Kan AI bestemme en oplevet smertegrad ved at overvåge kropslige mål eller hjerneaktivitet ?

Hvordan kan kunstig intelligens oversætte kropssignaler til et realtidsestimat af, hvor meget smerte en person føler? Forskere er begyndt at kombinere hjerteslag, hudreaktioner, ansigtsmimik og hjerne-scanninger med maskinlæring i et forsøg på at skabe et objektivt vindue ind til subjektiv lidelse, særligt for patienter, der ikke selv kan beskrive deres smerte.

Background

AI-systemer estimerer i øjeblikket oplevede smerteniveauer ved at behandle multimodale fysiologiske data såsom hjerterytmevariabilitet, hudledningsevne, ansigtsudtryk og aktivitet i centralnervesystemet fanget af elektroencefalografi (EEG) eller funktionel magnetisk resonansbilleddannelse (fMRI) [Nature Biomedical Engineering, 2023]. Disse processer involverer typisk overvågede maskinlæringsmodeller, der er trænet på datasæt, der parrer rå biosignaler med selvrapporterede smertevurderinger (f.eks. 0–10 numeriske skalaer) for at lære prædiktive sammenhænge mellem kropslige målinger og subjektivt ubehag. Studier rapporterer korrelationer mellem biomarkørskift og smertevurderinger både i akutte eksperimentelle opsætninger og kroniske kliniske kohorter, hvilket tyder på et målbar fysiologisk smerteaftryk, der kan kvantificeres, selv når verbale rapporter er utilgængelige. Udfordringer omfatter udtalt individuel variation (alder, medicinering, baseline autonom tone), stærk kontekstafhængighed (smerte type, følelsesmæssig tilstand, miljømæssige udløsere) og den uundgåelige subjektivitet i smerteoplevelsen. Seneste forskning lægger derfor vægt på multimodal fusion, domæneadaptation og kausale fortolkelighedsteknikker for at forbedre robusthed og klinisk anvendelighed.