From Paper to Digital Applications of the Pain Drawing: Systematic Review of Methodological Milestones
Notice bibliographique
Résumé
BACKGROUND: In a pain drawing (PD), the patient shades or marks painful areas on an illustration of the human body. This simple yet powerful tool captures essential aspects of the subjective pain experience, such as localization, intensity, and distribution of pain, and enables the extraction of meaningful information, such as pain area, widespreadness, and segmental pattern. Starting as a simple pen-on-paper tool, PDs are now sophisticated digital health applications paving the way for many new and exciting basic translational and clinical applications. OBJECTIVE: Grasping the full potential of digital PDs and laying the groundwork for future medical PD apps requires an understanding of the methodological developments that have shaped our current understanding of uses and design. This review presents methodological milestones in the development of both pen-on-paper and digital PDs, thereby offering insight into future possibilities created by the transition from paper to digital. METHODS: We conducted a systematic literature search covering PD acquisition, conception of PDs, PD analysis, and PD visualization. RESULTS: The literature search yielded 435 potentially relevant papers, from which 53 methodological milestones were identified. These milestones include, for example, the grid method to quantify pain area, the pain-frequency maps, and the use of artificial neural networks to facilitate diagnosis. CONCLUSIONS: Digital technologies have had a significant influence on the evolution of PDs, whereas their versatility is leading to ever new applications in the field of medical apps and beyond. In this process, however, there is a clear need for better standardization and a re-evaluation of methodological and technical limitations that no longer apply today.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».