意識障礙患者疼痛評估方法的研究進展

張嚴麗，湯曼力，譚杰，楊冰香

（1 華中科技大學同濟醫學院附屬同濟醫院創傷外科;2 武漢大學健康學院,湖北武漢，430030）

疼痛于1995年被美國醫療機構評審聯合委員會（Review the Joint Committee on Medical Institutions in the United States，JCAHO）正式定義為第5生命體征［1］。由于各種創傷、手術以及疾病本身的影響，加上治療和護理中的侵入性操作，疼痛成為危重癥患者的重要壓力之一。作為一種主觀感受，疼痛評估最有效的信息來源就是患者的主訴，1979年國際疼痛研究協會指出患者的自我報告是評估疼痛的金標準［2］，目前臨床使用較多的疼痛工具都需要和患者溝通交流，然而意識障礙（disorders of consciousness，DOCs）患者由于疾病的原因存在交流障礙。盡管嚴重意識障礙患者無法自述痛苦感受，但從影像學檢查中可以看到，其疼痛相關的腦區依然被激活，依然能夠感受到疼痛［3］。意識障礙患者表達受限，加上機械通氣、氣管切開、鎮靜藥物等限制因素，常無法表達自己的疼痛感受，給醫護帶來疼痛評估障礙。準確的疼痛評估是疼痛管理的基石，不恰當的疼痛控制可能導致不良事件的增加，包括死亡、過度鎮靜和呼吸抑制等。因此，尋找兼具可行性和準確性的針對意識障礙患者的疼痛評估策略十分必要。本文綜述目前意識障礙患者疼痛評估的各種工具和技術，旨在為完善意識障礙患者的疼痛評估路徑提供思路和科學依據，現將方法和結果報道如下。

1 主觀疼痛評估工具

對意識障礙程度較輕，能自主表達的患者可使用疼痛評估量表來評估。2018 版《中國成人ICU 鎮靜和鎮痛治療指南》［4］推薦對能自主表達的患者應用數字評分表（numeric rating scale，NRS）評估疼痛。除NRS 外，視覺模擬評分法（visual analogue scale，VAS）、主訴疼痛程度分級法（verbal ratingscale，VRS）、改良面部表情疼痛評估（faces pain scale-revised，FPS-R）在臨床也被廣泛地使用。

主觀疼痛評估量表雖然使用廣泛，但存在一定的局限性。首先，主觀評估工具的準確性易受到生理、心理和環境因素的干擾，大部分的疼痛患者會放大疼痛嚴重程度并對疼痛治療持消極態度［5］；相反，疼痛程度也可能會被低估，因為有些患者會因為疼痛感到羞愧或害怕表現出脆弱［5］。其次，評估者詢問疼痛問題的方式的差別會引起偏倚，評估者的傾向性對結果會產生較大的影響［6-7］。最后，自我報告依賴于護患間良好的溝通交流，主觀疼痛評估工具并不適用于合并認知障礙和嚴重意識障礙的患者。

2 客觀疼痛評估工具

主觀疼痛評估工具必須依賴于患者本身的疼痛表達，而不能獲得主訴的意識障礙患者可使用客觀疼痛評估工具。

2.1 疼痛生理和行為指標

臨床指南建議［8］，使用疼痛觀察指標來評估無法獲得主訴的人群的疼痛。疼痛可觀察指標主要包括生理體征的波動和顯著的行為變化。

生命體征的變化是預測疼痛的一種快速、簡單和客觀的方法。然而，生理指標在疼痛評估中的有效性仍有爭議，在疼痛預測方面的結論并不一致［9-12］，不能作為意識障礙患者感知疼痛體驗的可靠標志［13］。研究發現［14］，患者自述的疼痛強度與心率、血壓無顯著相關性。正如其他研究人員所建議的，心率和血壓只能作為疼痛評估的提示。如懷疑疼痛，需要進一步適當的評估以提供準確的判斷。血壓、心率和（或）呼吸頻率的升高作為生理應激征象，只能提示患者可能出現疼痛［11］。

美國重癥醫學院（American College of Critical Care Medicine，ACCM）制訂的臨床實踐指南建議觀察行為反應來評估無法自我報告患者的疼痛［15］。由疼痛引起的行為包括與疼痛相關的表情和肢體語言［16］。特定面部表情，如做鬼臉、皺眉和蹙額，被認為是有效的疼痛指標［17-18］。除面部表情外，肌張力增加和身體運動也可以表明出現疼痛［10］。PAQUET 等［19］對精神障礙和抑郁患者的行為進行錄像后進行分析發現，身體部分（腿部擺動、改變體位、軀干或骨盆活動、姿勢/手勢），面部表情（抬額皺眉、齜牙咧嘴、痛苦面容）和聲音部分（呼吸雜音、呻吟）都與疼痛的發生較大的有相關性，建議將行為指標納入疼痛客觀評估工具中。

生理指標雖容易觀察，使用簡便，但不能作為意識障礙患者感知疼痛體驗的可靠標志。行為指標雖敏感性較高，但只能用于預測疼痛的發生，無法量化疼痛。

2.2 客觀疼痛評估工具

疼痛客觀評估量表以疼痛的行為指標為基礎研發［16］，考慮與疼痛相關的運動、面部表情、語言及心理反應，易于觀察，使用簡單，可用于嚴重意識障礙患者。《中國成人ICU 鎮靜和鎮痛治療指南》［4］推薦對不能表達但具有軀體運動功能、行為可以觀察的患者應用重癥監護疼痛觀察量表（critical care pain observation tool，CPOT）［10］或疼痛行為量表（behavioral pain scale，BPS）［12］。在不能表達、具有軀體運動功能、行為可以觀察的患者中，BPS 和CPOT 對疼痛程度的評價具有較高的可信性和一致性，兩者比較差異無統計學意義。昏迷疼痛量表（nociception coma scale-revised，NCS-R）［3］則 在 植物狀態和最小意識狀態患者中有較好的的適應性，在伴有腦損傷的危重癥患者中敏感度更高。成人疼痛行為量表（adult pain behavioral scale，APBS）［21］則在氣管插管和非氣管插管患者中均有良好的信效度。

2.2.1 危重癥患者疼痛觀察工具 （critical care pain observation tool，CPOT） CPOT是由加拿大學者GE1INAS 研發［10］，包括面部表情、動作、肌張力、發聲/對機械通氣的依從性共4 個條目，每個條目0～2 分，總分0～8 分，得分越高代表疼痛程度越高。既往研究驗證CPOT 和漢化版均具有較高的信效度［10，22］，以超過2 分作為節點，其靈敏度為80.8%～89.4%，特異度為73.3%～81.8%。CPOT 與自述疼痛有極高相關性，且其高敏感度、特異性使其具備成為疼痛診斷標準的潛力。量表中每個條目均有具體的描述和解釋，使其在實際應用中也有良好的穩定性和可操作性。ZHAI 等［23］對CPOT 在ICU 患者中的25 項應用研究進行系統評價和Meta 分析，結果發現CPOT 在1920 例ICU 患者的疼痛評估方面有良好的準確性和適用性。

2.2.2 疼痛行為量表（behavioral pain scale，BPS）BPS 量表由PAYEN 及其團隊［12］設計，包含3個條目：面部表情、上肢運動以及機械通氣的依從性。每個條目分別賦值1～4 分，總分為3～12 分，總分越高說明疼痛程度越高。BPS 量表在未行機械通氣的患者中無法使用［12］，CHANQUES 等［22］將原量表中“機械通氣順應性”條目更換為“發聲”，發展為BPS-NI（behavioral pain scale-non intubated）量表。BPS-NI 的內部一致性為0.79；3 個條目的因子負荷系數在0.57 到0.59 之間；評定者間信度的加權kappa 系數在0.82 到0.89 之間［18］。CRELLIN 等［24］對使用BPS 的8 個心理測量和20 個RCT 進行了系統評價，發現對2～22 個月大的嬰幼兒BPS 可有效地識別和評估疼痛。

2.2.3 昏迷疼痛量表（nociception coma scale-revised，NCS-R） SCHNAKERS 等［3］在2009年 開發昏迷疼痛量表。該量表包括運動、語言、視覺和面部表情反應4 個條目，每個條目0～3 分，總分大于等于4 分，表示存在疼痛。2012年CHATELLE 等［24］移除了視覺分量表，形成NCS 的修訂量表（NCSR），CHATELLE 建議將NCS-R 的疼痛感知最佳閾值調整到2 分，大于等于2 分代表意識障礙患者有潛在的疼痛。2018年國內學者對改良量表進行漢化和信效度檢驗，中文版NCS-R 具有較好的信度和效度［25］。相較于其他的疼痛評估工具，NCS-R不僅有更佳的組間信度和重測信度，并且對于有意識障礙患者的敏感度更高，更為適用［25］。中文譯者王靜等［24］使用昏迷疼痛量表-修訂版（nociception coma scale-revised，NCS-R）評估意識障礙患者的疼痛，發現NCS-R 在意識障礙患者中有良好的適用性。NCS-R 評分并不會因為患者發病病因和意識障礙的持續時間不同而發生差異，具有良好的敏感度和一致性［26］。

2.2.4 成人疼痛行為量表（Adult Pain Behavioral Scale，APBS） 成人疼痛行為量表由中國國家衛生標準委員會護理標準專業委員會為臨床護士在床邊進行客觀疼痛評估而研制，該量表包含面部表情、休息狀態、肌張力、安撫效果和發聲5 個條目，每個條目評分0～2 分，APBS 的總分為0～10 分，得分數越高代表疼痛程度越強烈［21］。經原作者的驗證，該量表具有很好的信效度。在氣管插管患者和非氣管插管患者中，APBS 的內部一致性分別為0.706 和0.733，評定者間信度分別為0.872～0.983和0.842～0.979；與NRS 的相關系數分別為0.956 和0.794，同時具有較好的區分效度［26］。陳杰等［21］在檢驗量表的信效度后開展的多中心的調查性研究，發現APBS 具有較好的臨床適用性和可操作性。

2.3 客觀疼痛評估工具的局限性

客觀疼痛評估工具需要醫護人員根據對患者的觀察結果進行評估，依賴于臨床醫護人員的主觀判斷，評估的準確性取決于醫護人員對評估工具的熟悉程度和對評估條目的判斷力。不同的醫護人員對于同一患者在同一情境下的疼痛程度判斷會存在個體差異，這可能導致疼痛評估的不準確性、疼痛管理和藥物干預的不恰當，這正是目前他評客觀疼痛評估工具的缺陷所在。

在進行工具的信效度驗證時，研究者多采用操作相關疼痛進行測量，這樣很難確定患者在休息狀態下是否存在疼痛。在患者不能主訴疼痛時，護士常容易忽略患者的疼痛評估和疼痛管理，客觀疼痛評估工具的使用比例并不高［27］。

最后，目前使用較多的行為疼痛評估工具并不適用于對疼痛沒有行為反應的患者 （格拉斯哥昏迷指數評分［28］≤3 分或鎮靜程度評分［28］-5 分）或重度鎮靜的患者（RASS 評分［28］≤-4 分）。在深度鎮靜、使用神經阻斷劑藥物的情況下，單憑對疼痛行為的觀察可能無法正確評判疼痛程度，應將其與其他評估手段相結合，以更準確地評估疼痛程度［29］。

3 疼痛檢測技術

疼痛檢測技術可用于對疼痛沒有行為反應的意識障礙患者。一些新穎的技術或已知技術的新應用不斷被學者發掘，被廣泛地應用于疼痛研究中，幫助醫護人員更好地了解疼痛評估，并提供客觀評估疼痛的方法和思路。

3.1 以儀器檢測為主的疼痛檢測技術

3.1.1 腦電圖 腦電圖是通過腦電圖描記儀將人體腦部產生的微弱生物電放大記錄而得到的曲線圖。研究表明［30］，腦電圖可對疼痛刺激造成的腦電信號變化進行分析，為疼痛的處理提供先進的手段，目前已經成為疼痛研究中應用最為廣泛的方法。腦電雙頻指數（bispectral index，BIS）是以腦電圖為基礎的一種測量疼痛的指標。BIS 利用雙頻譜分析法，將原始腦電圖信號分析后擬合成一個數字，用0～100 表示，0 表示等位腦電狀 態，100 表示完全清醒狀態［31］。BIS 可直接測量鎮靜藥物對大腦皮層的抑制效果，從而反映意識水平的變化。LI 等［32］記錄48 例使用鎮靜的機械通氣的心臟手術患者在吸痰和輕柔觸摸后的行為，疼痛刺激后BIS 評分在有顯著性變化。腦電圖對時間分辨率非常高，并且操作簡單，創傷少，患者易于接受。在疼痛研究領域得到了很好的挖掘和使用。但腦電圖儀器使用較為專業，目前尚未在重癥病房中廣泛使用，腦電圖和BIS 在意識障礙患者疼痛評估中的使用效果還需更多的研究驗證。

3.1.2 麻醉全深度監護儀疼痛指數（pain index，PI） PI 是由中國科研人員研發的疼痛客觀評定指標，可應用于麻醉鎮靜鎮痛監測以及術后認知功能和腦功能監測。PI 可通過麻醉全深度監護儀實時連續評估患者不同狀態下的疼痛。沈子珒等［33］研究表明，疼痛VAS 評分與PI 評估靜息痛結果具有一致性和相關性，但PI 的疼痛評估適用的范圍較疼痛VAS 評分更廣，可運用于無法交流和術中、術后鎮靜患者的疼痛評估。

3.1.3 皮膚電導（skin conductance，SC） 皮膚電導可反映情緒的變化對交感神經系統的影響，通過監測皮膚電導實時變化可以評估患者疼痛水平。通常使用三個電極粘貼于掌或足底附近皮膚，記錄電極C（電流），R（參考電極）和M（測量電極），M直接提示皮膚電導的大小［34］。SCA 直接檢測神經系統活性，指數十分敏感，尤其是對疼痛和傷害性刺激，循環變化、心血管活性藥物和神經肌肉阻滯都對其沒有影響。作為一種疼痛檢測技術，SCA 個體差異低，反應迅速，數據敏感、連續、客觀，特別適用于ICU 患者，在意識障礙患者中有較好的使用前景，具有成為意識障礙患者疼痛評估標準的潛質。劉敬臣等［34］將皮膚電導監測儀運用到早產兒、嬰幼兒、全身麻醉患者、術后患者、機械通氣患者中，發現其對傷害性刺激和疼痛評估具有良好的效果。

3.1.4 心率變異性（heart rate variability，HRV）HRV 作為臨床常用的一種無創監測方法，可以定量地反映患者心臟的自主神經調節功能。HRV 指數的獲取需使用動態心電圖監測儀收集心電圖信號進行離線分析。李文哲［35］在138 例先天性心臟病患兒中使用動態心電圖監測儀收集心電圖信號進行HRV 分析，同時使用改良面部表情評分對患兒進行疼痛評估。結果顯示HRV 中的LF/HF 參數與改良面部表情評分具有良好的相關性。但目前上沒有HRV 在意識障礙患者中運用的研究報道，HRV 在意識障礙患者疼痛評估中的價值未來需要研究進一步驗證。

3.2 大數據與人工智能在疼痛評估中的應用

3.2.1 大數據與人工智能的優勢 以儀器檢測為主的疼痛檢測技術，評估結果不受評估者的個體差異和傾向的影響，相較客觀評估量表而言，有更好的準確性和一致性。儀器檢測的疼痛數據具有連續性，對于疼痛管理和指導用藥具有很大的臨床意義。另外，儀器對疼痛數據的儲存和提取有一定的優勢，有利于開展與疼痛相關的科研工作。但目前腦電圖描記儀、麻醉全深度監護儀等儀器目前在重癥病房使用較少，其在意識障礙患者疼痛評估中的使用效果需要更多研究者進行科研驗證。

大數據是基于計算機技術和互聯網技術的高速發展而形成的。大數據的高速發展讓越來越多的人關注到其在護理領域中蘊含的價值，大數據在護理安全、護理管理和精準醫療方面均有較大的發展［36］，大數據技術的應用可幫助護士和其他醫務工作者提高服務質量，改善患者結局，減少醫療成本［37］。

大數據技術的高速發展讓信息計算科學與醫學相融合成為科研的新方向，目前尚無大數據在疼痛評估中使用的研究報道。根據大數據的特點，將疼痛患者的行為、面部表情或其他指標數據化，結合機器學習等技術進行圖像識別或數據分析，技術上有可行性，有望成為一種新型的疼痛評估方法。主客觀評估工具與大數據相結合的疼痛預測或評估策略可以成為未來疼痛領域的研究新方向。

3.2.2 醫護人員如何在疼痛評估中使用大數據與人工智能 伴隨計算機技術和大數據人工智能/機器學習在醫學領域的運用，許多現代設備和先進的計算機軟件可在臨床疼痛評估中發揮新的作用。機器學習在疼痛相關行為分析中顯示出巨大的前景，例如基于面部表情的自動疼痛評估。一種融合心率變異特征和面部表情特征的疼痛評估方法［38］，其核心過程在于將表情特征與心率變異特征融合成疼痛特征集，并輸入SVR 回歸分類器中進行訓練與學習，再采集患者的表情圖像和心率數據生成融合特征集，輸入訓練好的SVR 分類器中進行預測，完成疼痛水平的評估。結合機器學習算法可以促進圖像識別和數據分析，除面部表情特征和心率變異外，將機器學習算法與神經成像技術或行為分析技術結合起來，也可以進一步提高疼痛評估的特異性和準確性。

大數據和人工智能的開展與運用需要以強大的信息處理和通信技術作為基石，數據的收集和處理對疼痛評估的結果起著決定性的作用，醫護人員的作用反而較弱。然而，醫學同時也是一門人文科學，我們不可忽視醫護人員在疼痛管理中的重要性。

雖然新技術在醫療護理領域的運用越來越多，也帶來了許多的便利和進步，但需要強調的是護士在意識障礙患者照護中的重要作用，應該倡導以護士為主導的疼痛評估。不論是使用主觀、客觀疼痛評估量表，還是運用疼痛檢測技術，都離不開護士與患者的的溝通和密切觀察，依賴于護患之間建立的彼此信任的治療關系。

4 小結

疼痛是危重癥患者的主要壓力之一，有效的評估是疼痛管理的基礎。由于無法準確自述疼痛，意識障礙患者的疼痛評估成為一大挑戰。在對意識障礙患者進行疼痛評估，能獲得患者主訴時可以使用主觀疼痛評估量表，不能獲得疼痛主訴時宜使用客觀疼痛行為評估量表，如無法觀察疼痛行為可使用儀器檢測疼痛評估技術，或使用機器學習等大數據技術來預測疼痛。疼痛評估是意識障礙患者疼痛管理的第一步，準確而及時的疼痛評估可指導疼痛干預和疼痛管理，避免疼痛感受帶來的不良影響。目前已在使用的意識障礙患者的疼痛評估方法各具特色，但均有一定的局限性，因此探索一種聯合主客觀評估工具與先進技術相結合的疼痛預測或評估策略是未來的研究方向。