研究量化「痛覺感知」可助改善手術疼痛管理 | 麻省理工學院新聞

手術中的疼痛管理

手術病人的疼痛感受，或稱為「痛覺感知」，如果沒有得到麻醉醫師的妥善管理，會直接影響病人在手術後的藥物副作用和需要的疼痛管理程度。即使病人清醒，測量疼痛也是一件主觀的事情，更何況在病人失去意識的情況下。

新研究的發現

在《美國國家科學院院刊》上發表的一項新研究中，麻省理工學院 (MIT) 和麻省總醫院 (MGH) 的研究人員描述了一組統計模型，這些模型能夠客觀地量化手術中的痛覺感知。他們希望能幫助麻醉醫師優化藥物劑量，減少手術後的疼痛和副作用。

研究方法

這些新模型整合了在麻省總醫院進行的101次腹部手術中，精確記錄的18,582分鐘的數據。研究由加州大學伯克利分校和加州大學舊金山分校的助理教授Sandya Subramanian博士領導。研究團隊收集並分析了五個生理傳感器的數據，病人在手術中經歷了49,878次不同的「痛覺刺激」（例如切口或燒灼）。此外，團隊還記錄了施用的藥物、劑量和時間，以考慮這些藥物對痛覺感知或心血管指標的影響。他們利用所有數據開發了一組統計模型，能夠有效地回顧病人對痛覺刺激的反應。

研究的目標

研究團隊的目標是為麻醉醫師提供準確、客觀和生理學原則的信息，幫助他們在手術中決定如何施用疼痛控制藥物。如果麻醉醫師給藥過多，病人可能會出現從噁心到神志不清的副作用；如果給藥過少，病人在醒來後可能會感到劇烈疼痛。

手術與統計

這項研究始於Subramanian在Brown教授實驗室的博士論文項目。之前對痛覺感知的客觀建模嘗試，通常只依賴心電圖（ECG，心率變異性的間接指標）或其他系統，但這些系統要麼基於實驗室的疼痛刺激，無法與手術疼痛相比較，要麼僅在多位病人的手術中統計幾個時間點。

實驗室與手術室的區別

Subramanian說：「除了手術室，沒有其他地方可以研究手術疼痛。我們希望不僅能使用手術數據開發算法，還能在實際使用的情境中進行驗證。」

數據收集的進步

她和Brown教授合作，通過在實際手術過程中收集多傳感器數據，並考慮施用藥物的混淆效應，來推進這項技術。他們希望開發出能夠準確預測病人在手術過程中痛覺感知的模型。

痛覺感知的準確性

研究團隊追蹤心率和皮膚導電率的變化，這些生理因素的變化可以顯示身體對痛覺的原始「戰鬥或逃跑」反應。研究不僅測量ECG，還使用PPG（光學心率測量），因為ECG信號有時會受到手術室內電器的干擾。同樣，Subramanian還用皮膚溫度的測量來支持皮膚導電率的測量，以確保皮膚導電率的變化是由於痛覺，而不是病人過熱。研究還追蹤了呼吸。

模型的發展

然後，作者進行統計分析，從每個心血管和皮膚導電信號中開發出生理相關的指標。當每個指標確立後，進一步的統計分析使得這些指標能夠一起追蹤，從而生成能夠準確預測痛覺感知及身體反應的模型。

模型的比較

在四個版本的模型中，Subramanian「監督」它們，提供實際痛覺刺激發生的時間信息，讓模型學習生理測量與疼痛事件之間的關聯。她比較了五個版本的模型與當前行業標準的ECG跟踪模型ANI。每個模型的輸出都可以視覺化為一個圖表，顯示預測的痛覺感知程度隨時間的變化。無監督模型的表現優於ANI，這表明即使在不同病人之間，身體的痛覺狀態也有客觀可檢測的特徵。

未來的研究方向

研究的下一步是增加數據採樣，進一步改進模型，以便最終能在手術室中實際應用。這需要使模型能夠實時預測痛覺感知，而不是事後分析。當這一進展實現時，麻醉醫師或重症醫師將能夠更好地調整疼痛藥物的劑量。

結論

作者們總結道：「我們的研究是開發客觀標記以追蹤手術痛覺感知的重要第一步。這些標記將使在其他複雜臨床環境中進行客觀評估成為可能。」

除了Subramanian和Brown，這篇論文的其他作者還包括Bryan Tseng、Marcela del Carmen、Annekathryn Goodman、Douglas Dahl和Riccardo Barbieri。

這項研究得到了JPB基金會、Picower研究所、George J. Elbaum、Mimi Jensen、Diane B. Greene、Mendel Rosenblum、Bill Swanson、Cathy和Lou Paglia、麻醉倡議基金的年度捐贈者、國家科學基金會以及麻省理工學院研究生教育辦公室的Collabmore-Rogers獎學金的資助。