시각적 아날로그 척도와 같이 통증의 중증도를 정량화하는 데 사용되는 현재의 통증 척도는 주관적인 통증 경험의 복잡성을 포착하지 못합니다. 통증 신체 다이어그램은 정성적이지만 더 많은 정보를 제공할 수 있습니다. 이 방법의 목표는 새로운 압력-색조 변환을 사용하여 통증 신체 다이어그램에서 정량적 메트릭을 추출하는 것입니다.
개인의 주관적인 통증 중증도를 정량화하기 위해 숫자 등급 척도(NRS), 시각적 아날로그 척도(VAS) 또는 McGill 통증 설문지(MPQ)와 같은 표준화된 통증 평가 척도를 사용하여 수치 척도로 통증을 평가합니다. 그러나 이러한 척도는 종종 편향되어 통증 경험의 복잡성을 포착하지 못합니다. 대조적으로, 임상 실습에서는 종종 환자가 효과적이지만 질적인 도구인 신체 다이어그램을 그려 통증 부위를 보고해야 합니다. 여기에 제시된 방법은 NRS, VAS 및 MPQ 통증 척도에 대해 검증된 통증 신체 다이어그램(PBD)에서 정량화 가능한 지표를 추출합니다. 디지털 태블릿에서 새로운 압력-색조 변환을 사용하면 디지털 스타일러스로 적용된 다양한 드로잉 압력을 PBD에서 다른 색조로 표현할 수 있습니다. 이렇게 하면 녹색에서 파란색, 빨간색에 이르는 색조의 시각적으로 직관적인 다이어그램이 생성되며, 각각 경미한 부위에서 중간 정도의 통증 부위를 나타냅니다. 각 PBD를 정량화하기 위해 (1) 각 픽셀의 색조 값을 컬러 픽셀 수로 나눈 합과 같은 PBD 평균 강도, (2) 신체의 총 픽셀 수로 나눈 컬러 픽셀 수를 나타내는 PBD 커버리지, (3) 모든 픽셀의 색조 값의 합과 같은 PBD 합계 강도와 같은 새로운 통증 메트릭이 정의되었습니다. 상관 관계 및 정보 이론 분석을 사용하여 이러한 PBD 지표는 NRS, VAS 및 MPQ를 포함한 표준화된 통증 지표와 높은 일치도를 보이는 것으로 나타났습니다. 결론적으로, PBD는 참가자의 통증 경험을 포괄적으로 특성화하기 위해 시간이 지남에 따라 반복적으로 측정하고 추적할 수 있는 새로운 공간 및 정량적 정보를 제공할 수 있습니다.
만성 통증은 미국에서 5천만 명 이상의 성인에게 영향을 미치는 쇠약해지는 신경 정신 질환입니다1. 그러나 주관적 통증 강도를 추적하는 일반적인 임상 도구(예: 수치 평가 척도[NRS] 또는 시각적 아날로그 척도[VAS])는 환원주의적이며 체성 감각, 인지 또는 정서적 영역에 걸친 통증 증상 강도의 복잡한 특성을 전달하지 못한다 2,3. 개인의 통증 강도를 정확하게 추적하는 것은 통증 증후군을 진단하고, 질병 진행을 모니터링하고, 약물 또는 뇌 자극과 같은 치료법의 잠재적 효능을 평가하는 데 매우 중요합니다.
널리 사용되는 NRS 통증 강도 도구는 피험자가 통증 강도를 0-10 사이의 정수 값으로 평가하도록 요구하며, 이는 통증이 없음을 나타내며 가능한 최악의 통증을 나타냅니다. NRS는 관리와 이해가 쉽지만, 응답자 고정 편향, 기대 편향, 개별 가치에 대한 다양한 해석으로 인해 한계가 있다 4,5; 이는 또한 참가자 간 비교를 제한합니다. 0-100의 연속 스케일인 VAS는 앵커링의 영향을 줄일 수 있지만 여전히 NRS4와 유사한 제한에 직면할 수 있습니다. 여러 연구에서 만성 요통 중증도6,7 및 임상실습5에 대해 NRS와 VAS 간에 높은 수준의 일치가 입증되었지만, 합의된 가이드라인은 임상통증 임상시험 설계 또는 해석에서 유사한 척도에 의존하는 것의 많은 단점을 강조하고 있다 8,9. 짧은 형식의 McGill 통증 설문지 2 (MPQ)는 감각적 통증 차원과 정서적 통증 차원11을 구별하는 데 도움이 되도록 언어적 설명자(verbal descriptor)10의 등급을 사용하여 통증의 체성 감각 및 정서적 차원을 추가로 분석한다. 이러한 통증 등급 척도는 일반적으로 통증 강도12,13을 추적하는 데 사용되지만 통증 위치 또는 신체 부위에 따른 강도 변화와 같은 자세한 지형 정보를 캡처하지 못합니다.
통증 신체 다이어그램(PBD)은 개방형 자유 형식 통증 평가 도구로, 응답자가 도식적인 인체 개요14,15에서 통증 위치 및 강도를 시각적으로 표현할 수 있도록 합니다. PBD는 통증 증상을 종단적으로 추적하는 데 도움이 되는 참가자와 의료 제공자 간의 효과적인 의사 소통 도구입니다16. PBD의 자유 형식 그래픽 형식은 앵커링 바이어스를 줄일 수 있습니다. 성별에 따른 신체 다이어그램의 도입과 같은 PBD에 대한 최근의 수정은 시각적으로 표현된 신체 형태를 응답자의 해부학적 구조와 일치시킴으로써 의사 소통 도구로서의 효율성을 증가시켜 자기 식별 및 반응 정확도를 높였다17. 또한, 강도를 나타내기 위해 색상을 사용하면 문화 및 언어 장벽을 극복하고 통증 증상을 효과적으로 전달할 수 있는 것으로 나타났습니다. 예를 들어, 흰색과 빨간색은 몽족 환자 집단에서 각각 통증이 없는 것과 심한 통증을 나타내기 위해 가장 일반적으로 선택되었다18. PBD는 효과적인 도구이지만(19,20), 정성적 특성으로 인해 제한되어 왔다.
디지털 태블릿에서 PBD를 사용하면서 통증 위치 및 강도를 정량화하는 데 사용할 수 있는 도구가 크게 확장되었습니다. Barbero 등은 만성 허리 및 목 통증이 있는 환자의 PBD 내에서 그려진 픽셀 수 또는 통증 정도를 정량화하고 검사-재검사 신뢰도가 우수하고 VAS 측정치와 유의한 상관관계를 보였다21. 신체 다이어그램은 또한 통증 빈도 맵을 생성하여 신체의 통증이 가장 빈번하지 않은 부위를 보여주기 위해 분석되었습니다21,22. 이러한 방법은 공간적 통증 정보를 정량화하지만, 지금까지 통증 강도와 위치를 복합 메트릭에 통합한 방법은 없었습니다.
다음 프로토콜은 새롭고 시각적으로 직관적인 컬러 PBD를 얻고 통증 강도 및 위치 정보의 복합체를 함께 반영하는 세 가지 정량적 메트릭을 추출하는 방법을 보여줍니다. 이를 위해 난치성 만성 신경병증성 통증에 대한 뇌심부자극술(DBS) 임상시험을 진행 중인 참가자 5명을 선정하여 N-of-1 연구 설계23을 사용하여 현재 접근법을 테스트했다. 참가자들은 다양한 신체 위치의 다양한 통증 강도에 해당하는 색상 색조를 생성하기 위해 태블릿 일러스트레이션 응용 프로그램에 다양한 수준의 필압을 가하여 일시적인 통증 증상의 강도를 보고하도록 지시받았습니다. PBD에서 파생된 적용 범위, 합계 강도 및 평균 강도 메트릭은 통계 및 상호 정보(MI) 분석을 사용하여 보다 일반적으로 검증된 통증 메트릭(즉, NRS, VAS 및 MPQ)과 비교되었습니다.
10일간의 입원 기간 동안 평가를 받는 환자는 NRS, VAS 및 MPQ와 같은 검증된 통증 척도 외에도 PBD(평균 ± 표준 편차(SD) = 121.8 ± 환자당 34.3 PBD, 범위 84-177, 총 609 PBD)를 완료했습니다. PBD는 태블릿 애플리케이션을 통해 수집되었으며 완료되면 보안 연구 서버에 타임스탬프 파일로 업로드되었습니다. 통증 강도 NRS, VAS 및 MPQ는 보안 웹 애플리케이션인 REDCap 설문조사 도구를 사용하여 획득했습니다. 설문 조사와 PBD는 모두 연구 보조원이 직접 관리하여 환자가 평가를 정확하게 완료하는 데 필요한 지원을 받을 수 있도록 했습니다. 다음 단계에서는 통증을 안정적으로 정량화하는 데 사용되는 PBD 설정, 참가자 지침, 데이터 수집 및 PBD 분석에 대해 자세히 설명합니다(그림 1).
프로토콜 내의 중요한 단계
주요 단계에는 PBD 설정, 환자 지침 및 사전 처리가 포함됩니다. PBD 설정을 위해, 각 성별별 PBD는 전면 및 후면 뷰(26)를 시각화해야 하며, 색조 값을 분리하기 위해 일러스트레이션 애플리케이션에 빈 레이어로 오버레이되어야 한다. 또한 펜 크기는 환자의 일러스트레이션 요구 사항을 충족해야 하며 PBD를 정량적으로 분석하기 위해 색조 그라데이션을 정의해야 합니다. 환자의 지시와 도구에 대한 이해는 신뢰할 수 있는 데이터의 기본입니다. 참가자가 PBD에서 도구를 구현하는 연습을 할 수 있도록 충분한 시간을 할당해야 합니다. 티치백(teach-back) 방법을 사용하여 테스트 중에 약 10개의 PBD마다 한 번씩 주기적으로 작업 및 설문 조사에 대한 참가자의 이해도를 확인합니다. 개별 PBD를 추적하려면 완료 후 고유한 제목과 타임스탬프를 사용하여 각 파일의 이름을 지정하는 것이 좋습니다. 데이터 수집 후 Python27 스크립트를 사용하여 각 PBD 메트릭을 추출할 수 있습니다( 보충 코딩 파일 1 참조). PBD 범위, 총 강도 및 평균 강도의 측정은 환자 내 통증 반응을 추적하기 위해 치료 또는 개입 전후에 반복될 수 있습니다. 이러한 지표를 추출하기 위해 데이터 수집에 직접 관여하지 않는 한 연구원은 검은색 마스크 레이어를 오버레이하여 본문 윤곽선 내부에 그려진 색상만 분리한 다음 보충 파일 1로 제공된 사용자 지정 소프트웨어 코드를 사용하여 HSV 픽셀 값을 계산해야 합니다.
기술의 수정 및 문제 해결
환자 1의 데이터 수집 중에 방법론적 단계를 개선했습니다. 여기에는 환자가 펜의 압력 감도 제어에 익숙해질 수 있도록 더 많은 시간을 허용하고, 나중에 마스킹 및 분석을 위해 바디 다이어그램 레이어를 올바르게 설정하고, PBD에서 기호 또는 단어 사용을 제한하고, 각 참가자의 힘과 민첩성에 따라 절대 펜 압력 감도를 조정하는 것이 포함됩니다(상대 압력과 색조 간의 변환은 일정하게 유지됨). 환자는 통증을 가장 잘 표현할 수 있는 펜 크기를 선택할 수 있었습니다. 그러나 하나의 고정 크기를 선택하면 향후 더 나은 환자 간 비교가 가능할 수 있습니다. 향후 반복에서 하나의 색상 채널(예: 빨강, 녹색 또는 파랑)을 사용하는 방법을 프로토타이핑하고 펜 압력에 따라 색상의 밝기를 변경하면 RGB에서 HSV 색 공간으로 변환할 때 발생할 수 있는 정밀도 손실을 최소화할 수 있습니다.
기술의 한계
PBD는 환자가 적어도 한쪽 상지에서 충분한 기본 운동 강도와 민첩성을 가지고 있어야 하며, 최소한 손가락의 소근육 운동 능력이 양호하여 독립적으로 다이어그램을 완성하고 압력을 통해 통증 경험을 정확하게 번역할 수 있어야 합니다. NRS 및 MPQ와 같은 표준 통증 지표는 구두 의사 소통을 통해 보조자가 종이나 키보드에 입력할 수 있지만 PBD를 사용한 이러한 수정은 아직 검증되지 않았습니다. PBD는 또한 2차원 그림으로서의 깊이가 부족합니다. 3차원 체형도의 디테일 수준은 통증 정보의 전달을 확장하기 위해 질적으로 입증되었다17. 통증의 깊이를 추가로 특성화하면 NRS, VAS 및 MPQ와 같은 척도에서 검사되지 않은 새로운 통증 정보를 캡처할 수 있습니다. 신체 다이어그램은 현재 더 추상적인 신체화나 더 깊은 형태의 통증을 포착하도록 설계되지 않았습니다. 예를 들어, 환자 4는 통증 위치와 통증 강도가 사용성 조사의 신체 다이어그램에 잘 나타나지 않는다고 스스로 보고했는데, 이는 통증 위치가 자신의 내부 신경병증성 통증을 포착하지 못한다고 느꼈기 때문입니다. 환자 5는 종종 신체 다이어그램에 점선을 그려 신체 내부의 무거움을 나타내는데, 이는 미터법 계산을 혼란스럽게 할 수 있습니다. 향후 PBD 반복은 정량화 가능한 방법으로 통증 또는 내장 통증의 신체화를 나타내도록 확장될 수 있습니다. 마지막으로, PBD는 N-of-1 프레임워크에서 분석되었으며, 각 참가자에 대해 거의 100개의 개별 PBD가 생성되었습니다. 그룹 수준 분석은 전체 참가자 수가 적기 때문에 불가능했습니다. 따라서 NRS 척도에 대한 반응이 앵커링 편향에 직면하여 동일한 NRS 점수가 시험 후 테스트된 동일한 PBD와 동일하지 않을 수 있음을 시사하기 때문에 이 연구에서 테스트-재테스트 신뢰도를 결정할 수 없습니다. 그룹별 분석 설정에서 PBD 메트릭을 평가하고 더 큰 샘플에서 방법의 테스트-재테스트 신뢰도를 평가하기 위한 향후 연구가 필요합니다.
기존 방법과 비교한 방법의 중요성
PBD는 임상 및 연구 환경에서 참가자의 신체 전체의 통증 강도를 입증하는 데 널리 사용되어 왔지만14,15 이 도구는 정성적 특성으로 인해 크게 제한되었습니다. 만성 통증을 종단적으로 추적하기 위해 디지털 통증 매핑이 사용되었지만16 환자는 통증 강도와 위치를 조합된 정확한 기술로 표현할 수 있는 능력이 부족했다. PBD와 통합된 이 새로운 압력-색조 변환은 참가자의 통증 경험을 포착하기 위해 시간 경과에 따라 반복적으로 측정하고 추적할 수 있는 복합 공간 및 정량적 통증 지표를 제공합니다. 여기에서 환자 내 통증 강도와 위치를 차등적으로 반영하는 세 가지 추출된 PBD 지표, 즉 PBD 범위, 총 강도 및 평균 강도는 NRS 강도, VAS 강도, VAS 불쾌감 및 MPQ와 같은 표준화된 통증 측정과 높은 타당성과 일치성을 갖는 것으로 입증되었습니다. 모든 PBD 측정은 환자 5명 중 4명에서 VAS 및 NRS 점수와 상관관계가 있었고 5명 중 3명에서 MPQ와 유의한 상관관계가 있었습니다. 또한, 정보 이론 접근법 28,29,30,31은 보다 일반적인 통계적 방법으로는 감지되지 않는 비선형 관계를 드러냈다. 이 연구에서 환자 5명 중 4명은 PBD 측정치와 NRS, VAS 강도, VAS 불쾌감 및 MPQ 사이에 유의한 MI가 있었으며, 이는 정보 내용에서 유의미하지만 전체는 아니지만 중복되는 것으로 나타났습니다. 따라서 PBD 측정은 표준화된 통증 측정과 매우 일치했지만 PBD 평균은 기존 통증 측정에 존재하지 않는 강도 및 위치 정보의 조합을 반영하는 것으로 나타났습니다.
이 기술의 향후 응용
본 결과는 PBD가 비선형 척도에서 통증을 경험하고 정량화하는 환자에게 특히 적합할 수 있음을 보여줍니다. 언어적 설명이 참가자에게 통증을 평가할 수 있는 또 다른 차원을 제공할 수 있는 것과 유사하게, PBD는 통증에 대한 고유한 그래픽 및 압력 기반 해석을 제공합니다. 새로운 압력-색조 변환을 구현함으로써 신체 다이어그램은 통증 강도의 위치, 확산 및 지역적 변화에 대한 정보를 제공하며, 이는 우리가 아는 한 이전에 입증되지 않았습니다. DBS 임상시험 중에 수집된 신경 데이터와 함께 PBD 메트릭은 다양한 신체 영역의 통증을 다른 뇌 영역으로 국소화하는 강력한 도구가 될 수 있으며 통증 신호 경로에 대한 기계론적 연구에 정보를 제공하는 데 도움이 될 수 있습니다. PBD에 구현된 압력-색조 변환은 많은 임상 및 연구 환경에서 치료에 대한 반응으로 통증 완화를 분석하거나 시간 경과에 따른 통증을 비교하는 데 사용할 수 있습니다. 이 방법은 통증을 평가하기 위해 독특하고 시각적으로 직관적인 다이어그램을 생성할 뿐만 아니라 단일 수치 점수를 넘어 환자의 경험을 정확하게 포착합니다.
The authors have nothing to disclose.
이 연구는 미국 국립보건원(National Institutes of Health)의 UH3-NS115631 보조금으로 자금을 지원받았습니다. 자금 출처는 연구 설계를 승인했지만 연구 실행, 데이터 분석 또는 원고 준비에는 아무런 역할도 하지 않았습니다. 또한 Edward F. Chang 박사, Philip A. Starr 박사 및 연구 참여자에게도 감사드립니다.
Adobe Photoshop v.21.2.1 | Adobe Inc. | N/A | Photo editor application to pre-process pain body diagrams |
Apple Pencil 2nd generation | Apple Inc. | A2051 | Digital pen for pressure-hue transformation |
iPad Pro (11-inch, 2nd generation) | Apple Inc. | MY332LL/A | Touch-sensitive digital tablet |
Pain Body Diagram Template | 123RF | 95218807 | Copyright Use |
Procreate v5.3.1 | Procreate | N/A | Commercially available illustration applicataion |
REDCap v13.2.1 | Vanderbilt University | N/A | Secure web survey and database application |