疼痛可以测量吗？几级疼痛的说法准确吗？

2024-11-14

原创青子Clover 科普中国

也许每个人都听过这样的说法，“蚊咬就是 1 等级疼痛，生孩子就是 10 级疼”。

疼痛真的可以这样分级吗？

每一个人对疼痛的感觉都不一样，这种主观感觉很难量化。2016年，美国佛州 17 岁女孩 Maya 由于罕见的复杂区域疼痛综合征住院。妈妈 Beata 医护人员怀疑他们是“代理性孟乔森综合征”(一种让护理人员虚构或诱发儿童疾病的心理问题)，被拒绝使用止痛疗法。母亲和女儿被迫分开，Beata 选择在压力和无助中自杀。这个悲剧事件暴露了医疗行业在疼痛测量和诊断方面的不足。

如果不测量疼痛，就无法管理疼痛，甚至无法研究疼痛。医生主要依靠患者自我报告的主观测量方法来评价疼痛，科学家也在开发基于生理信号的客观测量方法。

一个参与者把手放在一桶冰里，测试者用工具来测量他的疼痛反应。

它们到底有什么不同，能帮助我们完全量化疼痛吗？量化疼痛是否意味着可以治愈疼痛？看完这篇文章你就知道了。

病人自我评价的主观量表

患者的自我报告是医务人员描述疼痛的常用方法。NRS(数字评分量表，Numerical rating scale）和 VAS(视觉模拟量表，Visual analog scale）这是医生最常用的工具。本文开头提到的疼痛分类就是 NRS。

NRS 它是一种常用的数字评分工具，一般范围是 0 到 10，0 表示没有疼痛，10 表示剧烈疼痛。因其操作方便，NRS 广泛应用于临床；VAS 然后让病人在一个条件下 10 厘米的水平线标记了你感觉到的疼痛位置，反映了疼痛的强度，得出的结果以厘米表示。这种方法比较 NRS 更加细致，但是要求病人具备一定的理解能力。

面部疼痛量表(有时称为微笑疼痛量表)用六张面部来衡量 3-8 年幼孩子的疼痛。孩子们被要求指出，最能代表他们疼痛程度的面部，从左侧没有疼痛的面部到右侧有剧烈疼痛的面部。

这些方法都是一维工具，非常适合评价急性疼痛。但建议进行多维测量，因为慢性疼痛比急性疼痛更复杂，涉及更复杂的身体、心理和社会伤害。

McGill 疼痛问卷就是一个例子。它通过多维度评估不同层次的疼痛。一方面，患者应选择合适的词语，如“刺痛”、“灼痛”、“酸痛”等。，来描述疼痛的实际特征；另一方面是情感层面，评价疼痛对患者情绪和心理的影响，最后结合起来。 NRS 或是 VAS 总体评价。其理念是“痛苦不仅仅是一种感官体验，还包括情感、心理、认知等各个方面”。

如果病人不能沟通主观的疼痛感觉，就必须采取替代措施，包括对疼痛行为和反应的分析，例如对婴儿的分析。 FLACC 量表，包括面部情绪、腿部位置、活动、哭闹和安慰；例如，新生儿的面部编码系统可以通过分析面部肌肉来评估疼痛，例如眉毛突出和眼睛挤压。

一般而言，疼痛评估取决于患者的疼痛持续时间(急性和慢性)、疼痛状况及类型(如癌症、背痛、神经痛)、群体类型(如儿童、认知障碍病人)以及病人的价值观、目标和偏好。不同的量化工具有助于医生了解患者的疼痛感受，但同时也有局限性，因为这些量表都是基于主观评价(别人的观察也是主观的)，不同的患者可能对同一疼痛水平有完全不同的认知。

客观测量生理信号和疼痛

研究人员和临床医生一直在努力寻找一种客观的疼痛测量方法或生物标志物，用于诊断、治疗、愈合和药物开发。然而，目前还没有完全确立定量化疼痛的客观方法。

科学家们正在探索许多方法，包括大脑成像、生理信号监测和生物标志物分析。你可能听说过功能磁共振成像。（fMRI），它就像大脑的“透视镜”，可以捕捉不同类型疼痛的大脑活动模式。这些技术可以显示我们大脑中的哪些区域在感到疼痛时被激活。然而，fMRI 操作费用高，技术复杂，不能像血压仪那样随时随地使用。

所以，有没有更简单的方法呢？

研究者们开始通过检测人体的生理信号来寻找疼痛的线索。

PMD-200 床前监护仪就是这样一种设备，通过手指探针收集心率、皮肤水分、运动和温度等生理反应，将这些信号转化为疼痛评分。该设备在美国被授权只用于麻醉患者手术，无法沟通疼痛程度。

PMD-美国食品药品监督管理局唯一授权的疼痛测量仪器是200床前监护仪。

还有一种更方便的手持设备，可以扫描眼睛，测量电刺激下瞳孔的扩张。该设备利用三种电频激活不同的感觉神经纤维，将信号传递到大脑，引起瞳孔变化，并根据反射的差异建立疼痛特征。该设备已在炎症和疼痛患者中测试过。

另一种可穿戴贴片可以通过监测额头大脑表面的血流变化来实时测量神经元活动，并将其转化为疼痛指数，这涉及到 130 根据经验分娩疼痛女性的实验数据，该设备与病人自述疼痛的匹配程度约为 80%。

通过扫描某人的眼睛，AlgometRx设备可以创建疼痛特征。

另一个研究小组开发的纳米生物传感器可以测量血液中的两种生化合物-环氧合酶-2（COX-二是诱导性一氧化氮合酶（iNOS），只要采集患者的指尖血液进行分析，就能在几分钟内得到容易理解的结果，首次临床试验十分成功。

这些正在开发的疼痛测量方法使疼痛测量越来越轻、更微创、更实用。不幸的是，目前还没有公认的客观疼痛指标。当然，这并不意味着对疼痛生物标志的渴望是徒劳的。一种可靠的测量方法仍然可以帮助临床医生更好地评估、分类和跟踪疼痛。

需要注意的是，主观测量表和客观测量并非非此即彼。我们不仅要通过感觉神经元活动来判断疼痛是否会出现，还要考虑经历过疼痛的人对疼痛强度和严重程度的自我描述。未来的疼痛管理将结合主观报告和客观测量，为患者提供更准确、更个性化的疼痛测量方案。

治疗疼痛的生物标志物

尽管对疼痛的主观性和客观性评估提高了医生对疼痛的认识，但是，找到真正合适的治疗方法通常超出了这些评估范围。

虽然有许多高质量的疼痛治疗方法可供选择，但是找到最适合每一位病人的治疗方法仍然是一个艰难的过程。对许多病人来说，治疗更像是在迷宫中寻找出口，需要逐个尝试不同的药物和治疗方法，直到找到正确的方向。

精确的治疗慢性疼痛可以帮助人们从一开始就选择有效的治疗方法。

这时，AI 技术给我们带来了新的希望。AI 技术已经开始在疼痛管理中脱颖而出:分析患者的脑电，不仅可以区分慢性下背痛患者和健康人群，还可以预测哪些患者会从脊髓刺激器中受益，准确性接近 80%。

从脑电信号中可以预测AI算法的疼痛状态。

另一个研究小组使用机器学习来分析不同类型的疼痛刺激(如针刺、热、触摸)反应，发现患者可以分为不同的“亚型”，每个“亚型”患者的疼痛状态和治疗需求可能会有所不同。这种划分有助于医生更准确地了解不同类型患者的需求，进而帮助医生制定更个性化的治疗方法。

在数据驱动下，疼痛管理领域正在发展个性化治疗。例如，CHOIR 为了跟踪他们对不同药物的反应，系统通过标准化的方式收集患者的疼痛数据， AI 该模型提供数据支持，帮助医生预测疗效。但是，这种技术还处于起步阶段，需要大量的时间和资源来创建数据库。此外，虽然 AI 技术提高了预测的准确性，目前的 AI 模型仍然缺乏足够的可解释性，所以医生必须结合个人经验和病人反馈来优化治疗。

人的疼痛异质性太大，几乎不可能找到适合所有人的“非常止痛药”。然而，通过寻找生物标志物，有可能为每个病人找到现有药物的最佳选择。

期望“全能”的疼痛测量方法

疼痛测量一直是一个严重的问题。虽然科学家们不断尝试通过生物标志和客观工具来量化疼痛，但疼痛终究是一种独特而个人的感觉。自我报告仍然是评估疼痛的主要方式，医生越来越重视疼痛对生活质量的影响。

找到“全能性疼痛生物标志物”还有很长的路要走。也许有一天，医生可以通过几分钟的检查准确地推荐治疗方法，而不是依靠“试药”的过程，这有点像盲盒。

参考文献

[1]Roedel, A. (2023) An allegation of Munchausen by proxy, a mom’s suicide, a daughter’s pain: ‘take care of maya’ exclusive clip, People.com. Available at: https://people.com/allegation-of-munchausen-by-proxy-mom-suicide-and-daughter-pain-take-care-of-maya-exclusive-clip-7510301 (Accessed: 01 November 2024).

[2]Measuring pain in the clinic (2024a) European Pain Federation. Available at: https://europeanpainfederation.eu/measuring-pain-in-the-clinic/ (Accessed: 29 October 2024).

[3]Mogil, Jeffrey S. “The history of pain measurement in humans and animals.” Frontiers in pain research (Lausanne, Switzerland) vol. 3 1031058. 15 Sep. 2022.

[4]Mitchell Crow, James. “Could biomarkers mean better pain treatment?” Nature vol. 633,8031 (2024): S28-S30.

[5]Dolgin, Elie. “How a 'pain-o-meter' could improve treatments.” Nature vol. 633,8031 (2024): S26-S27.

[6]Sadik, Omowunmi, et al. "A Bayesian network concept for pain assessment." JMIR Biomedical Engineering 7.2 (2022): e35711.

[7]Orzabal, Marcus et al. “A Forehead Wearable Sensor for the Objective Measurement of Chronic Pain.” International journal of environmental research and public health vol. 19 (2022),24 17041.

[8]Levitt, Joshua et al. “Pain phenotypes classified by machine learning using electroencephalography features.” NeuroImage vol. 223 (2020): 117256.

[9]Vollert, Jan et al. “Stratifying patients with peripheral neuropathic pain based on sensory profiles: algorithm and sample size recommendations.” Pain vol. 158,8 (2017): 1446-1455.

[10]Jain, Sunil M et al. “Randomized, double-blind, placebo-controlled trial of ISC 17536, an oral inhibitor of transient receptor potential ankyrin 1, in patients with painful diabetic peripheral neuropathy: impact of preserved small nerve fiber function.” Pain vol. 163,6 (2022): e738-e747.