人工智能在儿科疼痛管理中的应用：一项系统评价

《BMC Medical Informatics and Decision Making》：Artificial intelligence in pediatric pain: a systematic review

　　

摘要

背景

疼痛是大多数儿科患者都会报告的一种具有挑战性且多方面的症状。本系统评价旨在探讨人工智能（AI）技术在儿科疼痛管理中的应用进展和有效性。

方法

对PubMed、Embase、Web of Science、Cochrane、Scopus、IEEE Xplore、ACM Library和ClinicalTrials.gov进行了全面搜索。搜索结合了与疼痛相关的术语（“疼痛管理”、“疼痛评估”、“疼痛测量”、“疼痛缓解”、“疼痛控制”、“镇痛剂”、“儿科疼痛”）、与年龄相关的术语（“儿童”、“儿科”、“新生儿”、“婴儿”）以及AI核心子领域术语（“人工智能”、“机器学习”、“深度学习”、“卷积神经网络”、“支持向量机”、“随机森林”、“长短期记忆”），并使用了严格的布尔运算符（AND/OR/NOT），搜索范围截至2026年3月20日。总结了AI模型、它们的验证方法和性能。

结果

对71项研究的分析显示，在儿科疼痛管理中存在不同的AI应用模式。59项研究专注于使用深度学习（2020年后：86.7%）和传统机器学习（2015年之前：83.3%）进行疼痛评估，方法包括面部表情分析（40.8%）、多模态融合（25.4%）或生理信号（9.9%）。大多数研究采用观察性设计（57.7%），样本量从小（<50名参与者，42.2%）到中等（50-200名，33.8%），这反映了临床数据方面的挑战。多模态方法的表现显著优于单模态方法（AUC差异：+0.13，p<0.01）。其余12项研究（16.9%）主要探讨了在操作性疼痛期间使用机器人辅助干预和认知行为策略（如引导呼吸和游戏化）的疼痛管理方法。然而，相当一部分纳入的研究（47.5%的评估研究和12项干预研究中的11项）存在较高的偏倚风险。

结论

本评价证实，AI技术已被用于提高疼痛检测和评估的效率，从而帮助医疗专业人员和患者更有效地管理急性疼痛。未来在精确疼痛评估和管理方面的进展将取决于将深度学习与多模态数据和大型临床数据库相结合，同时还需要努力建立标准化的数据集并在实际环境中验证模型。