编辑推荐：
为解决传统疼痛评估方法的不足，如患者自报疼痛评分需有效沟通、观察者评估资源消耗大且需培训等问题，研究人员开展了基于面部表情变化评估成年患者疼痛强度的研究。通过训练 STA-LSTM 模型，在多疼痛等级分类中取得 0.8660 的多项性能指标，为临床疼痛评估提供新途径。
在医疗领域，疼痛评估是患者护理的重要环节。然而，传统的疼痛评估方法存在诸多问题。患者自我报告的疼痛评分，像数字评分量表（NRS）或视觉模拟量表（VAS），虽然是目前的参考标准，但对于认知功能障碍或无法沟通的患者来说，自我报告疼痛存在困难。而基于观察者的评估方法，需要观察者利用视觉和身体线索来估计疼痛强度，不仅资源消耗大、增加工作量和成本，而且容易受到观察者认知偏差、患者人口统计学和心理因素以及以往疼痛经历的影响，准确性和可重复性欠佳。
为了改善这种状况，新加坡 KK 妇女儿童医院（KK Women’s and Children’s Hospital）、杜克 - 新加坡国立大学医学院（Duke-NUS Medical School）、南洋理工学院（Nanyang Polytechnic）、新加坡总医院（Singapore General Hospital）等机构的研究人员开展了一项关于自动疼痛检测的研究。该研究成果发表在《Scientific Reports》上，具有重要的临床意义。
研究人员采用了多种关键技术方法。首先，在样本采集方面，他们招募了新加坡两家公立医疗机构中接受手术或介入性疼痛治疗的成年患者，收集了患者的人口统计学数据、健康状况问卷和疼痛评分，并使用定制移动应用程序从正面拍摄患者面部表情和身体姿势的视频。其次，在数据处理阶段，将收集的视频修剪为多个 1 秒的片段，并根据观察者的疼痛评级分为无疼痛、轻度疼痛和显著疼痛三个等级，同时利用 MediaPipe 从每个视频帧中提取 468 个面部关键点，并实施 3D 归一化算法处理数据。最后，设计并训练了定制的时空注意力长短期记忆（STA-LSTM）深度学习网络，通过分析面部表情在空间和时间域的变化来检测疼痛水平。
研究结果如下：
- 患者信息及视频收集：共招募 200 名患者，其中女性占 70% 。收集了 2008 个视频，经分类，90.4% 的视频时长被标记为无疼痛，轻度疼痛和显著疼痛的视频时长占比分别为 6.3% 和 3.4% 。由于数据集不平衡，采用自适应步长重采样技术进行平衡处理。
- 模型性能评估：通过区分多色疼痛水平（无疼痛、轻度疼痛、需要临床干预的显著疼痛），STA-LSTM 模型表现出最佳性能，准确率、灵敏度、召回率和 F1 分数均为 0.8660。在二分类疼痛水平（无疼痛与显著疼痛）以及无疼痛和轻度疼痛与显著疼痛的二分类中，模型性能更高。
- 模型应用展示：开发的 STA-LSTM 模型被集成到个人计算机（PC）软件中，能够实时检测不同正面姿势（坐着、站着和移动）患者的疼痛水平，并在 PC 用户界面上显示疼痛水平分布和时间图。
在研究结论和讨论部分，研究人员开发的疼痛识别模型，利用来自手术或介入性疼痛治疗患者的数据集训练 STA-LSTM 网络，在模型验证中实现了超过 85% 的高准确率。与传统疼痛评分系统不同，该研究采用三级疼痛分类，定义 NRS 评分 4 及以上为显著疼痛。虽然成功解决了数据集疼痛严重程度分布不均的问题，但由于样本中男女患者数量不平衡，未对性别差异进行探索。
该研究首次将 STA-LSTM 模型用于面部疼痛识别，与其他深度学习模型相比，STA-LSTM 表现最佳。它通过整合空间和时间注意力机制，能更有效地捕捉与疼痛相关的微妙表情。尽管该模型存在计算需求高、注意力机制可能引入偏差等局限性，但在临床实践中仍具有巨大潜力。
自动疼痛评估平台的使用，有望为沟通能力有限的患者提供更准确、及时的疼痛评估，改善疼痛管理和护理，减少阿片类药物的不良影响，提升患者出院后的疼痛体验，减轻患者和护理人员的心理和社会负担。不过，AI 技术在疼痛评估中的应用也面临责任划分、法规遵循等挑战，需要多利益相关者共同协作。未来，研究人员将继续在不同临床和社区环境中，特别是在非语言患者群体中对模型进行前瞻性验证，并探索将其更好地集成到现有临床工作流程中的方法。
