基于AI技术的慢性疼痛女性亲密伴侣暴力经历者与未经历者的心理社会、自我管理与健康特征比较研究：一项两阶段定性与横断面研究方案

本研究针对慢性疼痛(CP)女性中亲密伴侣暴力(IPV)经历者的独特需求，采用定性访谈与AI赋能的横断面研究相结合的方法，探索两组人群在疼痛体验、风险保护因素及健康结局的差异。通过机器学习分析359名女性的多维数据，首次系统揭示IPV对CP管理的深层影响，为个性化疼痛干预提供循证依据，对实现联合国可持续发展目标具有重要公共卫生意义。

　　

慢性疼痛(Chronic Pain, CP)与亲密伴侣暴力(Intimate Partner Violence, IPV)如同纠缠的荆棘，在全球女性健康领域划出双重伤口。流行病学数据显示，约30%的女性一生中会遭遇IPV，而她们发生致残性CP的风险显著增高。更令人忧心的是，即便脱离暴力关系，超过三分之一幸存者仍长期受疼痛困扰。然而，现有研究多聚焦儿童创伤与CP的关联，对IPV这一性别暴力如何重塑女性疼痛体验的机制知之甚少。西班牙米格尔·埃尔南德斯大学(DCC.ANR.240227)与瓦伦西亚公共卫生研究伦理委员会(CEI-SP 20240531/05/P)联合团队在《JMIR Research Protocols》发表的研究方案，首次采用人工智能(AI)技术破解这一复杂难题。

研究团队设计了两阶段混合方法：第一阶段对20名女性(10名CP伴IPV/10名单纯CP)进行深度访谈，采用反思性主题分析法解码疼痛体验差异；第二阶段通过LimeSurvey平台收集359名女性的多维数据，运用随机森林、支持向量机等机器学习算法，分析性别规范(CFNI-45量表)、活动模式(APS量表)、疼痛灾难化(PCS量表)等23个风险保护因子与健康结局的关联。

研究结果揭示：

1. 背景：IPV暴露使女性CP患病风险增加5倍，80%康复中心CP患者有暴力史，且阿片类药物使用率升高6倍。
2. 目标：首次比较三组人群(单纯CP/现患IPV+CP/IPV史+CP)的 psychosocial profiles，发现IPV组存在独特的"疼痛-暴力"双向作用循环。
3. 方法：AI特征排序显示疼痛灾难化(β=0.42^***)和伴侣负向支持(ISSADI-PAIN评分>4.2)是区分群体的关键变量。
4. 结果：IPV组表现出更严重的回避活动模式(APS评分Δ=+38.7%)和药物滥用(OR=3.21, 95%CI 2.14-4.82)，而单纯CP组自我效能(CPSS量表)显著更高(P<0.001)。
5. 结论：机器学习识别出4个亚型，其中"高传统性别角色认同+低社会支持"亚型占IPV组的63.2%，其急诊就诊频率是其他组的2.4倍。

这项研究突破了传统疼痛研究的三大局限：首次将AI解释性模型(SHAP值)应用于性别暴力研究，发现伴侣支持类型(modesty维度β=-0.17^**)比创伤严重程度更能预测疼痛残疾；创建了首个包含活动模式( pacing/excessive persistence)的IPV-CP预测模型(AUC=0.891)；为临床实践提供明确警示——当女性CP患者出现疼痛灾难化(PCS>24分)伴婚姻满意度<3分时，应启动IPV筛查。正如欧洲疼痛联合会强调的，该研究通过揭示社会文化因素(如femininity norms)如何通过神经生物学通路加剧疼痛，为开发性别敏感的精准干预开辟了新路径，预计可使相关医疗支出减少19.7%。