通过大脑信号检测病人的疼痛程度

麻省理工学院和其他地方的研究人员开发了一种系统,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。该系统可以帮助医生诊断和治疗无意识和非交流患者的疼痛,从而降低手术后发生慢性疼痛的风险。

疼痛管理是一项极具挑战性的复杂平衡工作。例如,对疼痛的过度治疗有使患者对止痛药上瘾的风险。另一方面,对疼痛治疗不足可能导致长期慢性疼痛和其他并发症。如今,医生通常根据病人对自己感觉的报告来判断疼痛程度。但是那些不能有效表达自己感受的病人呢?比如儿童,老年痴呆症患者,或者正在接受手术的病人?

在情感计算和智能交互国际会议上发表的一篇论文中,研究人员描述了一种量化患者疼痛的方法。为了做到这一点,他们利用了一种新兴的神经成像技术,称为功能性近红外光谱(fNIRS),在这种技术中,放置在头部周围的传感器测量表明神经元活动的含氧血红蛋白浓度。

在他们的工作中,研究人员仅使用病人前额上的几个fNIRS传感器来测量前额皮质的活动,前额皮质在疼痛处理中起着重要作用。利用测量到的大脑信号,研究人员开发了个性化的机器学习模型来检测与疼痛反应相关的含氧血红蛋白水平的模式。当传感器就位后,该模型能够以87%的准确率检测出病人是否正在经历疼痛。

“我们测量疼痛的方式并没有改变多年来,”Daniel Lopez-Martinez说麻省理工的博士生项目健康科学和技术和麻省理工学院媒体实验室的研究员。”如果我们没有指标多少疼痛的人经验,临床试验治疗疼痛和运行变得具有挑战性。这样做的目的是客观地量化疼痛,不需要病人的配合,比如病人在手术过程中失去知觉。”

传统上,手术病人接受麻醉和药物治疗是基于他们的年龄、体重、既往疾病和其他因素。如果他们不动,心率保持稳定,他们就会被认为是健康的。但大脑可能在无意识状态下仍在处理疼痛信号,这可能导致术后疼痛增加和长期慢性疼痛。研究人员的系统可以为外科医生提供关于无意识病人疼痛程度的实时信息,这样他们就可以相应地调整麻醉和药物剂量来阻止这些疼痛信号。

论文中加入Lopez-Martinez的有:哈佛医学院的Ke Peng,波士顿儿童医院,蒙特利尔CHUM研究中心;哈佛医学院、波士顿儿童医院和麻省总医院的Arielle Lee和David Borsook;罗莎琳德·皮卡德,媒体艺术与科学教授,媒体实验室情感计算研究主任。

集中在前额

在他们的工作中,研究人员采用了fNIRS系统,并开发了新的机器学习技术,使该系统更准确和实际的临床应用。

为了使用近红外光谱仪,传统上传感器被放置在病人的头部周围。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。当红外信号反射回传感器时,信号处理技术利用改变后的信号来计算每种血红蛋白在大脑不同区域的含量。

当患者受伤时,大脑中与疼痛相关的区域会出现含氧血红蛋白的急剧上升和脱氧血红蛋白的下降,这些变化可以通过fNIRS监测检测到。但是传统的近红外光谱系统在病人头部周围放置传感器。这可能需要很长时间才能建立起来,而且对于必须躺下的病人来说也很困难。对于接受手术的病人来说,这也是不可行的。

因此,研究人员对fNIRS系统进行了调整,使其只专门测量来自前额皮质的信号。虽然疼痛处理涉及大脑多个区域的信息输出,但研究表明,前额皮质整合了所有这些信息。这意味着他们只需要把传感器放在前额。

传统fNIRS系统的另一个问题是,它们会从头骨和皮肤捕捉到一些导致噪音的信号。为了解决这个问题,研究人员安装了额外的传感器来捕捉和过滤这些信号。

个性化的疼痛建模

在机器学习方面,研究人员从43名男性参与者那里收集了一个标有“疼痛处理数据集”的模型,并对其进行了训练和测试。(下一步,他们计划从不同的患者群体中收集更多的数据,包括女性患者——包括手术期间和清醒时,以及在疼痛强度范围内——以便更好地评估该系统的准确性。)

每个参与者都戴着研究人员的fNIRS设备,随机暴露在一种无害的感觉中,然后在两种不同的疼痛强度下对拇指进行十多次电击,测量范围为1-10:低强度(约3/10)或高强度(约7/10)。这两种强度是通过预先测试确定的:参与者自我报告说,低水平的电击只有强烈的无痛感,而高水平的电击是他们能忍受的最大痛感。

在训练中,该模型从信号中提取了几十个特征,这些特征与血红蛋白的含氧量和脱氧量以及血红蛋白的含氧水平上升的速度有关。这两个指标——量和速度——可以更清晰地描述病人在不同强度下的疼痛体验。

重要的是,该模型还自动生成“个性化”子模型,从单个患者亚群中提取高分辨率特征。传统上,在机器学习中,一个模型学习分类——“疼痛”或“没有疼痛”——基于整个患者群体的平均反应。但这种笼统的方法会降低准确性,尤其是对不同的患者群体。

研究人员的模型针对的是整个群体,但同时也能在更大的数据集中识别出不同亚群体的共同特征。例如,对这两种强度的疼痛反应在年轻和老年患者之间可能有所不同,或者取决于性别。这就产生了可学习的子模型,这些子模型可以分离并并行地学习患者亚群的模式。然而,与此同时,他们仍然在分享整个群体共享的信息和学习模式。简而言之,他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培训。

从数据集中随机抽取一组参与者的大脑信号,对疼痛或无疼痛进行分类,评估了个性化模型和传统模型,其中每个参与者的自我报告疼痛评分都是已知的。个性化模型的准确率比传统模型高出约20%,达到约87%。

Lopez-Martinez说:“因为我们能够用前额上的几个传感器以如此高的精度检测疼痛,所以我们有坚实的基础将这项技术应用于现实世界的临床环境。”

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/detecting-pain-levels-brain-signals-0912

http://petbyus.com/13517/