Kan AI fastställa upplevd smärtnivå genom att övervaka kroppsliga mätvärden eller hjärnaktivitet ?

Hur kan artificiell intelligens översätta kroppssignaler till en realtidsuppskattning av hur mycket smärta en person känner? Forskare har börjat kombinera hjärtslag, hudresponser, ansiktsuttryck och hjärnscanningar med maskininlärning i ett försök att skapa ett objektivt fönster in i subjektivt lidande, särskilt för patienter som inte själva kan beskriva sin smärta.

Background

AI-system för närvarande uppskattar upplevd smärtnivå genom att bearbeta multimodal fysiologisk data såsom hjärtfrekvensvariabilitet, hudkonduktans, ansiktsuttryck och aktivitet i centrala nervsystemet som fångas upp av elektroencefalografi (EEG) eller funktionell magnetresonanstomografi (fMRI) [Nature Biomedical Engineering, 2023]. Dessa processer involverar typiskt övervakade maskininlärningsmodeller som tränats på dataset som parar råa biosignaler med självrapporterade smärtskattningar (t.ex. 0–10 numeriska skattningsskalor) för att lära sig prediktiva samband mellan kroppsliga mätvärden och subjektivt obehag. Studier rapporterar korrelationer mellan biomarkörförändringar och smärtskattningar i både akuta experimentella miljöer och kroniska kliniska kohorter, vilket tyder på en mätbar fysiologisk signatur av smärta som kan kvantifieras även när verbala rapporter saknas. Utmaningar inkluderar påtaglig interindividuell variation (ålder, medicinering, baslinjeautonom tonus), stark kontextberoende (smärttyp, emotionellt tillstånd, miljömässiga triggers) och den oundvikliga subjektiviteten i smärtupplevelsen. Nyligen har därför forskningen betonat tekniker för multimodal fusion, domänanpassning och kausal tolkningsbarhet för att förbättra robusthet och klinisk tillämpbarhet.