基于机器学习的光电容积脉搏波特征分析实现围术期疼痛定量评估新突破

本研究针对围术期疼痛评估缺乏客观指标的临床难题，开发了基于PPG（光电容积脉搏波）波形特征的XGBoost机器学习模型。通过分析242例患者围术期数据，研究团队发现收缩期面积（PAsys）和波形偏度（Skew）等关键特征可有效区分疼痛状态，模型在术中（AUROC=0.819）和术后（AUROC=0.927）均显著优于商用SPI指数。该成果为全周期疼痛管理提供了智能化解决方案，发表于《npj Digital Medicine》。

　　

疼痛被称为"第五生命体征"，但传统评估依赖患者主观描述，尤其在全身麻醉状态下更面临巨大挑战。现有商用设备如手术体积指数（SPI）虽能通过脉搏间隔和振幅反映伤害感受/镇痛平衡，但存在个体差异大、术后适用性差等局限。如何建立覆盖全围术期的客观疼痛评估体系，成为改善患者预后、实现精准镇痛的关键科学问题。

韩国峨山医学中心（Asan Medical Center）的研究团队创新性地将机器学习与PPG波形分析相结合，开发出首个适用于术中及术后双场景的疼痛评估模型。通过提取PPG波形中收缩期面积、脉搏波50%宽度（PW₅₀/PPI_onset）等59项时空特征，研究构建的XGBoost模型在242例择期手术患者中验证显示：术中疼痛识别性能（AUROC 0.819）与SPI相当，而术后评估（AUROC 0.927）则显著优于SPI的0.577。该成果突破性地发现不同生理状态下疼痛的差异化生物标志物——术中疼痛主要体现为舒张期斜率改变（PW₅₀/PPI_onset↑），术后疼痛则与呼吸相关的基线波动（AV_onset↑）显著相关。

研究采用多阶段技术路线：首先通过300Hz采样获取PPG原始信号，经0.5-10Hz带通滤波后，采用自动检测算法结合人工校验分割脉搏波；继而从波形内特征（如收缩期长度L_sys）和波形间特征（如相邻脉搏起始点振幅变异AV_onset）两个维度提取177项参数；最后通过SHAP值筛选关键特征，采用5折交叉验证优化XGBoost超参数。所有数据采集均遵循CRIS注册方案（KCT0005840），术中伤害性刺激标签严格依据血压升高>15mmHg或心率变化标准。

特征选择

模型识别出四大核心特征：术中疼痛与波形右偏（Skew↓）和舒张期血流下降速率（PW₅₀/PPI_onset↑）强相关，反映交感激活导致的血管收缩；术后疼痛则表现为收缩期面积减小（PA_sys↓）和呼吸性基线波动（AV_onset↑），提示副交感代偿机制参与。

模型性能

围术期模型（model_peri）在保持术中评估灵敏度（0.661）的同时，术后特异性达0.705，而SPI术后特异性仅0.325。值得注意的是，SPI在术后场景中62%的"无痛"状态仍被误判为疼痛，凸显新模型的临床优势。

生理机制

波形分析揭示：疼痛时收缩期振幅降低伴随舒张期缩短，这与血管收缩导致的末梢灌注减少一致；术后增加的呼吸变异（AV_onset）则可能反映患者通过深呼吸缓解疼痛的生理反应。

这项研究首次实现从PPG波形中解码不同生理状态下的疼痛特征谱，其重要意义体现在三方面：技术上，突破传统指数仅适用单一场景的限制，通过机器学习融合多维度特征；临床上，为插管患者等无法主诉疼痛的群体提供客观评估工具；理论上，揭示术中（交感主导）与术后（交感和副交感交互）差异化的疼痛生理机制。未来研究可进一步优化2分钟分析窗口，实现实时监测，并通过多中心验证推动临床转化。正如作者Gayeon Ryu等强调，该模型将助力建立基于证据的精准镇痛策略，有望改写围术期疼痛管理指南。