Search the Community

W Szkole Medycznej Uniwersytetu Stanforda opracowano metodę obiektywnej oceny bólu. Bazuje ona na analizie wzorców aktywności mózgu. Zespół Seana Mackeya stosował połączenie funkcjonalnego rezonansu magnetycznego i zaawansowanych algorytmów komputerowych. Dzięki temu aż w 81% przypadków udawało się trafnie przewidzieć ból wywołany temperaturą u zdrowych ochotników. Ludzie od bardzo dawna poszukują wykrywacza bólu. Mamy nadzieję, że ostatecznie będziemy mogli wykorzystać naszą technologię do lepszego wykrywania i leczenia przewlekłego bólu – opowiada Mackey. Amerykanie podkreślają, że w przyszłości trzeba będzie ustalić, czy metoda sprawdzi się w odniesieniu do rozmaitych rodzajów bólu i czy pozwoli na dokładne różnicowanie między bólem a innymi pobudzającymi emocjonalnie stanami, np. lękiem. Trzeba też pamiętać, że na razie udało się trafnie ocenić tylko ból termiczny, w dodatku w warunkach laboratoryjnych. Naukowcy od dawna próbowali obiektywnie mierzyć ból, ale się to nie udawało. Dopiero postępy w zakresie technik obrazowania dały pewną nadzieję na fizjologiczny pomiar bólu. Mackey wyjaśnia, że dzięki temu udałoby się rozwiązać wiele problemów, zwłaszcza u pacjentów bardzo młodych i bardzo starych, którzy nie są w stanie opisać natężenia bólu. Pomysł studium dotyczącego bólometru pojawił się na sympozjum organizowanym w 2009 r. przez Stanford Law School. Dwaj naukowcy z laboratorium Mackeya, Neil Chatterjee (obecnie doktorant na Northwestern University) i Justin Brown (obecnie prof. biologii w Simpson College), przeprowadzili badania na 8-osobowej grupie. W czasie, gdy sonda cieplna parzyła ich przedramiona, powodując umiarkowany ból, poddali ich badaniu fMRI. Utrwalono wzorce aktywności mózgu w obecności i przy braku bólu. Zostały one zinterpretowane przez algorytm komputerowy (zastosowano sieć SVM w wersji liniowej). Na tej podstawie stworzono model bólowy, który przetestowano na kolejnej 8-osobowej grupie. Poprosiliśmy komputer, by stwierdził, jak wygląda ból. Potem mogliśmy zmierzyć, jak dobrze maszyna radziła sobie z jego wykrywaniem – tłumaczy Chatterjee. Poradziła sobie naprawdę dobrze, trafiając w 81% przypadków.