A Summary of Pain Locations and Neuropathic Patterns Extracted Automatically from Patient Self-Reported Sensation Drawings
Notice bibliographique
Résumé
Background Chronic low-back pain (LBP) is the largest contributor to disability worldwide, yet many assessments still reduce a complex, spatially distributed condition to a single 0–10 score. Body-map drawings capture location and extent of pain, but manual digitization is too slow and inconsistent for large studies or real-time telehealth. Methods Paper pain drawings from 332 adults in the multicenter COMEBACK study (four University of California sites, March 2021–June 2023) were scanned to PDFs. A Python pipeline automatically (i) rasterized PDF pages with pdf2image v1.17.0; (ii) resized each scan and delineated anterior/posterior regions of interest; (iii) registered patient silhouettes to a canonical high-resolution template using ORB key-points, Brute-Force Hamming matching, RANSAC inlier selection, and 3 × 3 projective homography implemented in OpenCV; (iv) removed template outlines via adaptive Gaussian thresholding, Canny edge detection, and 3 × 3 dilation, leaving only patient-drawn strokes; (v) produced binary masks for pain, numbness, and pins-and-needles, then stacked these across subjects to create pixel-frequency matrices; and (vi) normalized matrices with min–max scaling and rendered heat maps. RGB composites assigned distinct channels to each sensation, enabling intuitive visualization of overlapping symptom distributions and for future data analyses. Results Cohort-level maps replicated classic low-back pain hotspots over lumbar paraspinals, gluteal fold, and posterior thighs, while exposing less-recognized clusters along the lateral hip and lower abdomen. Neuropathic-leaning drawings displayed broader leg involvement than purely nociceptive patterns. Conclusions Our automated workflow converts pen-on-paper pain drawings into machine-readable digitized images and heat maps at the population scale, laying practical groundwork for spatially informed, precision management of chronic LBP.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».