Quantifying Pain Location and Intensity with Multimodal Pain Body Diagrams
Notice bibliographique
Résumé
To quantify an individual's subjective pain severity, standardized pain rating scales such as the numeric rating scale (NRS), visual analog scale (VAS), or McGill pain questionnaire (MPQ) are commonly used to assess pain on a numerical scale. However, these scales are often biased and fail to capture the complexity of pain experiences. In contrast, clinical practice often requires patients to report areas of pain by drawing on a body diagram, which is an effective but qualitative tool. The method presented here extracts quantifiable metrics from pain body diagrams (PBDs) which are validated against the NRS, VAS, and MPQ pain scales. By using a novel pressure-hue transformation on a digital tablet, different drawing pressures applied with a digital stylus can be represented as different hues on a PBD. This produces a visually intuitive diagram of hues ranging from green to blue to red, representing mild to moderate to most painful regions, respectively. To quantify each PBD, novel pain metrics were defined: (1) PBD mean intensity, which equals the sum of each pixel's hue value divided by the number of colored pixels, (2) PBD coverage, which equals the number of colored pixels divided by the total number of pixels on the body, and (3) PBD sum intensity, which equals the sum of all pixels' hue values. Using correlation and information theory analyses, these PBD metrics were shown to have high concordance with standardized pain metrics, including NRS, VAS and MPQ. In conclusion, PBDs can provide novel spatial and quantitative information that can be repeatedly measured and tracked over time to comprehensively characterize a participant's pain experience.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».