作者：何侃，刘亚萍，徐霜霜，杨小虎，同济大学附属东方医院麻醉科

在临床医学实践中，准确识别患者的疼痛是制定有效诊疗计划的前提。但疼痛评估( pain assessment，PA) 过程往往存在诸多困难，因为疼痛的感知具有高度的主观性，且容易受多种因素影响。情感状态、生活习性、行为表现以及个体对疼痛的应对能力等因素，都可能增加疼痛评估的复杂性。此外，某些特殊患者群体，如认知障碍儿童、痴呆症患者或无法有效沟通的患者，其疼痛评估的难度更是显而易见。

近年来人工智能( artificial intelligence，AI) 技术的发展为解决这一难题提供了新思路。AI 涵盖了广泛的符号和统计方法，模拟人脑的学习和推理功能。机器学习( machine learning，ML) 、计算机视觉( computer vision，CV) 、模糊逻辑( fuzzy logic，FL) 和自然语言处理( natural language processing，NLP) 等子领域，均在AI 的范畴之内。特别是深度学习( deep learning，DL) ，通过模仿人脑神经网络的结构和功能，训练人工神经网络并自动提取特征，这在疼痛评估中展现出巨大潜力，也为疼痛研究带来了新的视角。

数据驱动的AI 模型，通过客观、标准化和可泛化的方法，有望克服传统评估方式的局限，实现更为精确的疼痛评估。尽管将人工智能应用于疼痛评估的目标十分宏伟，但在实现过程中存在诸多挑战( 如AI 算法与临床应用之间的差距) ，全球范围内的研究团队正在积极推进这一领域的研究。本文旨在综合评述AI应用于疼痛评估的关键研究进展，并展望其未来的发展方向。

1. 基于行为的方法

1.1 面部表情

面部表情作为疼痛的一种自然反应，为评估疼痛提供了重要的视觉线索。研究表明，不同年龄、性别、认知状态的人群以及不同类型的疼痛患者，其面部表情在表达疼痛时呈现出一定的一致性，并且这些表情与个体对疼痛的自我报告存在相关性。基于这些发现，研究者开始尝试利用面部图像或视频资料来评估疼痛。面部动作编码系统( facial action coding system，FACS) 能详细描述和分析面部动作，它将面部动作分解为多个基本动作单元，每个动作单元对应特定肌肉或肌肉群的活动，可以独立识别和评分。

FACS 在心理学、社会学、传播学等多个领域得到了广泛应用，也被用于面部动画软件的开发和面部麻痹的评估。研究者利用FACS 研究了健康人群、慢性疼痛患者以及神经或精神障碍患者的疼痛面部表情，以及不同疼痛刺激和疼痛药物对面部表情的影响。然而FACS在应用中也存在一定的局限性，包括分析过程中的主观偏见和不同人群间的差异。

在图像处理领域，卷积神经网络( convolutional neural network，CNN) 已成为执行图像分类和对象识别任务的主要工具。CNN 是一种前馈人工神经网络，其结构模仿了人类视网膜的功能，能够将输入的图像映射到输出的分类结果。CNN 由卷积层、非线性层和池化层组成，最终通过全连接层进行分类。VGG16 架构是CNN 的一个经典模型，它包含16 层卷积层。VGGFace2 是基于VGG16 和VGG19 模型变体，VGGFace2 使用了超过300 万张面部图像，这些图像来自9 000 多个不同个体。

VGGFace2 模型经过微调后，可用于面部验证、面部识别和情绪识别等多种面部识别任务。在面部表情的疼痛评估方面，Yu 等提出的双模型可以更好地模拟人脑的视觉功能。基于此，研究者开发了一种双卷积CNN 模型，用于从面部表情中检测疼痛，该模型在预训练数据集上达到了99%的准确率，在另一个多模态热痛数据集BioVid 上也有90%的准确率。

1.2 语言分析

自然语言处理( natural language processing，NLP) 是AI 的一个分支，专注于理解和处理人类语言，从非结构化文本中提取和检索数据。NLP 在医疗领域也有广泛应用，包括聊天机器人、虚拟助手和语言软件等。为了疼痛研究，Chaturvedi 等验证了一个包含382 个术语的词典，这种词典有助于我们从电子健康记录数据库中筛选出与疼痛相关的元素。

NLP 能够分析和提取来自电子病历、临床记录和患者报告结果等基于文本的数据源中的信息，如疼痛的位置、强度和持续时间，从而帮助研究人员更深入地了解患者的疼痛体验，并识别疼痛管理中的模式或趋势。Naseri 等开发了一种方法，能够自动识别和分类医师在临床笔记中报告的疼痛，即便这些疼痛信息并非通过结构化数据输入记录。

他们使用了MetaMap 和NegEx 算法进行医学术语的提取。在临床环境中，NLP 不仅可以自动总结临床笔记，还能用于构建与患者互动并帮助他们管理疼痛的对话系统，如聊天机器人。此外，NLP 还能够开发问答系统，为患者提供关于疼痛管理的准确和最新信息。情感分析是NLP 在疼痛研究中的另一个应用领域，它结合了机器学习算法和NLP流程，能对文本的情感倾向进行分类，如积极、消极或中性。这种方法可用于分析患者调查或在线患者论坛中的语言，以了解患者对他们的疼痛和治疗的情感和意见。

1.3 其他行为分析

在一篇颇具启发性的研究文献中，Walsh 等研究者探讨了身体姿势与疼痛之间的相互关系。研究者制定了一套标准化的刺激方案，并在后续的验证阶段指出，诸如“头侧”、“目光向下”和“身体前倾”等姿势在表现疼痛时极为常见。这些发现提示，减少头部活动和改变身体姿态可能作为疼痛行为的可靠指标。例如，Werner 等观察到，患者的头部动作和姿势往往会向下倾斜或朝向疼痛区域。

Cao 等研究者从术后患者的光电容积脉搏图( photo plethysmo gram，PPG) 中提取了可能与疼痛相关的呼吸特征，并将其纳入UCI iHurtDB 疼痛研究协议中。他们采用了5种机器学习算法，包括AdaBoost、XGBoost、随机森林、支持向量机和K-最近邻分类器进行分析。这些分类器在准确性上均表现良好。

2. 基于神经生理学的疼痛检测

2.1 脑电图在疼痛检测中的应用

越来越多的研究表明，慢性疼痛与大脑结构和功能的变化紧密相关。脑电图( electroencephalogram，EEG) 作为一种监测脑功能变化的工具，可能为探索疼痛提供了生物标志物。例如，感觉运动皮层的神经元活动，如θ 波和γ 波的增强，可能反映出不同的疼痛状态。

在最近的研究中，Chen 等提出了一种基于多层CNN 的EEG 疼痛检测模型。研究涉及10 名志愿者，他们完成了15 项运动任务并观看了15 个与疼痛相关的视频片段。在数据采集和预处理之后，模型验证旨在测试其区分“无痛”与“疼痛”状态的能力。

在人工智能分析中，模型的综合性能通过受试者工作特征曲线下面积( area under the curve，AUC) 来评估。AUC 值为0.7 0.8 被认为是可接受的，0.8 0.9 为优秀，＞0.9 则为杰出，在此次研究中，运动任务和观看视频片段的AUC 分别达到了0.83 和0.81。Misra 等采用支持向量机( support vector machine，SVM) 算法，利用SVM 从EEG 特征中识别疼痛表型，通过最小化分类误差来最大化边界，实现疼痛与无痛的二元分类。K-最近邻( K-nearest neighbor，KNN) 算法作为一种对噪声样本敏感且无须训练阶段的机器学习分类器，也被用于开发决策树，以寻找数据的最佳分割点。

Nezam 等收集了EEG 和肌电图( electromyography，EMG) 信号，并通过SVM 和KNN 决策树模型评估了不同疼痛水平，两种模型的分类准确率均超过80%。Elsayed 等结合信号处理技术和机器学习策略，分析了与疼痛相关的脑电信号，并将疼痛强度分为4 个等级，其开发的分类器准确度高达94.83%。这些研究结果得到了其他研究的支持，表明大脑中央区域alpha 波的归一化功率可能是慢性疼痛的一个可靠和可量化的生物标志物，具有临床应用潜力。

2.2 皮肤电活动( electrodermal activity，EDA) 的研究与应用

EDA 作为研究疼痛与自主神经系统活动关联性的一个热门领域，为临床提供了深入理解疼痛反应的新视角。手掌和足底的汗腺因其高密度和主要受交感神经支配，在应对压力或威胁时发挥着关键作用。这些汗腺对心理刺激的敏感性超过了对温度变化的反应，使得它们成为研究疼痛的有力工具。

目前，市面上有多款可穿戴非侵入性设备能够记录EDA，例如BITalino多通道平台，它是一个开源的生物信号平台，与易用的软件如OpenSignals 兼容，能够捕捉心电图( electrocardiogram，ECG ) 、EMG、EDA 以及EEG 等多种生理信号。EmpaticaE4 手环( Empatica 公司，美国) 是另一种能够记录EDA 的设备，它还能测量心率、身体活动、皮肤温度，并通过按钮标记特定事件。

这种设备在心理学、神经科学和生理学研究中得到了广泛应用，特别是在监测压力和情绪状态、追踪慢性疼痛康复过程中的睡眠模式和身体活动，以及监控患者阿片类药物的使用情况。在急性疼痛研究或癌症疼痛的特定现象，如突破性癌症疼痛的研究中，EDA 显示出其独特的应用潜力。Susam 等通过EDA 成功区分了接受腹腔镜阑尾切除术儿童的疼痛水平。Gruss 等则创建了一个包含85 名健康参与者在经受热痛刺激时的EDA 和其他生物电位( EMG 和ECG) 的数据库，并利用支持向量机( support vector machines，SVM) 算法获得了约90%的准确率。

然而，EDA 方法也存在一些限制，需要在多参数分析的背景下谨慎使用。临床上的EDA 测量存在显著的变异性，且该方法在疼痛评估中虽然敏感，但特异度不足。在处理EDA 信号时，基础信号的波动和相位激活的延迟是必须面对的问题。为了提取原始信号中的关键特征，数据分析阶段必须包含精确的时间尺度分解。尽管存在局限，EDA 技术仍有改进空间，Hossain 等使用机器学习的算法就是解决噪声和运动伪迹问题的一个例子。

2.3 探索其他神经生理学方法

心率变异性( heart rate variability，HRV) 衡量的是心跳间隔的自然波动，这一指标反映了人体自我调节和维持内环境稳定状态的能力。HRV 是评估自主神经系统( autonomic nervous system，ANS)活动的一个重要间接指标，同时也是评价情绪处理能力的重要标志。例如，压力和焦虑等情绪变化会引起HRV 的改变，通过测量这些变化，可以对个体的情绪状态进行评估。HRV 的测量可以通过ECG或光电容积脉搏图( photoplethysmography，PPG) 等多种技术实现。

PPG 作为一种非侵入性光学测量方法，通过光源和光电探测器来监测血液容积的微小变化，这些变化受到心跳、血管弹性和呼吸频率等因素的共同影响。近年来，研究者已经开发出能够自动识别PPG脉冲波形的自动分类器。这些分类器能够辨识PPG信号的独特形态特征，有助于更准确地选择和分析PPG 特征，从而深化我们对疼痛相关生理过程的理解。研究显示，较高的静息HRV 水平通常与更强的情绪适应性相关，而较低的HRV 水平则可能与心血管疾病、情绪障碍甚至某些疾病风险的增加有关。

尽管HRV 在慢性疼痛评估中的应用前景令人期待，但最近的系统综述指出，目前关于其有效性的证据尚有限。除HRV 外，动脉的收缩压和舒张压值也是疼痛研究中广泛调查的血流动力学参数。Moscato 等在系统综述中指出，血压和ECG 衍生的参数，尤其是低频与高频比率( low-frequency to high-frequency ratio，LF/HF) 在疼痛研究中受到了特别的关注，这些参数与疼痛感知之间存在明显的正相关性。功能性磁共振成像( functional magnetic resonance imaging，fMRI) 和正电子发射断层扫描( Positron Emission Tomography，PET) 作为神经生理学技术，可用于探测大脑活动中与疼痛相关的改变。

表面肌电图( surface electromyography，sEMG) 作为一种有前景的技术，通过在皮肤上放置非侵入性电极来测量浅层肌肉的电活动，尤其擅长捕捉那些不易被肉眼察觉的微妙面部肌肉活动。然而，目前关于使用sEMG 客观检测面部疼痛表情的研究还相当有限，仅有少数研究探讨了肌肉张力与疼痛强度之间的相关性，这一领域需要更多的研究来深入探索。

3. 展望

在疼痛评估这一领域，研究工作面临诸多挑战，其中最关键的是多模态数据的收集。研究需涵盖从急性疼痛( 如术后疼痛) 到慢性疼痛( 包括良性和癌症相关疼痛) 的多种临床情境，特别是针对那些存在沟通障碍的患者群体。数据的质量至关重要，它应符合“五V”原则: 数量( volume) ，速度( velocity) ，多样性( variety) ，真实性( veracity) 和价值( value) ，以确保数据收集的动态性和时效性。

此外，研究还必须解决AI 系统的可解释性和伦理问题。可解释性指的是模型能够清晰地解释其决策过程，这对于用户、监管机构和开发人员理解模型如何得出结论并识别潜在偏见至关重要。伦理问题则涉及AI 系统开发、部署和使用的道德原则和指导方针，包括隐私、公平性、透明度、可问责性和人类自主权等。在评估与疼痛研究和管理相关的AI 应用时，必须将可解释性和伦理原则纳入考量。

在疼痛评估中，患者的口头报告常被视为“金标准”，但从科学的角度来看，这种方法存在一定的局限性，包括主观性、度量属性的不确定性以及可靠性问题。AI 技术的发展为开发更客观的疼痛评估工具提供了巨大的潜力和机会。然而，要实现这一目标，必须通过创建和深入分析大数据及其元数据( 即关于数据的更深层次信息) 来铺平发展的道路。

为了推动PA 领域的发展，需要加强跨学科的合作，构建能够在不同临床环境中应用的数据集，涵盖从急性疼痛到各种慢性疼痛的情况。此外，在研究和应用AI 技术进行疼痛评估和管理时，必须将可解释性和伦理原则纳入考量，这意味着AI 系统的设计和应用应当是透明的、可问责的，并且符合人类的价值观和道德标准。

来源：何侃,刘亚萍,徐霜霜,等.人工智能用于疼痛评估的研究进展[J].同济大学学报(医学版),2025,46(02):305-310.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)