一种激光散斑对比成像的应用、方法及其系统
本发明涉及医药领域,具体涉及了一种基于激光散斑成像的应用、方法及其系统。
背景技术:
1、随着医疗技术的进步与临床需求的不断增加,对疼痛管理的关注愈发重要。然而,在实际临床中,许多患者由于处于全身麻醉、重症监护、意识障碍或认知功能受损等原因,无法准确表达疼痛程度,从而导致疼痛控制不足或过度镇痛。这一现状凸显了开发能够在不同患者群体中量化疼痛的新型客观监测技术的必要性。
2、现有客观疼痛监测方法分为三类:面部表情评估系统在内的观察方法、由qnox/qcon系统代表的电生理学方法,以及自主神经系统监测技术(如手术容积指数spi和伤害感受指数nol)。较为熟知的spi、nol和镇痛伤害感受指数(ani)等方式利用微循环灌注作为关键监测参数,因为血管平滑肌直接反映交感活动、可反应轻微刺激影响,并通过局部轴突反射提供快速反应。然而此类技术依赖光电容积脉搏波描记法(ppg),通过测量血管容积波动期间血红蛋白依赖性光吸收变化来量化局部微循环血流。ppg的单点监测无法分析空间分布模式,接触式测量亦可直接影响灌注。此外,现有监测方法各有局限性:ani受呼吸影响显著,spi主要适用于全身麻醉患者,nol在不同临床研究中表现不一致,难以广泛应用。因此,开发新型疼痛客观监测技术成为迫切需求。
技术实现思路
1、本发明的目的是旨在提供一种客观、实时、全面反应疼痛的系统、装置或设备。
2、本发明的提供的基础技术方案为:一种疼痛治疗、诊断、伴随诊断、缓解、检测、评估或监测系统,其特征在于:包括信息采集、数据处理、模型构建、数据分析和结果输出步骤,其中,信息采集步骤中采集的信息包括获取目标对象的激光散斑对照成像的数据信息。
3、进一步,所述的激光散斑对照成像的数据指其灌注量参数。
4、进一步,所述的灌注量参数为任意时间段内的激光散斑对照成像灌注量的平均值、中位值、最大值、最小值中任意一个或任意两种、三种或四种数值的组合。
5、进一步,所述的灌注量参数为任意时间段内的激光散斑对照成像灌注量的中位值、最小值中任意一个或两种参数的组合。
6、进一步,所述的数据处理步骤中,获取灌注量参数的差值或比值,指灌注量参数的前任意时间段内的平均值、中位值、最大值或最小值的灌注量参数与后任意时段内对应的平均值、中位值、最大值或最小值的灌注量参数的差值或比值。
7、进一步,所述的模型构建是基于样本数据库中已知疼痛结果的训练样本的输入参数及其对应类别,采用logistic回归拟合得到的线性预测模型。
8、进一步,所述的数据分析步骤为采用模型构建步骤得到的线性预测模型,对线性预测值进行标准化处理,得到疼痛参考值;
9、所述的标准化处理的公式为:lni=clip[(s-s1)/(s99-s1)×100,0,100]
10、其中,clip[
x,0,100]表示将数值x限制在0至100的区间内,小于0取0,大于100取100;s1
s1为训练样本线性预测值的第1百分位数,s99
s99为训练样本线性预测值的第99百分位数。
11、进一步,所述的模型构建步骤中,包括数据分类和数据训练步骤,
12、数据分类:将目标对象分类,可以分为nrs>4、nrs≤4两类(也可以分为nrs>6、nrs≤6两类),将不同类别的目标对象的前任意时间段内激光散斑对照成像的平均值、中位值、最大值或最小值的灌注量参数与后任意时段内对应的平均值、中位值、最大值或最小值的灌注量参数的差值或比值,按类别分为训练数据;
13、数据训练:采用logistic回归对两组训练数据进行拟合、训练,得到数据模型的截距和系数
14、数据训练,数据模型的线性预测值公式为s=β0+β1x1+β2x2+……+βmxm,
15、x1至xm为输入参数,输入参数包括前任意时间段内激光散斑对照成像的平均值、中位值、最大值或最小值的灌注量参数与后任意时段内对应的平均值、中位值、最大值或最小值的灌注量参数的差值或比值;
16、β0为截距,β1至βm为数据训练后拟合得到的系数。
17、进一步,所述的结果输出步骤步骤中,输出的结果为0~100分lni值,lni值用于表示疼痛或伤害性刺激相关的微循环灌注变化。
18、进一步,用于重症监护、全麻患者、儿科和/或认知障碍人群。
19、进一步,用于手术室、icu、门诊有创操作、慢性疼痛诊治。
20、进一步,所述的信息采集步骤中,采集的信息还包括有采集心率、血压、呼吸频率、血氧饱和度等常规监测参数,还包括激光散斑对照成像的热力图或趋势图。
21、进一步,采集的信息还包括有采集对侧或非疼痛部位的参数。
22、进一步,所述的模型构建步骤中的模型采用随机森林、多元回归模型、梯度提升机、神经网络算法、深度学习网络模型。
23、进一步,还包括有脑电双频指数(bis)、肌松监测、血压心率监测、图像识别、图像分析步骤。
24、本发明还提供另一个方案,利用上述所述系统的硬件、装置或设备。
25、进一步,其硬件、装置或设备包括介入式或非介入式。
26、激光散斑对照成像(laser speckle contrast imaging, lsci)是一种基于激光散斑现象的无标记成像技术,广泛应用于医学、生物学和工业领域。其核心原理是利用相干光源照射粗糙或动态散射介质(如活体组织),通过散射光形成的随机干涉图案(散斑图)来获取目标信息。lsci 具有无创、快速、事实、成本低的优点。目前,lsci被广泛应用于医学研究中,用于评估微血管损伤、血流动力学变化、烧伤评估以及眼部疾病;另外,lsci在皮肤病学上有着广泛的应用,如皮肤移植、血管病变治疗的检测、斑贴试验量化、雷诺评分、 瘢痕评估、自身免疫、药物诱导、遗传和炎症皮肤病等。
27、本发明的发明人在对lsci的研究过程中,利用lsci技术在激光照明下,通过相机采集组织表面漫反射后的散斑图像,结合图像处理算法得到反映红细胞在微血管内流动状态的灌注参数。利用激光散斑对比度对血流速度或灌注量进行定量或半定量分析的研究。
28、经研究发现,lsci技术的定量或半定量分析与患者的疼痛感受之间存在着某些关联,为了全面验证本发明的可行性与适用范围,本发明在多个层面进行了实验设计:
29、(1)健康志愿者体验人工控制的疼痛刺激(压力疼痛、电刺激疼痛)过程中接受lsci检测;
30、(2)临床患者在常规侵入性操作(动脉穿刺)过程中接受lsci检测;
31、(3)在动物模型上模拟不同麻醉深度与不同剂量镇痛药物的效果,以排除人体试验中无法在无镇痛或重度疼痛状态下进行大规模研究的伦理限制。通过多场景、跨物种的实验设计,可较为全面地评估lsci对疼痛强度变化的敏感性和特异度。
32、实验结果发现,无论是压力疼痛、电刺激疼痛,刺激后的灌注量较刺激前的灌注量均表现为下降趋势,表明它们可能可以作为评估伤害性感受的指标。
33、为了进一步排除压力疼痛和电刺激疼痛在个体差异性的疼痛感受表达导致的差异,本发明的发明人采用动脉穿刺手术做进一步验证,分别记录穿刺前和穿刺后的灌注量,并由患者自述的穿刺过程中的nrs疼痛评分,并将nrs≤4的轻度疼痛组(对照组,n=70)和nrs>4的严重疼痛组(n=62)区分为两组,并分别计算两组患者的roi平均值、中位数、最大值、最小值的差值和比值,结果表明,无论在实验还是临床环境中,疼痛均伴随灌注下降。
34、为了在模拟多种临床情境的可控条件下系统评估 lsci 对伤害性感受(nociception)的监测能力,本发明的发明人也建立了小鼠足底切开模型,并分别使用不同麻醉和镇痛方案,以验证无论使用哪种麻醉方法,lsci 是否都能可靠地检测伤害性反应,结果表明,lsci 在不同麻醉方式、镇痛剂量和疼痛强度条件下均表现出一致且敏感的响应能力。
35、目前,lsci技术虽然在多个领域得到应用,但是现有技术中并没有将其用于疼痛方面研究的技术研究,本发明验证了lsci技术中灌注量、任意时间段内灌注量的平均值、中位值、最大值、最小值参数均与疼痛感受呈负相关的关系,首次将lsci技术用于疼痛管理方面,当然也包括lsci技术的灌注量、任意时间段内灌注量的平均值、中位值、最大值、最小值参数分别首次应用于疼痛管理方面,尤其是中位数和最小值参数,表现了更可靠的指标潜力。除了灌注量参数外,也可建立可视化界面(如热力图或趋势图),实时呈现血流分布与数值变化,以辅助医务人员判断疼痛水平和制定镇痛方案。
36、在应用方面,通常疼痛是相对于前一刻或者前一段时间的疼痛感受,因此,本发明采用前任意时间段内灌注量参数与后任意时段内灌注量参数的差值或比值来反应,相对于前一时间段,目前时间段的疼痛程度,更为疼痛或者更不疼痛。
37、当然在标准化的操作下,大量采集参数后,建立起标准化的能够反映疼痛程度的参数指标值,当然可单独使用某时间点的灌注量参数,也可单独使用任意时间段内灌注量的平均值、中位值、最大值或最小值,当然,也可使用平均值、中位值、最大值、最小值中任意两个组合、任意三个组合或者四个参数的组合作为疼痛指标使用。
38、在应用中,将lsci设备的激光光源和高速相机对准被测区域(常见为手背、腕部或动物足底等易见血管部位),根据距离和光路条件调节焦距或曝光设置,保证采集到足够清晰、无明显过曝或欠曝的散斑图序列。在不施加任何刺激或操作之前,记录若干秒至半分钟左右的lsci数据,得到基准灌注水平。在此过程中受试者保持安静,并避免外界多余干扰。对健康受试者可采用已知或逐渐增强的疼痛刺激,如机械压力、冷刺激、电刺激等;针对临床患者则在常规操作(如动脉穿刺、插管操作)中进行lsci监测,配合患者实际nrs或其他主观痛感量表;若针对动物模型,则根据实验组别给予不同麻醉与镇痛处理,并进行标准化的外科操作(如足底切口)。收集散斑图像后,对监测时间内roi内各帧灌注值进行计算与分析。一方面可提取如中位数、最小值、平均值、最大值等多元指标,另一方面可对参数变化量(差值或比值)进行统计。
39、上述疼痛指标可用于在疼痛管理方面,用于疼痛治疗、诊断、伴随诊断、缓解、检测、评估、监测等方面。当然可用于任意一个,也可用于多种组合的用途。
40、在研究的基础上,本发明研究转化为计算机软件系统,或者包括了系统的芯片等硬件、装置及其设备,包括介入式和/或非介入式。用于重症监护、全麻患者、儿科和/或认知障碍人群,在手术室、icu、门诊有创操作、慢性疼痛诊治时作为辅助诊断的工具。
41、具体而言,是利用已知疼痛指数的患者群的作为训练样本:
42、s1将样本分类,可以分为nrs>4、nrs≤4两类,也可以分为nrs>6、nrs≤6两类;
43、s2,分别采集两类训练样本的激光散斑对照成像灌注量参数,包括平均值、中位数、最大值、最小值,选择候选参数,可以选取平均值、中位数、最大值、最小值任意一个、任意两个、任意三个或四个的组合,然后分别计算每名训练对象的候选参数的差值或比值,指灌注量参数的前任意时间段内候选参数的灌注量参数与后任意时段内对应的候选参数的灌注量参数的差值或比值,后任意时段内的候选参数减去或除以前任意时间段内的对应候选参数;将每名训练对象的候选参数与其已知结局一一对应,形成训练数据。对内容高度重复的参数进行筛选,避免相同信息被重复使用。
44、s3采用logistic回归对两组训练数据进行拟合、训练,得到数据模型的截距和系数;进行数据训练获得模型公式。
45、数据模型的线性预测值公式为s=β0+β1x1+β2x2+……+βmxm,
46、x1至xm为输入参数,输入参数包括前任意时间段内激光散斑对照成像的平均值、中位值、最大值或最小值的灌注量参数与后任意时段内对应的平均值、中位值、最大值或最小值的灌注量参数的差值或比值,β0为截距,β1至βm为数据训练后拟合得到的系数。
47、根据拟合结果选择表现稳定的参数组合,并确定线性预测值的重标化参数和需要使用的分界值,形成训练好的固定模型。
48、在具体进行疼痛预测和辅助诊断的应用时,计算机具体执行的操作步骤为:
49、(1)数据收集:收集目标对象的激光散斑对照成像的数据信息,即为灌注量参数,任意时间段内的激光散斑对照成像灌注量的平均值、中位值、最大值、最小值,
50、(2)数据处理:计算目标对象的灌注量参数的差值或比值,指灌注量参数的前任意时间段内的平均值、中位值、最大值或最小值的灌注量参数与后任意时段内对应的平均值、中位值、最大值或最小值的灌注量参数的差值或比值;选择候选参数,计算得到候选参数的差值或比值。当需要增加其他参数作为候选参数时,应重新构建模型。
51、(3)数据利用:将处理后的数据代入上述数据训练后的固定模型公式中,获得线性预测值s,再将s代入标准化处理公式中,获得0~100分的lni值;
52、标准化处理的公式为:lni=clip[(s-s1)/(s99-s1)×100,0,100]
53、其中,clip[
x,0,100]表示将数值x限制在0至100的区间内,小于0取0,大于100取100;s1为训练样本线性预测值的第1百分位数,
s99为训练样本线性预测值的第99百分位数;
54、(4)数据分析:计算机以连续数值及其随时间的变化趋势分析lni值。比如,中位数比值或最小值比值下降时,lni相应升高。较高lni表示微循环灌注特征更接近本患者队列nrs>4组模式,即为更接近疼痛。计算机还可将lni与参考值或预设阈值比较,生成分层结果或风险提示。在患者队列中,可采用roc曲线、auc、灵敏度、特异性、阳性预测值、阴性预测值和准确率进行内部评估。
55、(5)结果输出:可以输出lni值、参数、图像或者设置阈值的警告信息。
56、阈值的设置原则,为满足在实际临床中的快速判定需求,本发明在lsci获取的基础上引入了自适应阈值的检测策略。在测定大量某种状态的参数,比如手术过程中穿刺前和穿刺后的参数后,结合患者和手术过程中的具体要求,测算能承受的疼痛参数阈值。
57、根据阈值,即在设定一段基线记录后,根据系统数据利用和分析后,将其与阈值进行对对后,可将该阈值固化于硬件或软件系统,使医护人员在监护界面上实时地得到“疼痛增高”或“风险预警”的提示。
58、若指标的下降幅度或绝对值超出既定阈值,即可初步判定存在中重度疼痛或伤害性刺激。
59、相比于依赖ppg或与皮肤直接接触的其他监测方式,lsci完全采用光学成像方式,可覆盖一定面积的皮肤或组织表面,直接生成血流分布图,并在较高帧率下实时更新。高分辨率的可视化信息不仅可为医护人员提供直观判断,也能避免探头挤压组织导致的监测失真。
60、由于本发明通过散斑对比度来捕捉微循环变化,而微循环在疼痛或伤害刺激时往往存在即时收缩或灌注减少的规律性趋势,因此在丙泊酚、异氟烷等多种麻醉手段下,甚至在镇痛药物剂量不同的前提下,lsci数据对疼痛的指示均能保持一定的一致性。临床试验和动物实验结果都表明高剂量镇痛组的灌注下降幅度显著小于低剂量或未用药的组别,为围手术期镇痛方案的个体化调整提供了重要参考。
61、在临床场景下,本发明还可引入心率、血压、呼吸等常规监测参数用于校正噪声;在实验研究中,则可叠加行为学测试或镇痛药物用量等信息。通过建立可视化界面(如热力图或趋势图),实时呈现血流分布与数值变化,以辅助医务人员判断疼痛水平和制定镇痛方案。
62、采用本发明上述技术方案的系统,还可以包括采用随机森林、多元回归模型、梯度提升机、神经网络的人工智能或机器学习模型算法。
63、本发明并不仅局限于由散斑图像直接输出的基础灌注参数,也可结合机器学习或多元回归模型,对各项lsci指标进行融合。例如,可将最小值、中位数、变化斜率等输入至随机森林、梯度提升机、神经网络等模型,用于优化疼痛分级的精确度。本发明在健康志愿者与患者研究中发现,适当的算法调优可进一步提升对中度或重度疼痛的识别率并降低误判。
64、采用本发明上述技术方案的方法,包括实时对比双侧肢体或邻近区域,将对侧或其他非疼痛部位作为参考roi,采集的参数与疼痛部位的参数相同,从而通过两区域差分来排除全身血管活性的整体波动。
65、在临床或科研实际应用中,仍可能存在影响血流灌注准确性的干扰因素,如体温变化、血管活性药物使用、情绪或交感紧张度等。本发明可通过以下方式应对:实时对比双侧肢体或邻近区域:将对侧或其他非疼痛部位作为参考roi,通过两区域差分来排除全身血管活性的整体波动;实施参数归一化策略,对个体在基线时段的灌注值进行归一化,使后续指标变化与个体生理基线紧密关联;结合生理监测数据如心率、血压、呼吸频率和血氧饱和度等,可在算法中添加加权或滤波器,以区分疼痛引起的血流变化与其他短暂的生理波动。
66、本发明lsci技术的应用,尤其在重症监护、全麻患者、儿科和/或认知障碍人群在疼痛治疗、伴随治疗、缓解、检测、评估、监测任意一种或几种组合的装置/设备/系统/介质中的应用,意义更为显著。
67、重症监护与全麻患者:传统的自主神经监测指标(如spi、nol)在深度麻醉或高剂量镇静时易出现准确度下降。本发明能够通过非接触式lsci捕捉到残余的外周微循环波动,尤其在针刺、切口、牵拉等短时伤害性操作时能提供监测依据;儿科与认知障碍人群:无法清晰表达疼痛感的儿童或老年患者,常常导致疼痛管理不足或过度。本发明可无创获取实时参数,让医护人员及时判断此类特殊人群的伤害性刺激程度,避免主观猜测误差;慢性疼痛与康复评估:对于存在慢性疼痛的患者(如神经病理性疼痛、肌肉骨骼疼痛等),本发明可进行周期性观测,量化治疗过程中的疼痛趋势;动物实验与药物筛选:在动物模型中,本发明可替代或补充传统的行为学评分(如热板、甩尾、拉蒂弧尻反应等),以更为客观的方式检测疼痛行为及观察镇痛药物的即时和持续效果。
68、利用本发明应用的系统,还可以包括脑电双频指数(bis)、肌松监测、血压心率监测、图像识别、图像分析监测步骤。
69、本发明提出的lsci监测方法可独立应用,也可与脑电双频指数(bis)、肌松监测、血压心率监测等常规参数相配合;在特定情形下,也可与行为学摄像或面部表情识别算法联合,将多模态信息整合为更为全面的疼痛监测系统。
70、本发明通过算法和硬件的模块化设计,使其在临床环境与科研环境均能灵活部署。对于研发需求,可拓展大数据平台或深度学习网络,对海量lsci影像进行建模;对于基层医院与移动医疗,则可研发便携式lsci采集装置,实现小范围内的床旁检测。
71、本发明可被广泛应用于手术室、icu、门诊有创操作、慢性疼痛诊治以及科研动物实验等多类场景,具有明显的推广价值。在疼痛的治疗、诊断、伴随诊断、缓解、检测、评估或监测方面都可以应用,可以接入现有的设备、装置和系统中应用。
72、在手术过程中,实现对患者疼痛水平的动态追踪,可避免过度镇痛造成的副作用或镇痛不足导致的应激反应和术后并发症。尤其在复杂手术或小儿/老年患者手术中,本发明有助于麻醉师根据实时反馈调整镇痛药物剂量并评估效果。
73、对于意识障碍或无法沟通的患者,传统疼痛评分难以深入开展。本发明为icu提供了新的监测选择,可帮助护理人员快速了解患者的疼痛波动,从而指导镇痛镇静策略,改善抢救与康复质量。
74、通过在动物模型中进行不同镇痛药物或干预措施的验证,本发明能够客观表征疼痛引起的微循环变化,为探索新药物或新镇痛方法提供可量化、可重复的指标;同时也可缩短药物筛选周期,并提升科研结论的可靠性。
75、随着医疗模式的下沉化与个体健康管理理念增强,未来有望将lsci进行小型化或手持化改造,使慢性疼痛或术后康复患者在家中也能实现客观疼痛监测,并借助远程医疗平台让医生进行在线诊断与随访。
76、与现有的疼痛客观化工具相比,本发明在监测维度、适用人群以及灵活度方面均有显著提升。尤其在全麻或特殊人群下的成像稳定性、对中重度疼痛的敏感性、与主观评分间的联动性以及简便易用等方面,均展现出广阔的应用前景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com