Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Konkret geht es um den Diabetes-Patienten mit kardiovaskulären Erkrankungen oder Risiken, die Herzinsuffizienz sowie die kardiovaskuläre Primär- und Sekundärprävention. Sind Sie hier schon auf dem neuesten Stand? Unsere Experten beleuchten, wo und warum das bisherige Procedere geändert werden soll und was in der Praxis sinnvoll ist. Holen Sie sich Ihr Update und 2 CME-Punkte beim MMW-Webinar am 24. April von 17.30 bis 19 Uhr. 
Erweiterte Suche
Anmelden
nach oben
Der Schmerz
Erschienen in: Der Schmerz 5/2020

07.05.2020 | EKG | Übersichten

Von der Fremdbeurteilung des Schmerzes zur automatisierten multimodalen Messung der Schmerzintensität

Narrativer Review zum Stand der Forschung und zur klinischen Perspektive

verfasst von: S. Frisch, P. Werner, A. Al-Hamadi, H. C. Traue, S. Gruss, PD Dr. S. Walter

Erschienen in: Der Schmerz | Ausgabe 5/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Bei Patienten mit eingeschränkten Kommunikationsfähigkeiten ist der Einsatz von konventionellen Skalen bzw. Fremdbeurteilung nur bedingt oder nicht möglich, eine multimodale Schmerzerkennung basierend auf Algorithmen der künstlichen Intelligenz (KI) könnte eine Lösung darstellen.

Fragestellung

Überblick über Methoden der automatisierten multimodalen Schmerzmessung und deren Erkennungsraten, welche mit Algorithmen der KI berechnet wurden.

Methoden

Zur Darstellung des aktuellen Forschungsstands wurden mittels selektiver Literaturrecherche im April 2018 in der Datenbank Web of Science 101 Studien zur automatisierten Schmerzerkennung identifiziert. 14 dieser Studien berichten speziell Erkennungsraten der automatisierten multimodalen Schmerzmessung, diese werden als Fokus des vorliegenden narrativen Reviews dargestellt.

Ergebnisse

Die Varianz der Erkennungsraten liegt bei 52,9–55,0 % (Schmerzschwelle) bzw. 66,8–85,7 % (Schmerztoleranz), bei 9 Studien ist die Erkennungsrate ≥80 % (Schmerztoleranz), eine Arbeit berichtet hohe Erkennungsraten von 79,3 % (Schmerzschwelle) und 90,9 % (Schmerztoleranz).

Schlussfolgerungen

Schmerzen werden, basierend auf Fremdbeobachtungsskalen, grundsätzlich multimodal erfasst. In Bezug auf die automatisierte Schmerzerkennung ist auf Basis der 14 ausgewählten Studien noch nicht abschließend beantwortet, ob eine multimodale Schmerzerkennung einer unimodalen überlegen ist. Im klinischen Kontext könnte eine multimodale Schmerzerkennung von Vorteil sein, da dieser Ansatz flexibler einsetzbar ist. Der Algorithmus könnte im Fall der fehlenden Verfügbarkeit einer Modalität, z. B. der elektrodermalen Aktivität bei Handverbrennungen, auf andere Modalitäten (Video) zurückgreifen und somit fehlende Informationen kompensieren.
Literatur
1.
Turk DC, Melzack R (2011) Preface. In: Handbook of pain assessment. Guilford, New York
2.
Melzack R, Casey K (1968) Sensory, motivational and central control determinants of pain: a new conceptual model. In: Kenshalo D (Hrsg) The skin senses: Proceedings. Charles C. Thomas, Springfield, S 423–443
3.
Magerl W, Treede R‑D (2017) Physiologie von Nozizeption und Schmerz. In: Schmerzpsychotherapie. Springer, Berlin, Heidelberg, S 31–72
4.
Benarroch EE (2001) Pain-autonomic interactions: a selective review. Clin Auton Res 11(6):343–349PubMed
5.
Stewart G, Panickar A (2013) Role of the sympathetic nervous system in pain. Anaesth Intensive Care Med 14(12):524–527
6.
Williams ACDC (2002) Facial expression of pain: an evolutionary account. Behav Brain Sci 25(4):439–455PubMed
7.
Craig KD, Prkachin KM, Grunau RE (2011) The facial expression of pain. In: Turk DC, Melzack R (Hrsg) Handbook of pain assessment. Guilford, New York
8.
Prkachin KM, Solomon PE (2008) The structure, reliability and validity of pain expression: evidence from patients with shoulder pain. Pain 139(2):267–274PubMed
9.
Prkachin KM (1992) The consistency of facial expressions of pain: a comparison across modalities. Pain 51(3):297–306PubMed
10.
Kunz M, Scharmann S, Hemmeter U, Schepelmann K, Lautenbacher S (2007) The facial expression of pain in patients with dementia. Pain 133(1):221–228PubMed
11.
Ekman P, Friesen W, Hager J (2002) Facial action coding system: Manual and Investigator`s Guide. Research Nexus, Salt Lake City
12.
Ekman P (1992) An argument for basic emotions. Cogn Emot 6:169
13.
Simon D, Craig KD, Gosselin F, Belin P, Rainville P (2008) Recognition and discrimination of prototypical dynamic expressions of pain and emotions. Pain 135(1):55–64PubMed
14.
Kunz M, Lautenbacher S (2019) Schmerz hat viele Gesichter. Schmerzpatient 2(4):158–163
15.
Lopez-Martinez D, Rudovic O, Picard R (2017) Personalized automatic estimation of self-reported pain intensity from facial expressions. In: IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).. IEEE, Hawaii, S 2318–2327
16.
Werner P, Al-Hamadi A, Walter S (2017) Analysis of facial expressiveness during experimentally induced heat pain. In: International Conference on Affective Computing and Intelligent Interaction Workshops and Demos (ACIIW), S 176–180
17.
Prkachin KM, Craig KD (1995) Expressing pain: the communication and interpretation of facial pain signals. J Nonverbal Behav 19(4):191–205
18.
Aung MSH, Kaltwang S, Romera-Paredes B, Martinez B, Singh A, Cella M et al (2016) The automatic detection of chronic pain-related expression: requirements, challenges and the multimodal emopain dataset. IEEE Trans Affect Comput 7(4):435–451PubMed
19.
Walsh J, Eccleston C, Keogh E (2014) Pain communication through body posture: The development and validation of a stimulus set. Pain 155(11):2282–2290PubMed
20.
Werner P, Al-Hamadi A, Limbrecht-Ecklundt K, Walter S, Traue HC (2018) Head movements and postures as pain behavior. PLoS ONE 13(2):e192767PubMedPubMedCentral
21.
Handel E (2010) Praxishandbuch ZOPA©. Schmerzeinschätzung bei Patienten mit kognitiven und/oder Bewusstseinsbeeinträchtigungen. Huber, Bern
22.
Nilges P (2013) Klinische Schmerzmessung. In: Baron R, Koppert W, Strumpf M, Willweber-Strumpf A (Hrsg) Praktische Schmerzmedizin. Springer, Berlin Heidelberg, S 79–85
23.
Pagé MG, Katz J, Stinson J, Isaac L, Martin-Pichora AL, Campbell F (2012) Validation of the numerical rating scale for pain intensity and unpleasantness in pediatric acute postoperative pain: Sensitivity to change over time. J Pain 13(4):359–369PubMed
24.
Thong ISK, Jensen MP, Miró J, Tan G (2018) The validity of pain intensity measures: What do the NRS, VAS, VRS, and FPS‑R measure? Scand J Pain 18(1):99–107PubMed
25.
Duncan GH, Bushnell CM, Lavigne GJ (1989) Comparison of verbal and visual analogue scales for measuring the intensity and unpleasantness of experimental pain. Pain 37(3):295–303PubMed
26.
Herr K, Coyne PJ, McCaffery M, Manworren R, Merkel S (2011) Pain assessment in the patient unable to self-report: position statement with clinical practice recommendations. Pain Manag Nurs 12(4):230–250PubMed
27.
Lautenbacher S, Kunz M (2019) Schmerzerfassung bei Patienten mit Demenz. Schmerz 33(6):563–575PubMed
28.
Basler HD, Hüger D, Kunz R, Luckmann J, Lukas A, Nikolaus T et al (2006) Beurteilung von schmerz bei demenz (BESD). Untersuchung zur Validität eines Verfahrens zur Beobachtung des Schmerzverhaltens. Schmerz 20(6):519–526PubMed
29.
Payen JF, Bru O, Bosson JL, Lagrasta A, Novel E, Deschaux I et al (2001) Assessing pain in critically ill sedated patients by using a behavioral pain scale. Crit Care Med 29(12):2258–2263PubMed
30.
Chanques G, Payen J‑F, Mercier G, de Lattre S, Viel E, Jung B et al (2009) Assessing pain in non-intubated critically ill patients unable to self report: an adaptation of the Behavioral Pain Scale. Intensive Care Med 35(12):2060PubMed
31.
Craig KD (2009) The social communication model of pain. Can Psychol 50(1):22
32.
Reddy KSK, Naidu MUR, Rani PU, Rao TRK (2012) Human experimental pain models: A review of standardized methods in drug development. J Res Med Sci 17(6):587–595PubMedPubMedCentral
33.
Kranjec J, Beguš S, Geršak G, Drnovšek J (2014) Non-contact heart rate and heart rate variability measurements: a review. Biomed Signal Process Control 13:102–112
34.
Werner P, Al-Hamadi A, Walter S, Gruss S, Traue HC (2014) Automatic heart rate estimation from painful faces. In: International Conference on Image Processing (ICIP)
35.
36.
Limbrecht-Ecklundt K, Werner P, Traue HC, Al-Hamadi A, Walter S (2016) Mimische Aktivität differenzierter Schmerzintensitäten: Korrelation der Merkmale von Facial Action Coding System und Elektromyographie. Schmerz 30(3):248–256PubMed
37.
Ashraf AB, Lucey S, Cohn JF, Chen T, Ambadar Z, Prkachin KM et al (2009) The painful face - pain expression recognition using active appearance models. Image Vis Comput 27(12):1788–1796PubMedPubMedCentral
38.
Niese R, Al-Hamadi A, Panning A, Brammen D, Ebmeyer U, Michaelis B (2009) Towards pain recognition in post-operative phases using 3D-based features from video and support vector machines. Int J Digit Content Technol Its Appl 3(4):21–33
39.
Lucey P, Cohn JF, Prkachin KM, Solomon PE, Chew S, Matthews I (2012) Painful monitoring: automatic pain monitoring using the UNBC-mcmaster shoulder pain expression archive database. Image Vis Comput 30(3):197–205
40.
Kaltwang S, Rudovic O, Pantic M (2012) Continuous pain intensity estimation from facial expressions. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Lecture Notes in Computer Science. Springer, Berlin Heidelberg, S 368–377 (7432 LNCS)
41.
Werner P, Al-Hamadi A, Niese R, Walter S, Gruss S, Traue HC (2013) Towards pain monitoring: Facial expression, head pose, a new database, an automatic system and remaining challenges. In: Proc British machine vision conf. BMVA Press, Essex, S 111–119
42.
Bartlett MS, Littlewort GC, Frank MG, Lee K (2014) Automatic decoding of facial movements reveals deceptive pain expressions. Curr Biol 24(7):738–743PubMedPubMedCentral
43.
Sikka K, Ahmed AA, Diaz D, Goodwin MS, Craig KD, Bartlett MS et al (2015) Automated assessment of children’s postoperative pain using computer vision. Pediatrics 136(1):e124–e131PubMedPubMedCentral
44.
Zhou J, Hong X, Su F, Zhao G (2016) Recurrent convolutional neural network regression for continuous pain intensity estimation in video. In: Computer vision and pattern recognition workshops (CVPRW), S 1535–1543
45.
Wang F, Xiang X, Liu C, Tran TD, Reiter A, Hager GD et al (2017) Regularizing face verification nets for pain intensity regression. In: International Conference on Image Processing (ICIP). IEEE, Washington DC, S 1087–1091
46.
Werner P, Al-Hamadi A, Limbrecht-Ecklundt K, Walter S, Gruss S, Traue HC (2017) Automatic pain assessment with facial activity descriptors. IEEE Trans Affect Comput 8(3):286–299
47.
Walter S, Gruss S, Limbrecht-Ecklundt K, Traue HC, Werner P, Al-Hamadi A et al (2014) Automatic pain quantification using autonomic parameters. Psychol Neurosci 7(3):363
48.
Gruss S, Treister R, Werner P, Traue HC, Crawcour S, Andrade A et al (2015) Pain intensity recognition rates via biopotential feature patterns with support vector machines. PLoS ONE 10(10):e140330PubMedPubMedCentral
49.
Lopez-Martinez D, Picard R (2018) Continuous pain intensity estimation from autonomic signals with recurrent neural networks. In: 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). IEEE, Washington DC, S 5624–5627
50.
Thiam P, Schwenker F (2017) Multi-modal data fusion for pain intensity assessment and classification. In: International Conference on Image Processing Theory, Tools and Applications (IPTA). IEEE, Wasshington DC, S 1–6
51.
Tsai F‑S, Weng Y‑M, Ng C‑J, Lee C‑C (2017) Embedding stacked bottleneck vocal features in a LSTM architecture for automatic pain level classification during emergency triage. In: International Conference on Affective Computing and Intelligent Interaction (ACII). IEEE, Washington DC, S 313–318
52.
53.
Lucey P, Cohn JF, Prkachin KM, Solomon PE, Matthews I (2011) Painful data: The UNBC-McMaster shoulder pain expression archive database. In: 2011 IEEE International Conference on Automatic Face and Gesture Recognition and Workshops, FG 2011, S 57–64
54.
Walter S, Gruss S, Ehleiter H, Tan J, Traue HC, Crawcour S et al (2013) The biovid heat pain database: Data for the advancement and systematic validation of an automated pain recognition. In: IEEE International Conference on Cybernetics, CYBCONF
55.
Velana M, Gruss S, Layher G, Thiam P, Zhang Y, Schork D et al (2016) The senseemotion database: a Multimodal database for the development and systematic validation of an automatic pain- and emotion-recognition system. In: IAPR workshop on multimodal pattern recognition of social signals in human-computer interaction. Springer, Cham, S 127–139
56.
Werner P, Al-Hamadi A, Niese R, Walter S, Gruss S, Traue HC (2014) Automatic pain recognition from video and biomedical signals. In: Proceedings—International Conference on Pattern Recognition
57.
Kächele M, Thiam P, Amirian M, Werner P, Walter S, Schwenker F et al (2015) Multimodal data fusion for person-independent, continuous estimation of pain intensity. In: Communications in computer and information science, S 275–285
58.
Kächele M, Thiam P, Amirian M, Schwenker F, Palm G (2016) Methods for person-centered continuous pain intensity assessment from bio-physiological channels. IEEE J Sel Top Signal Process 10(5):854–864
59.
Kächele M, Amirian M, Thiam P, Werner P, Walter S, Palm G et al (2017) Adaptive confidence learning for the personalization of pain intensity estimation systems. Evol Syst 8(1):71–83
60.
61.
Hassan T, Seuß D, Wollenberg J, Weitz K, Kunz M, Garbas J et al (2019) Automatic detection of pain from facial expressions : a survey. IEEE Trans Softw Engeneer, im Druck
62.
Zhang X, Yin L, Cohn JF, Canavan S, Reale M, Horowitz A et al (2014) BP4D-Spontaneous: a high-resolution spontaneous 3D dynamic facial expression database. Image Vis Comput 32(10):692–706
63.
Zhang Z, Girard JM, Wu Y, Zhang X, Liu P, Ciftci U et al (2016) Multimodal spontaneous emotion corpus for human behavior analysis. In: Proceedings of the IEEE conference on computer vision and pattern recognition, S 3438–3446
64.
Haque MA, Bautista RB, Noroozi F, Kulkarni K, Laursen CB, Irani R et al (2018) Deep Multimodal pain recognition: a database and comparison of Spatio-temporal visual modalities. In: 2018 13th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2018), S 250–257
65.
Lopez-Martinez D, Picard R (2017) Multi-task neural networks for personalized pain recognition from physiological signals. In: International Conference on Affective Computing and Intelligent Interaction Workshops and Demos (ACIIW). IEEE, Washington DC, S 181–184
66.
Walter S, Gruss S, Traue H, Werner P, Al-Hamadi A et al (2015) Data fusion for automated pain recognition. In: International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth), S 261–264
67.
Kächele M, Werner P, Al-Hamadi A, Palm G, Walter S, Schwenker F (2015) Bio-visual fusion for person-independent recognition of pain intensity. In: Multiple classifier systems (MCS), S 220–230
68.
Thiam P, Kessler V, Walter S, Palm G, Schwenker F (2016) Audio-visual recognition of pain intensity. In: Multimodal pattern recognition of social signals in human-computer-interaction workshop, S 110–126
69.
70.
Kächele M, Amirian M, Thiam P, Werner P, Walter S, Palm G et al (2017) Adaptive confidence learning for the personalization of pain intensity estimation systems. Evol Syst 8(1):71–83
71.
Amirian M, Kächele M, Schwenker F (2016) Using radial basis function neural networks for continuous and discrete pain estimation from bio-physiological signals. In: Artificial neural networks in pattern recognition, S 269–284
72.
73.
Gruss S, Treister R, Werner P, Traue HC, Crawcour S, Andrade A et al (2015) Pain intensity recognition rates via biopotential feature patterns with support vector machines. PLoS ONE 10(10):e140330PubMedPubMedCentral
74.
Hua-Mei C, Varshney PK, Arora MK (2003) Performance of mutual information similarity measure for registration of multitemporal remote sensing images. Geosci Remote Sens IEEE Trans 41(11):2445–2454
75.
PMD-200TM | Medasense Biometrics Ltd.
76.
Edry R, Recea V, Dikust Y, Sessler DI (2016) Preliminary intraoperative validation of the nociception level index. Anesthesiology 125:193–203PubMed
Metadaten
Titel
Von der Fremdbeurteilung des Schmerzes zur automatisierten multimodalen Messung der Schmerzintensität
Narrativer Review zum Stand der Forschung und zur klinischen Perspektive
verfasst von
S. Frisch
P. Werner
A. Al-Hamadi
H. C. Traue
S. Gruss
PD Dr. S. Walter
Publikationsdatum
07.05.2020
Verlag
Springer Medizin
Erschienen in
Der Schmerz / Ausgabe 5/2020
Print ISSN: 0932-433X
Elektronische ISSN: 1432-2129
DOI
https://doi.org/10.1007/s00482-020-00473-x

Weitere Artikel der Ausgabe 5/2020

Der Schmerz 5/2020 Zur Ausgabe

Schmerzforum

Multimodale Schmerztherapie in Zeiten von COVID-19

Übersichten

Myofaszial bedingte chronische Unterbauchschmerzen bei Frauen

Leserbriefe

Wie lange dauert eine Langzeitanwendung?

Leserbriefe

CMD-Screening ist wichtig

Originalien

Multimodale Erkennung von Schmerzintensität und -modalität mit maschinellen Lernverfahren

Originalien

Schmerztherapeutische Versorgung in Deutschland – unterscheiden sich teilstationär versorgte Patienten von den ambulant oder stationär versorgten bei Behandlungsbeginn?

Neu im Fachgebiet AINS

18.04.2024 | Wirbelsäulenmetastase | Nachrichten

Stereotaktische Radiatio schlägt konventionelle Bestrahlung

18.04.2024 | Pädiatrische Notfallmedizin | Nachrichten

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

17.04.2024 | Postoperative nausea and vomiting | Nachrichten

Hochrisiko-Eingriffe für postoperative Übelkeit

11.04.2024 | Rückenschmerzen | Nachrichten

Diclofenac-Gel versus Ibuprofen bei akuten Rückenschmerzen
weitere anzeigen

Update AINS

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

hier abonnieren