Summary

Quantificando a Localização e a Intensidade da Dor com Diagramas Corporais Multimodais da Dor

Published: July 07, 2023
doi:

Summary

As escalas atuais de dor utilizadas para quantificar a intensidade da dor, como as escalas analógicas visuais, não conseguem captar a complexidade das experiências subjetivas de dor. Os diagramas corporais da dor são qualitativos, mas podem ser mais informativos. O objetivo desse método é extrair métricas quantitativas de diagramas corporais de dor usando novas transformações pressão-matiz.

Abstract

Para quantificar a intensidade subjetiva da dor de um indivíduo, escalas padronizadas de avaliação da dor, como a escala numérica (NRS), a escala analógica visual (EVA) ou o questionário de dor McGill (MPQ) são comumente usadas para avaliar a dor em uma escala numérica. No entanto, essas escalas são frequentemente tendenciosas e não conseguem captar a complexidade das experiências de dor. Em contraste, a prática clínica muitas vezes exige que os pacientes relatem áreas de dor desenhando em um diagrama corporal, que é uma ferramenta eficaz, mas qualitativa. O método aqui apresentado extrai métricas quantificáveis de diagramas corporais de dor (DBPs) que são validados contra as escalas de dor NRS, VAS e MPQ. Usando uma nova transformação de tonalidade de pressão em um tablet digital, diferentes pressões de desenho aplicadas com uma caneta digital podem ser representadas como diferentes matizes em um PBD. Isso produz um diagrama visualmente intuitivo de tons que variam de verde a azul e vermelho, representando regiões leves a moderadas a mais dolorosas, respectivamente. Para quantificar cada DBP, novas métricas de dor foram definidas: (1) intensidade média do PBD, que é igual à soma do valor da tonalidade de cada pixel dividido pelo número de pixels coloridos, (2) cobertura do PBD, que é igual ao número de pixels coloridos dividido pelo número total de pixels no corpo, e (3) intensidade da soma do PBD, que é igual à soma dos valores de matiz de todos os pixels. Usando análises de correlação e teoria da informação, essas métricas de DBP mostraram alta concordância com métricas padronizadas de dor, incluindo NRS, VAS e MPQ. Em conclusão, os PBDs podem fornecer novas informações espaciais e quantitativas que podem ser repetidamente medidas e rastreadas ao longo do tempo para caracterizar de forma abrangente a experiência de dor de um participante.

Introduction

A dor crônica é uma condição neuropsiquiátrica debilitante que afeta mais de 50 milhões de adultos nos Estados Unidos1. No entanto, ferramentas clínicas comuns para rastrear a intensidade subjetiva da dor (como a escala de classificação numérica [NRS] ou a escala analógica visual [EVA]) são reducionistas e não conseguem comunicar a natureza complexa da intensidade dos sintomas de dor abrangendo os domínios somatossensorial, cognitivo ou afetivo 2,3. Rastrear com precisão a intensidade da dor de um indivíduo é fundamental para o diagnóstico de síndromes dolorosas, monitorar a progressão da doença e avaliar a eficácia potencial de terapias, como medicamentos ou estimulação cerebral.

A ferramenta de intensidade de dor da NRS, amplamente utilizada, exige que o sujeito classifique a intensidade da dor como um valor inteiro de 0-10, representando nenhuma dor para a pior dor possível. Embora de fácil aplicação e compreensão, a NRS é limitada pelo viés de ancoragem do respondente, viés de expectativa e interpretação variável de valores individuais 4,5; estes também limitam as comparações entre os participantes. A EVA, uma escala contínua de 0-100, pode reduzir o impacto da ancoragem, mas ainda pode enfrentar limitações semelhantes às da NRS4. Vários estudos têm demonstrado um alto grau de concordância entre a NRS e a EVA para a intensidade da dor lombar crônica6,7 e a prática clínica5, mas as diretrizes de consenso destacam as muitas deficiências de confiar em escalas semelhantes no desenho ou interpretação de ensaios clínicos de dor 8,9. O questionário de dor McGill 2 (MPQ) disseca ainda mais as dimensões somatossensorial e afetiva da dor, utilizando classificações de descritores verbais10, para auxiliar na distinção entre a dimensão sensorial e afetiva da dor11. Embora essas escalas de avaliação de dor sejam comumente usadas para rastrear a intensidade da dor12,13, elas falham em capturar informações topográficas detalhadas, como a localização da dor ou a variação da intensidade entre as regiões do corpo.

Os diagramas corporais da dor (DBP) são um instrumento aberto e livre de avaliação da dor que permite ao respondente ilustrar uma representação visual da localização e intensidade da dor em um contorno esquemático do corpo humano14,15. Os TBPs são uma ferramenta de comunicação eficaz entre os participantes e os profissionais médicos que ajudam a rastrear os sintomas de dor longitudinalmente16. O formato gráfico de forma livre do PBD pode diminuir o viés de ancoragem. Modificações recentes nos TBPs, como a introdução de diagramas corporais específicos por sexo, aumentaram sua eficácia como ferramenta de comunicação ao alinhar a forma corporal visualmente representada com a anatomia do respondente, aumentando a autoidentificação e a precisão da resposta17. Além disso, o uso da cor para significar intensidade tem demonstrado permitir uma comunicação efetiva dos sintomas de dor, superando barreiras culturais e linguísticas. Por exemplo, as cores branco e vermelho foram mais comumente selecionadas para indicar ausência de dor e dor intensa, respectivamente, em uma população de pacientes Hmong18. Embora os PBDs sejam uma ferramenta eficaz19,20, eles têm sido limitados por sua natureza qualitativa.

O uso de PBDs em tablets digitais expandiu substancialmente as ferramentas disponíveis para quantificar a localização e a intensidade da dor. quantificaram a extensão da dor ou o número de pixels desenhados dentro de um TBP de pacientes com dor lombar e cervical crônica e mostraram boa confiabilidade teste-reteste e correlação significativa com medidas da EAV21. Diagramas corporais também têm sido analisados para criar mapas de frequência de dor para mostrar as áreas do corpo mais a menos dolorosas21,22. Embora esses métodos quantifiquem informações espaciais sobre a dor, até o momento, nenhum método incorporou a intensidade e a localização da dor em métricas compostas.

O protocolo a seguir demonstra um método para obter PBDs coloridos novos, visualmente intuitivos e extrair três métricas quantitativas que, juntas, refletem um composto de informações de intensidade e localização da dor. Para isso, cinco participantes submetidos a um ensaio de pesquisa de estimulação cerebral profunda (EEP) para dor neuropática crônica refratária foram selecionados para testar a abordagem atual, usando um desenho de estudo N-de-123. Os participantes foram instruídos a relatar a intensidade de seus sintomas de dor momentânea aplicando níveis variados de pressão da caneta em uma aplicação de ilustração de tablet para produzir tons de cor que correspondessem a diferentes intensidades de dor em diferentes locais do corpo. As métricas de cobertura, intensidade da soma e intensidade média derivadas do PBD foram comparadas com métricas de dor validadas mais comuns (i.e., NRS, VAS e MPQ) usando análises estatísticas e de informações mútuas (IM).

Durante uma internação de 10 dias, os pacientes submetidos à avaliação completaram DBPs (média ± desvio padrão (DP) = 121,8 ± 34,3 DBPs por paciente; variação de 84-177; 609 DBPs no total), além de escalas de dor validadas, como NRS, VAS e MPQ várias vezes ao dia. Os PBDs foram coletados por meio de um aplicativo de tablet e enviados como arquivos com carimbo de data/hora para servidores de pesquisa seguros quando concluídos. A intensidade da dor NRS, VAS e MPQ foram adquiridas utilizando ferramentas de pesquisa REDCap, uma aplicação web segura. Tanto as pesquisas quanto os PBDs foram administrados pessoalmente por assistentes de pesquisa para garantir que os pacientes recebessem a assistência necessária para completar suas avaliações com precisão. As etapas a seguir detalham a configuração do DBP, a instrução dos participantes, a coleta de dados e a análise do PBD usados para quantificar a dor de forma confiável (Figura 1).

Protocol

Este protocolo PBD foi implementado em um protocolo de ensaio clínico pai (NCT03029884), aprovado pelo Programa de Proteção à Pesquisa em Seres Humanos da UCSF e pelo FDA. Cada participante (3 mulheres e 2 homens, faixa etária: 51-67 anos) assinou o termo de consentimento livre e esclarecido; foram recrutados no centro de tratamento da dor da UCSF ou encaminhados por médicos nos Estados Unidos. 1. Configuração do diagrama do corpo da dor Critérios de inclusão dos pacientes: Incluir participantes com os seguintes diagnósticos de dor: várias etiologias de dor neuropática, incluindo dor pós-AVC central (2 pacientes) e doença neurodegenerativa da coluna vertebral com dor radicular (1 paciente), síndrome dolorosa regional complexa (1 paciente) e lesão medular (1 paciente). Todos os participantes concluíram o ensino superior. Importe um modelo PBD apropriado ao gênero (Figura 1 Suplementar), exibindo as superfícies do corpo frontal e traseira, para um aplicativo de ilustração que contenha uma ferramenta de desenho sensível à pressão em um tablet digital sensível ao toque. Baixe o modelo PBD para a biblioteca de fotos do tablet e clique no botão Importar . Crie uma nova camada sobre o modelo PBD clicando no ícone Camadas seguido do botão + para o participante desenhar. Isso resulta em duas camadas, uma com o PBD e outra a ser desenhada com cores indicativas de dor. Crie um novo pincel com uma curva de transformação x=y de pressão para matiz clicando primeiro no ícone Biblioteca de pincéis e, em seguida, em + para abrir o estúdio de pincéis. Clique no botão chamado Dinâmica de cores e, em seguida, role para baixo até a seção de pressão de cor. Para o controle deslizante de matiz, clique na Porcentagem Numérica para garantir que o gráfico de transformação de pressão visualize uma linha reta de 45°.Observação : clicar duas vezes no gráfico fornecerá a opção para redefinir o gráfico para o gráfico x=y reto. Para definir o intervalo de gradiente de matiz de verde a azul e vermelho, ajuste o controle deslizante de matiz sob a seção de pressão de cor clicando no Número de porcentagem listado e inserindo um valor numérico de 81%.Observação : outra maneira de fazer isso é inserir limites hexadecimais de #008000 para #FF0000 se o aplicativo permite a entrada manual de hexacódigos. Selecione um tamanho de caneta que atenda às necessidades dos participantes do estudo ajustando o controle deslizante da ferramenta de caneta. Um tamanho de caneta de 30% é um bom tamanho inicial para a maioria dos participantes. 2. Instruções aos participantes Descreva a anatomia do PBD e a orientação dos modelos corporais no modo retrato, as ferramentas de desenho e apagamento, o pinçamento tátil para zoom e a funcionalidade de movimento panorâmico para o paciente. Explique a transformação linear pressão-tonalidade aos participantes da seguinte maneira: informe aos participantes que o aumento da pressão aplicada à caneta resultará em tons que mudam de verde para azul para vermelho, que devem ser coloridos no diagrama para representar a intensidade da dor leve a moderada a intensa em qualquer local, respectivamente. Usando o método de ensino-volta24, confirme a compreensão do participante sobre a tarefa de DBP, pedindo-lhe que explique como preencher o diagrama usando suas próprias palavras. Permita aos participantes pelo menos 15 minutos de tempo de prática para desenhar vários PBDs em uma superfície plana para garantir uma representação precisa da localização e intensidade da dor. Permita que quaisquer ajustes sejam feitos para maximizar a usabilidade. Revise os PBDs imediatamente após com cada participante para garantir a consistência e que as cores sejam desenhadas conforme pretendido. 3. Coleta e pré-processamento de dados Peça aos participantes que completem os PBDs durante a linha de base ou em vários momentos após algum tratamento ou intervenção. Permita um tempo aberto para a conclusão de cada PBD para que cada mapa possa ser preenchido para a satisfação do participante. Salve PBDs preenchidos com um nome de arquivo padronizado contendo ID do paciente, bem como data e hora em que o PBD foi concluído.Observação : esses arquivos são salvos temporariamente no dispositivo tablet. Exportação em massa de PBDs concluídos no formato de documento portátil (.PDF) ou no formato de arquivo de documento do photoshop (.PSD) que retém camadas de imagem para pré-processamento. Para exportar em massa, primeiro clique no ícone Selecionar para escolher as imagens desejadas e, em seguida, clique em Compartilhar para abrir um menu de formatos de imagem para exportação. Clique no arquivo de formato escolhido.Observação : arquivos exportados são carregados em um servidor de pesquisa seguro. Baixe PBDs e abra em um editor de imagens baseado em raster. Isole os pixels coloridos de interesse da camada superior do arquivo PBD adicionando duas camadas de máscara: uma camada completamente preta abaixo da camada colorida e uma camada de máscara preta para excluir pixels fora do contorno do corpo do modelo acima da camada colorida. Isso resultará em PBDs processados que contêm apenas os pixels coloridos dentro do contorno do corpo em um plano de fundo preto (Figura 1). Exporte os PBDs processados como arquivos gráficos de rede portáteis (.png) clicando e selecionando a seguinte sequência de botões: Arquivo > Exportar > Exportar como > PNG > Exportar. 4. Quantificação de PBD Converta cada valor de pixel no PBD do espaço de cores RGB (vermelho, verde, azul) em espaço de cores HSV (matiz, saturação, valor) usando o OpenCV225, um pacote Python disponível publicamente. Extraia o valor de matiz para cada pixel executando os scripts python intitulados rgba2hsv(filename) (Supplementary Coding File 1) e measure_SAnoblur(filename, sigma-1.0) (Figura 1).Observação : esses scripts quantificam e ajustam valores de matiz para criar uma escala de matiz contínua de 0-139,5. Os valores de HSV no OpenCV2 variam de 0-179. O verde mais claro, que representa a menor intensidade de dor, corresponde ao valor de matiz de 39,5. Alguns tons vermelhos correspondem a valores entre 0-10. As cores amarela e laranja que correspondem a valores de matiz entre 10-39,5 não são usadas pela ferramenta caneta. Os valores de tonalidade vermelha de 0-10 são reatribuídos a 179 para representar corretamente a maior intensidade de dor. A escala de matiz varia de 39,5 a 179 após esse ajuste. Em seguida, subtrai-se 39,5 de cada valor de matiz para que a escala final varie de 0 a 139,5. Calcule e normalize as três métricas PBD executando o script Python intitulado quantifypain(filename) (Supplementary Coding File 1).O script calcula cada métrica conforme descrito abaixo.Cobertura PBD: Divida o número de pixels coloridos pelo número total de pixels disponíveis no diagrama de corpo. O intervalo para o número de pixels coloridos para mulheres é de 0 a 820.452 pixels (pixels totais) e o intervalo para homens é de 0 a 724.608 pixels (pixels totais). Intensidade da soma PBD: adicione os valores de matiz para todos os pixels no diagrama de corpo. O intervalo para a soma dos valores de matiz para as fêmeas é de 0 a 114.453.054 e o intervalo para os machos é de 0 a 101.082.816. Intensidade média PBD: Divida a soma de todos os valores de matiz pelo número total de pixels coloridos. Use o script para normalizar todas as medidas PBD em uma escala de 0 a 100 seguindo os cálculos descritos abaixo.Cobertura PBD: Multiplique a cobertura PBD por 100. Soma PBD: Divida a intensidade da soma PBD pela intensidade máxima da soma PBD e multiplique por 100. A intensidade máxima da soma PBD é igual ao número total de pixels no diagrama corporal multiplicado por 139,5 (ou seja, para as mulheres, é de 820.452 pixels multiplicado por 139,5, o que equivale a 114.453.054; para os homens, é de 724.608 pixels multiplicado por 139,5, o que equivale a 101.082.816). Média do PBD: Divida a intensidade média do PBD pelo valor máximo de matiz de 139,5 e multiplique por 100. Repita as etapas 4.1 e 4.2 para processar cada arquivo PBD (com extensão .png). Compile as saídas em uma planilha para executar análises adicionais.

Representative Results

A média, a soma e a cobertura do TBP fornecem exclusivamente informações sobre as respostas à dor não capturadas em outras escalas padronizadas de dor. Entre os dois PBDs (Figura 2A,B), a média da intensidade da dor é idêntica (média do PBD = 79,6). O aumento da cobertura e da somatória, no entanto, revela a maior dispersão espacial da dor e a intensidade total da dor, respectivamente, que diferenciam os dois TBPs (Figura 2B). Para quantificar com precisão a dor usando essas métricas, os pesquisadores devem evitar os seguintes erros comuns de configuração do PBD (Figura 2C). Espessura de caneta excessivamente grande e elementos estranhos fora do contorno do corpo, como regiões circulares do corpo ou descritores escritos, não serão capturados no processamento PBD. Da mesma forma, uma caneta branca usada para remover a cor em vez da ferramenta de borracha distorcerá as métricas do PBD. A prática e a instrução reforçada capacitarão os pacientes a criar DBPs precisas e quantificáveis que revelem variabilidade na intensidade e distribuição da dor. As métricas do PBD foram validadas contra a NRS, EVA e MPQ (Figura 3B; Figura Suplementar 2) e pontuaram alto em usabilidade (Figura Suplementar 1 e Figura Suplementar 2). Métricas de DBP correlacionadas com métricas de dor padrãoAs métricas de DBP foram correlacionadas com a NRS, EVA e MPQ para a maioria dos pacientes (Figura 3A, Figura Suplementar 1A,B). Em quatro dos cinco pacientes, a soma, a cobertura e a média do TBP foram correlacionadas com a EVA e a EN (correlação de Spearman, rs = 0,33-0,72, p < 0,004, Tabela Suplementar 1). Para três dos cinco participantes, as métricas de DBP também foram significativamente correlacionadas com os escores do MPQ (correlação de Spearman, rs = 0,38-0,53, p < 0,004, Tabela Suplementar 1). No entanto, o paciente 4 não mostrou correlações significativas entre as métricas de DBP e os escores padrão de dor. Além disso, caracterizamos as relações não lineares entre o PBD e as métricas padrão usando análises da teoria da informação (Figura 2 Suplementar). As métricas PBD evitam a ancoragem de resposta e compartilham informações mútuas com métricas de dor padrãoAs métricas PBD continham mais informações (i.e., entropia) do que a NRS. Entre os pacientes, a NRS continha menos informações (2,32 ± 0,37 bits) em comparação com intensidade de EVA, desconforto da EVA, total de MPQ, soma de PBD, cobertura de PBD e média de PBD (3,21 ± 0,49 bits, 3,20 ± 0,31 bits, 3,16 ± 0,23 bits, 3,06 ± 0,32 bits, 3,34 ± 0,16 bits, 3,22 ± 0,39 bits, respectivamente; Figura Suplementar 2). Isso foi confirmado com ANOVA one-way para medidas repetidas (F(4,1) = 12,10 , p < 0,05) e teste t de Tukey para comparações individuais (todos p < 0,05). Isso mostra que as métricas PBD tiveram menos ancoragem de resposta do que a NRS. O PBD foi posteriormente validado contra métricas estabelecidas por meio de análises de informações mútuas (teste de permutação, α=0,05). Em quatro dos cinco pacientes, as métricas de DBP compartilharam significativamente IM com a NRS, intensidade da EVA, desagradável da EVA e MPQ (p < 0,05, Figura 3B). Em contraste, as métricas de DBP do paciente 4 não compartilharam significativamente a IM com as métricas estabelecidas. Uma vez que a NRS continha o mínimo de informações entre os pacientes (Figura 2 Suplementar), isso sugere que a NRS falhou em capturar nuances na experiência de dor que foram capturadas pelo PBD. Em todos os pacientes, a NRS compartilhou IM significativo com intensidade da EVA, desagradável da EVA e MPQ, enquanto a soma da DBP compartilhou IM com cobertura da DBP e média da DBP (p < 0,05, Figura 3B). Em conjunto, para a maioria dos pacientes, as métricas de DBP compartilharam IM com métricas de dor estabelecidas. Os PBDs foram fáceis de usar para a maioria dos participantesNo estudo, quatro dos cinco pacientes acharam o TBP fácil de usar e refletir com precisão sua dor (Tabela Suplementar 2). No entanto, o paciente 4 relatou que o TBP era difícil de usar (5 em uma escala tipo Likert de 5 pontos). Isso ocorre principalmente porque eles têm dor visceral profunda – que não é bem capturada em um PBD 2-dimensional (2D). Embora os pacientes tenham variado em sua familiaridade com os TBPs (2,8 ± 1,2, variação de 1 a 4, escala Likert de 5 pontos), todos eles usaram eletrônicos comparáveis diariamente (5,0 ± 0,0, Escala Likert de 5 pontos) e acharam o TBP amigável (5,2 ± 0,4, intervalo 5-6, escala Likert de 6 pontos). Gráfico 1. Fluxo de trabalho de análise do diagrama do corpo da dor (PBD). Os pacientes desenharam em modelos de DBP em branco para representar a localização e a intensidade da dor. Os PBDs completos continham matizes que variavam de verde, azul e vermelho, representando regiões de dor leve a moderada a intensa, respectivamente. Os PBDs foram mascarados para incluir apenas pixels dentro do contorno do corpo e, em seguida, o molde foi removido para isolar apenas pixels contendo matizes. A partir dos PBDs, foram calculados a cobertura do PBD (%), a intensidade da soma (normalizada para 0-100) e a intensidade média (normalizada para 0-100). Para a cobertura PBD, o número de pixels coloridos foi primeiramente dividido pelo número total de pixels dentro do diagrama (820.452 pixels para mulheres, 724.608 pixels para homens), depois multiplicado por 100. Para a intensidade da soma da DBP, os valores de matiz para todos os pixels no diagrama corporal foram primeiramente somados (faixa feminina: 0-114.453.054; variação: 0-101.082.816). A soma foi então dividida pela intensidade máxima da soma do PBD (mulheres: 820.452 pixels multiplicadas pelo valor máximo de matiz 139,5, homens: 724.608 pixels por 139,5) e multiplicada por 100. Para a intensidade média do PBD, a soma de todos os valores de matiz foi dividida pelo número total de pixels coloridos, em seguida, normalizada dividindo-se pelo valor de matiz máximo de 139,5. Clique aqui para ver uma versão maior desta figura. Gráfico 2. PBDs representativos mostrando exemplos de PBDs bons e ruins. (A,B) Bons PBDs mostram a utilidade do cálculo de 3 métricas de dor. (C) Exemplos de PBD ruim incluem tamanho de caneta excessivamente grosso, elementos estranhos fora do diagrama corporal e apagamento impreciso. Clique aqui para ver uma versão maior desta figura. Gráfico 3. As métricas de DBP foram validadas em relação às métricas padrão de dor por meio da correlação de Spearman e da análise de informações mútuas. (A) Intensidade da EVA e soma da DBP plotadas com linhas lineares de melhor ajuste traçadas para cada paciente. (B) Dados em nível de grupo mostrando a média de informações mútuas (IM) entre cada métrica de dor, com IM indicada por barra de cores à direita. O texto em cada caixa representa o número de pacientes com IM estatisticamente significante para uma determinada comparação pareada (por exemplo, 3/5 indica 3 pacientes com valores significativos). A IM é apresentada pela IM observada dividida pela IM máx teórica. Abreviaturas: NRS=escala de classificação numérica; intensidade da EVA = intensidade da escala analógica visual; EVA unpl. = desagradável de dor na escala analógica visual, MPQ=questionário de dor de McGill de forma curta 2; PBD=diagrama do corpo da dor; PBD cov. = cobertura de PBD, IM = informação mútua, sig. Clique aqui para ver uma versão maior desta figura. Figura suplementar 1. A média da DBP (A) e a cobertura da DBP (B) foram plotadas contra a intensidade da EVA com linhas lineares de melhor ajuste traçadas para cada paciente. Abreviações: EAV=escala analógica visual; PBD=diagrama corporal da dor. Clique aqui para baixar este arquivo. Figura Suplementar 2. Entropia por dor métrica entre pacientes. Em nível de grupo, a intensidade da NRS apresentou entropia menor do que qualquer outra métrica de dor, como mostrado por uma ANOVA one-way para medidas repetidas seguida pelo teste post-hoc de Tukey para comparações específicas * = p < 0,05 , ** = p < 0,001. Abreviaturas: NRS=escala de classificação numérica; EAV=escala analógica visual; MPQ=questionário de dor McGill; PBD=diagrama corporal da dor. Clique aqui para baixar este arquivo. Tabela Complementar 1. Correlações de Spearman entre métricas de DBP e medidas padrão de dor autorrelatadas. Coeficientes de correlação de Spearman (rho) para três métricas extraídas da DBP contra medidas de dor NRS, VAS e MPQ. Abreviaturas: NRS=escala de classificação numérica; EAV=escala analógica visual; MPQ=questionário de dor McGill; PBD=diagrama corporal da dor. Clique aqui para baixar este arquivo. Tabela Complementar 2. As impressões dos pacientes sobre o preenchimento de um PBD foram reveladas por meio de perguntas específicas para PBD e modificadas pela escala de usabilidade do sistema. As questões da escala de usabilidade modificada alternaram-se em afirmativas positivas e negativas e foram classificadas em uma escala de 5 pontos (1=concordo totalmente, 5=discordo totalmente). Abreviação: PBD=diagrama do corpo da dor. Clique aqui para baixar este arquivo. Arquivo de codificação suplementar 1: script Python para métricas PBD. O código python anotado processa um arquivo PNG de diagrama de corpo de dor e gera valores de média, cobertura e soma PBD para cada arquivo. O script também inclui instruções de importação para baixar os pacotes necessários para que o programa seja executado. Clique aqui para baixar este arquivo. Arquivo Suplementar 1: Arquivo suplementar para detalhes metodológicos. Clique aqui para baixar este arquivo.

Discussion

Etapas críticas dentro do protocolo
As principais etapas incluem: configuração do PBD, instrução do paciente e pré-processamento. Para a configuração do PBD, cada PBD específico de gênero deve visualizar uma visão frontal e traseira26 e ser sobreposto com uma camada vazia em um aplicativo de ilustração para isolar os valores de matiz. Além disso, o tamanho da caneta deve atender às necessidades de ilustração dos pacientes e gradientes de matiz devem ser definidos para analisar quantitativamente os PBDs. A instrução do paciente e a compreensão da ferramenta são fundamentais para dados confiáveis. Deve ser atribuído tempo suficiente para que os participantes pratiquem a implementação da ferramenta no PBD. Use o método de retorno de ensino para confirmar a compreensão do participante sobre tarefas e pesquisas periodicamente durante o teste, aproximadamente uma vez a cada 10 PBDs. Para acompanhar os PBDs individuais, também é uma boa ideia nomear cada arquivo com um título exclusivo e carimbo de data/hora após a conclusão. Após a coleta de dados, cada métrica PBD poderia ser extraída usando scripts Python27 (consulte Arquivo de codificação suplementar 1). As medidas de cobertura de DBP, intensidade de soma e intensidade média podem ser repetidas antes e depois de qualquer tratamento ou intervenção para rastrear as respostas de dor dentro do paciente. Para extrair essas métricas, um pesquisador não diretamente envolvido na coleta de dados, deve sobrepor camadas de máscara preta para isolar apenas cores desenhadas dentro do contorno do corpo e, em seguida, calcular valores de pixel HSV usando código de software personalizado fornecido como Arquivo Suplementar 1.

Modificações e solução de problemas na técnica
As etapas metodológicas foram refinadas durante a coleta de dados do paciente 1. Isso inclui dar mais tempo para que os pacientes se familiarizem com o controle da sensibilidade à pressão da caneta, configurar corretamente camadas de diagrama corporal para posterior mascaramento e análise, limitar o uso de símbolos ou palavras em PBDs e ajustar a sensibilidade absoluta à pressão da caneta de acordo com a força e destreza de cada participante (embora a transformação entre pressão relativa e matiz tenha permanecido constante). Os pacientes foram autorizados a selecionar o tamanho da caneta para melhor representar sua dor; no entanto, a seleção de um tamanho fixo pode permitir melhores comparações futuras entre pacientes. Em iterações futuras, a prototipagem de um método que usa um canal de cor (por exemplo, vermelho, verde ou azul) e a variação da luminosidade da cor com base na pressão da caneta podem minimizar a possível perda de precisão ao converter do espaço de cores RGB para HSV.

Limitações da técnica
Os TBPs exigem que os pacientes tenham força motora basal e destreza suficientes em pelo menos um membro superior com boa habilidade motora fina nos dedos, no mínimo, para completar diagramas de forma independente e traduzir com precisão sua experiência de dor por meio de pressão. Embora as métricas de dor padrão, como NRS e MPQ, possam ser inseridas em papel ou teclado por um assistente por meio de comunicação verbal, essa modificação com PBDs ainda não foi validada. Os PBDs também carecem de profundidade como ilustração bidimensional. O nível de detalhamento em um diagrama corporal tridimensional foi demonstrado qualitativamente para ampliar a comunicação de informações sobre dor17. Caracterizar melhor a profundidade da dor pode capturar novas informações de dor não examinadas em escalas como a NRS, EVA e MPQ. Os diagramas corporais não são atualmente projetados para capturar somatização mais abstrata ou formas mais profundas de dor. Por exemplo, o paciente 4 autorrelatou que a localização e a intensidade da dor não estavam bem caracterizadas pelo diagrama corporal na pesquisa de usabilidade, pois sentia que não captavam sua dor neuropática interna. O paciente 5 frequentemente desenhava linhas pontilhadas em diagramas corporais para indicar peso dentro de seu corpo, o que pode confundir os cálculos métricos. Futuras iterações de PBDs poderiam ser expandidas para representar a somatização da dor ou dor visceral em um método quantificável. Finalmente, os PBDs foram analisados em uma estrutura N-of-1, onde cerca de 100 PBDs separados foram gerados para cada participante. As análises em nível de grupo não foram possíveis devido ao pequeno número de participantes em geral. Portanto, a confiabilidade teste-reteste não pôde ser determinada neste estudo, uma vez que as respostas às escalas da NRS enfrentam viés de ancoragem, sugerindo que os mesmos escores da NRS podem não ser equivalentes aos mesmos PBDs testados após o ensaio. Pesquisas futuras serão necessárias para avaliar as métricas de DBP em um cenário de análise por grupo e a confiabilidade teste-reteste do método em uma amostra maior.

Importância do método em relação aos métodos existentes
Os TBPs têm sido amplamente utilizados em ambientes clínicos e de pesquisa para demonstrar a intensidade da dor de um participante em todo o corpo14,15, mas essa ferramenta permaneceu amplamente limitada por sua natureza qualitativa. Embora o mapeamento digital da dor tenha sido usado para rastrear longitudinalmente a dor crônica16, os pacientes não tinham a capacidade de representar a intensidade e a localização da dor em uma técnica combinada e precisa. Essa nova transformação pressão-matiz incorporada com PBDs fornece métricas de dor espaciais e quantitativas compostas que podem ser repetidamente medidas e rastreadas ao longo do tempo para capturar a experiência de dor de um participante. Aqui, três métricas extraídas do TBP que refletiam diferencialmente a intensidade e a localização da dor dentro de um paciente, ou seja, cobertura de DBP, intensidade da soma e intensidade média, demonstraram ter alta validade e concordância com medidas padronizadas de dor, como intensidade da NRS, intensidade da EVA, desagradável da EVA e MPQ. Todas as medidas de DBP foram correlacionadas com os escores EVA e NRS em quatro de cinco pacientes e significativamente correlacionadas com o MPQ em três de cinco. Além disso, a abordagem da teoria da informação 28,29,30,31 revelou relações não lineares que não foram detectadas com os métodos estatísticos mais comuns. No estudo, quatro dos cinco pacientes apresentaram IM significativo entre as medidas de TBP e EN, intensidade da EVA, desagradável da EVA e QMP, demonstrando sobreposição significativa, mas não total, no conteúdo das informações. Assim, as medidas de DBP foram altamente concordantes com medidas padronizadas de dor, mas a média da DBP pareceu refletir uma combinação de informações de intensidade e localização que não estava presente nas métricas convencionais de dor.

Aplicações futuras desta técnica
Nossos resultados demonstram que os TBP podem ser especialmente apropriados para pacientes que experimentam e quantificam sua dor em uma escala não linear. Da mesma forma que os descritores verbais podem fornecer outra dimensão para os participantes avaliarem a dor, os PBDs fornecem uma interpretação gráfica e baseada em pressão única de sua dor. Ao implementar uma nova transformação pressão-matiz, os diagramas corporais fornecem informações sobre a localização, a dispersão e a variação regional na intensidade da dor, o que, até onde sabemos, não foi demonstrado antes. Juntamente com dados neurais coletados durante qualquer ensaio DBS, as métricas PBD podem ser uma ferramenta poderosa na localização da dor em diferentes regiões do corpo para diferentes regiões do cérebro e ajudar a informar estudos mecanísticos sobre as vias de sinalização da dor. A transformação pressão-matiz implementada em PBDs pode ser usada em muitos cenários clínicos e de pesquisa para analisar o alívio da dor em resposta ao tratamento ou comparar a dor ao longo do tempo. Esse método não apenas produz diagramas únicos e visualmente intuitivos para avaliar a dor, mas também captura com precisão a experiência do paciente além de um escore numérico singular.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este estudo foi financiado pelo National Institutes of Health grant UH3-NS115631 to PS. As fontes de financiamento aprovaram o desenho do estudo, mas não tiveram nenhum papel na execução do estudo, análise de dados ou preparação do manuscrito. Agradecemos também ao Dr. Edward F. Chang, ao Dr. Philip A. Starr e aos participantes do nosso estudo.

Materials

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

References

  1. Yong, R. J., Mullins, P. M., Bhattacharyya, N. Prevalence of chronic pain among adults in the United States. Pain. 163 (2), e328-e332 (2022).
  2. Shirvalkar, P., Veuthey, T. L., Dawes, H. E., Chang, E. F. Closed-Loop Deep Brain Stimulation for Refractory Chronic Pain. Frontiers in Computational Neuroscience. 12, 18 (2018).
  3. Bittar, R. G., et al. Deep brain stimulation for pain relief: A meta-analysis. Journal of Clinical Neuroscience. 12 (5), 515-519 (2005).
  4. Wewers, M. E., Lowe, N. K. A critical review of visual analogue scales in the measurement of clinical phenomena. Research in Nursing & Health. 13 (4), 227-236 (1990).
  5. Price, D. D., Bush, F. M., Long, S., Harkins, S. W. A comparison of pain measurement characteristics of mechanical visual analogue and simple numerical rating scales. Pain. 56 (2), 217-226 (1994).
  6. Shafshak, T. S., Elnemr, R. The Visual Analogue Scale Versus Numerical Rating Scale in Measuring Pain Severity and Predicting Disability in Low Back Pain. JCR: Journal of Clinical Rheumatology. 27 (7), 282-285 (2021).
  7. Strong, J., Ashton, R., Chant, D. Pain Intensity Measurement in Chronic Low Back Pain. The Clinical Journal of Pain. 7 (3), 209 (1991).
  8. Smith, S. M., et al. Interpretation of chronic pain clinical trial outcomes: IMMPACT recommended considerations. Pain. 161 (11), 2446 (2020).
  9. Dworkin, R. H., Kerns, R. D., McDermott, M. P., Turk, D. C., Veasley, C. The ACTTION guide to clinical trials of pain treatments, part II: mitigating bias, maximizing value. Pain Reports. 6 (1), e886 (2021).
  10. Melzack, R. The McGill Pain Questionnaire: Major properties and scoring methods. Pain. 1 (3), 277-299 (1975).
  11. Gracely, R. H., McGrath, P., Dubner, R. Validity and sensitivity of ratio scales of sensory and affective verbal pain descriptors: Manipulation of affect by diazepam. Pain. 5 (1), 19-29 (1978).
  12. Williamson, A., Hoggart, B. Pain: a review of three commonly used pain rating scales. Journal of Clinical Nursing. 14 (7), 798-804 (2005).
  13. Main, C. J. Pain assessment in context: a state of the science review of the McGill pain questionnaire 40 years on. Pain. 157 (7), 1387-1399 (2016).
  14. Schott, G. D. The cartography of pain: The evolving contribution of pain maps. European Journal of Pain. 14 (8), 784-791 (2010).
  15. Palmer, H. Pain charts; a description of a technique whereby functional pain may be diagnosed from organic pain. The New Zealand Medical Journal. 48 (264), 187-213 (1949).
  16. Villa, M. G., Palsson, T. S., Royo, A. C., Bjarkam, C. R., Boudreau, S. A. Digital Pain Mapping and Tracking in Patients With Chronic Pain: Longitudinal Study. Journal of Medical Internet Research. 22 (10), e21475 (2020).
  17. Egsgaard, L. L., Christensen, T. S., Petersen, I. M., Brønnum, D. S., Boudreau, S. A. Do Gender-Specific and High-Resolution Three Dimensional Body Charts Facilitate the Communication of Pain for Women? A Quantitative and Qualitative Study. JMIR Human Factors. 3 (2), e19 (2016).
  18. Lor, M., Rabago, D., Backonja, M. Evaluation of the Use of Colors and Drawings for Pain Communication for Hmong Patients. Pain Management Nursing. 22 (6), 811-819 (2021).
  19. Sehgal, N., Gordon, D. B., Hetzel, S., Backonja, M. 34;Misha" Colored pain drawing as a clinical tool in differentiating neuropathic pain from non-neuropathic pain. Pain Medicine. 22 (3), 596-605 (2021).
  20. Takata, K., Hirotani, H. Pain drawing in the evaluation of low back pain. International Orthopaedics. 19 (6), 361-366 (1995).
  21. Barbero, M., et al. Test-retest reliability of pain extent and pain location using a novel method for pain drawing analysis. European Journal of Pain. 19 (8), 1129-1138 (2015).
  22. Dixit, A., Lee, M. Quantification of Digital Body Maps for Pain: Development and Application of an Algorithm for Generating Pain Frequency Maps. JMIR Formative Research. 6 (6), e36687 (2022).
  23. Borsook, D., Upadhyay, J., Hargreaves, R., Wager, T. Enhancing choice and outcomes for therapeutic trials in chronic pain: N-of-1+ imaging (+ i). Trends in Pharmacological Sciences. 41 (2), 85-98 (2020).
  24. Weiss, B. D. Help patients understand. Manual for Clinicians. AMA Foundation. , (2007).
  25. Bradski, G. The OpenCV Library. Dr. Dobb’s Journal of Software Tools. (120), 122-125 (2000).
  26. . Male And Female Body Front And Back View. Blank Human Body Template For Medical Infographic. Isolated Vector Illustration. Royalty Free SVG, Cliparts, Vectors, And Stock Illustration. Image 95218807. 123RF. , (2023).
  27. Van Rossum, G., Drake, F. L. . Python 3 Reference Manual. , (2009).
  28. Shannon, C. E. A mathematical theory of communication. The Bell System Technical Journal. 27 (3), 379-423 (1948).
  29. Timme, N. M., Lapish, C. A Tutorial for Information Theory in Neuroscience. eNeuro. 5 (3), 0052-0018 (2018).
  30. Cohen, M. X. . Analyzing Neural Time Series Data: Theory and Practice. , (2014).
  31. Freedman, D., Diaconis, P. On the histogram as a density estimator:L 2 theory. Zeitschrift for Wahrscheinlichkeitstheorie und Verwandte Gebiete. 57 (4), 453-476 (1981).

Play Video

Cite This Article
Kwong, J., Lin, J., Leriche, R., Wozny, T. A., Shaughnessy, A., Schmitgen, A., Shirvalkar, P. Quantifying Pain Location and Intensity with Multimodal Pain Body Diagrams. J. Vis. Exp. (197), e65334, doi:10.3791/65334 (2023).

View Video