Kan AI een waargenomen pijnniveau bepalen door lichaamsmetingen of hersenactiviteit te monitoren ?

Hoe kan kunstmatige intelligentie lichaamssignalen vertalen naar een realtime schatting van hoeveel pijn een persoon voelt? Onderzoekers zijn begonnen met het combineren van hartslagen, huidreacties, gezichtsuitdrukkingen en hersenscans met machine learning in een poging om een objectief venster te creëren op subjectief lijden, met name voor patiënten die hun pijn niet zelf kunnen beschrijven.

Background

AI-systemen schatten momenteel waargenomen pijnniveaus door multimodale fysiologische gegevens te verwerken zoals hartritmevariabiliteit, huidgeleiding, gezichtsuitdrukkingen en activiteit van het centrale zenuwstelsel vastgelegd via elektro-encefalografie (EEG) of functionele magnetische resonantiebeeldvorming (fMRI) [Nature Biomedical Engineering, 2023]. Deze pijplijnen omvatten doorgaans gesuperviseerde machine-learningmodellen die zijn getraind op datasets die ruwe biosignalen koppelen aan zelfgerapporteerde pijnscores (bijv. 0–10 numerieke beoordelingsschalen) om voorspellende koppelingen te leren tussen lichamelijke meetwaarden en subjectief ongemak. Onderzoeken rapporteren correlaties tussen biomarkersverschuivingen en pijnbeoordelingen in zowel acute experimentele settings als chronische klinische cohorten, wat suggereert dat er een meetbare fysiologische handtekening van pijn bestaat die zelfs gekwantificeerd kan worden wanneer verbale rapportages niet beschikbaar zijn. Uitdagingen zijn onder meer uitgesproken inter-individuele variabiliteit (leeftijd, medicatie, basale autonome toon), sterke contextafhankelijkheid (pijntype, emotionele toestand, omgevingsprikkels) en de onvermijdelijke subjectiviteit van de pijnervaring. Recent onderzoek benadrukt daarom technieken voor multimodale fusie, domeinaanpassing en causale interpreteerbaarheid om robuustheid en klinische toepasbaarheid te verbeteren.