.
主要方法:
- 该iHurt研究涉及25名术后患者,收集多式联络生物信号和数值评分尺度疼痛评分.
- 数据预处理包括噪声过和特征提取,结合手工制作和自动编码器衍生的特征.
- 机器学习分类器被训练使用弱监督和过量采样来管理稀疏和不平衡的疼痛数据.
主要成果:
- 多模式疼痛识别模型在疼痛水平上实现了超过80%的平均平衡精度.
- 呼吸速率 (RR) 模型表现出强的表现,特别是对于较低的疼痛强度;电肌图对更高的疼痛强度有效.
- 虽然像RR这样的单一模式表现良好,但与以前的研究相比,多式联络框架的整体准确性得到了改善.
结论:
- 开发了一个新的多式联机机器学习框架,用于客观的术后疼痛识别.
- 整合多种生物信号模式显示了提高疼痛评估准确性的巨大潜力.
- 该框架为现实世界的临床疼痛监测提供了有价值的应用.


