Optimierung der Reliabilität und Spezifität der automatisierten multimodalen Erkennung von Druck- und Hitzeschmerzintensität

• Antragsteller: Professor Dr.-Ing. Ayoub Al-Hamadi; Professor Dr. Harald C. Traue
• Fachliche Zuordnung: Anästhesiologie
• Förderung: Förderung von 2011 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 193061652

Derzeit gebräuchliche Methoden zur klinischen Schmerzmessung sind nur begrenzt reliabel und valide, sie sind zeitaufwendig und können nur bedingt bei Patienten mit eingeschränkten verbalen Fähigkeiten eingesetzt werden. Wenn eine valide Schmerzmessung nicht möglich ist, kann dies zu stressbedingtem kardiologischem Risiko, zu Über- oder Unterversorgung von Analgetika und zu einer suboptimalen Behandlung von akutem und chronischem Schmerz führen. Der Fokus dieses Projektantrages ist daher die Verbesserung der Schmerzdiagnostik und des Monitorings von Schmerzzuständen. Durch die Nutzung von multimodalen Sensortechnologien und hocheffektiver Datenklassifikation kann eine reliable und valide automatisierte Schmerzerkennung ermöglicht werden. Um dieses Ziel zu erreichen, wird durch die Kombination neuer innovativer Methoden der Datenanalyse, der Mustererkennung und des maschinellen Lernens auf Daten eines experimentellen Protokolls eine vielversprechende Strategie der objektiven Schmerzerkennung entwickelt. Biomedizinische, visuelle und Audiodaten werden unter experimentellen und kontrollierten Schmerzapplikationen bei gesunden Versuchspersonen gemessen. Um Merkmale (Features) extrahieren und selektieren zu können, werden die experimentellen Daten seriell mit komplexen Filtern und Dekompensationsmethoden vorverarbeitet. Die so gewonnenen Merkmale sind die Voraussetzung für eine robuste automatisierte Erkennung der Schmerzintensität in Realzeit. Die geplante Studie ist ein Fortsetzungsantrag des DFG-Projektes: Weiterentwicklung und systematische Validierung eines Systems zur automatisierten Schmerzerkennung auf der Grundlage von mimischen und psychobiologischen Parametern. Durch folgende Schwerpunkte wird Antrag erweitert: 1. Generalisierung: Die Generalisierbarkeit der Schmerzerkennung wird mit einem komplexen Schmerzmodell aus phasischen und tonischen Hitze- und Druckschmerzen getestet und dadurch verbessert. 2. Schmerzbezogene Reaktionsspezifität: Die Spezifität der algorithmischen Schmerzerkennung wird durch den Vergleich mit rein psychosozialem Stress bestimmt. 3. Response-Modalitäten: Die psychobiologischen und mimischen Parameter werden durch Paralinguistik, Hautleitwert, Körpersprache und andere Modalitäten der Schmerzerkennung ergänzt. 4. Die transtemporale Reliabilität der automatisierten Schmerzerkennung wird durch eine Wiederholung des experimentellen Protokolls nach (mindestens) einer Woche gewonnen. 5. Personenspezifische Kalibrierungsmethoden werden miteinander verglichen, um die Erkennungsraten zu verbessern. 6. Alle Schmerzklassifikationen werden für eine Echtzeitanwendung eines klinischen Schmerzmonitorings adaptiert und optimiert.

• DFG-Verfahren: Sachbeihilfen