《Frontiers in Pain Research》：Generative AI as a bounded elicitation and evidence-synthesis layer for pain assessment in older adults with cognitive impairment
编辑推荐：
摘要专业翻译
认知障碍老年人的疼痛评估仍具挑战性，尤其是在沟通变化使自我报告变得困难时。经过验证的观察工具、照护者与工作人员的知识、临床检查以及重复的个体内评估仍是照护的基础。然而，来自这些来源的信息可能不完整、相互矛盾，或分散记录在不同场景中。生成式人工智能
摘要专业翻译
认知障碍老年人的疼痛评估仍具挑战性，尤其是在沟通变化使自我报告变得困难时。经过验证的观察工具、照护者与工作人员的知识、临床检查以及重复的个体内评估仍是照护的基础。然而，来自这些来源的信息可能不完整、相互矛盾，或分散记录在不同场景中。生成式人工智能（Generative AI），包括大语言模型（large language models），可能帮助临床医师组织和审查这些信息，但不应独立检测、诊断或决定疼痛的治疗。在本观点文章中，研究人员提出一个以人为中心、临床医师主导的框架，用于生成式人工智能在疼痛评估中的有界使用。该框架在三个核心功能下组织了七个可测试的应用场景：能力敏感性引导（capacity-sensitive elicitation）、来源归因整合（source-attributed synthesis）以及纵向支持与沟通（longitudinal support and communication）。潜在应用包括适应性疼痛访谈、识别日常语言中可能的疼痛相关信息、结构化行为观察、多信息提供者整合、经验证的非语言指标整合、纵向疼痛相关日记以及照护者沟通支持。每项应用都需要明确的界限、来源标识、不确定性沟通、对痛苦替代原因的考量，以及在临床行动或记录前必须由临床医师进行验证。研究人员还考察了与暗示性、偏倚、药物效应、隐私、警报疲劳、工作负荷以及对AI生成输出的过度依赖相关的风险。提出了一个五步研究路径，包括共同设计、技术测试、临床验证、跨人群与照护场景的评估，以及基于风险的治理。生成式人工智能只有在前瞻性研究证明其超越经验证的评估方法和常规临床工作流程具有有意义的价值，且不减少患者选择、不取代临床判断或不增加工作负荷时，才应被采用。
论文解读文章
一、研究背景与问题
在老年认知障碍人群中，疼痛评估长期面临严峻挑战。随着认知功能下降，患者的沟通能力受损，自我报告这一疼痛评估的黄金标准往往难以可靠获取。临床实践中，激越、游走、攻击或抗拒照护等行为可能反映疼痛，也可能源于其他痛苦来源、痴呆进展或多种因素叠加。由于缺乏单一行为能特异性地证明疼痛存在，临床医师必须整合多源信息，包括经验证的观察工具、照护者与工作人员知识、体格检查以及重复的个体内评估。然而，这些信息常常不完整、相互矛盾，或分散记录于不同照护场景中，导致疼痛的识别不足和治疗不足。
近年来，人工智能已被用于疼痛评估领域，包括面部和行为指标的自动分类、PainChek系统以及电子健康记录（EHR）的自然语言处理。但这些系统大多采用判别式AI对既有数据进行分类或评分。生成式人工智能（Generative AI）——尤其是大语言模型（LLM）——具有不同特性，它能响应语言、组织多来源信息并生成书面或对话式输出。关键问题并非生成式AI能否检测疼痛，而在于它能否帮助临床医师审查碎片化或相互矛盾的信息，同时保持原始来源、分歧、缺失信息、替代解释和不确定性可见。基于此，研究人员提出一个以人为中心、临床医师主导的有界使用框架，以指导生成式AI在认知障碍老年人疼痛评估中的审慎应用。
二、研究内容与核心结论
研究人员提出了一个“以人为中心的证据到行动框架”（person-centered evidence-to-action framework），其核心理念是：评估始于患者而非技术。框架包含三项安全护栏：第一，只有适当的、来源明确的信息才能进入系统，直接与患者互动时需获得同意或默许；第二，AI输出应区分观察与解释，展示一致与分歧之处，识别缺失信息，并呈现不确定性和其他可能的痛苦原因；第三，临床医师必须在任何临床行动或EHR记录前核实信息、评估患者，并接受、纠正或否决AI输出。
在此框架下，研究人员将生成式AI的拟议用途归纳为三个核心功能、七个可测试应用场景。核心功能一“能力敏感性引导”适用于患者能够有意义参与的情境，包括适应性对话访谈和日常语言中可能的疼痛相关信息识别。核心功能二“来源归因整合”负责组织来自患者、照护者、工作人员、经验证工具和临床记录的信息，包括行为叙事结构化、多信息提供者整合和经验证的非语言指标整合。核心功能三“纵向支持与沟通”识别随时间的变化并准备供临床审查的相关信息，包括纵向疼痛相关日记和照护者指导与沟通支持。这些功能并非必须同时使用，而应根据患者能力、可用信息和临床情境灵活选择。
研究人员的核心结论是：生成式AI并非用于观察、分类或评分疼痛行为，其可能的作用是在保持来源、分歧、替代方案和不确定性清晰可见的前提下组织信息。它不应独立诊断疼痛、选择治疗或将未经核实的结论写入EHR。只有在前瞻性研究证明其超越现有经验证评估方法和常规临床工作流程具有有意义价值，且不取代临床判断、不增加过多工作负荷时，才应被采用。
三、关键技术与方法
研究人员采用的主要方法包括：第一，基于临床场景分析提出概念性框架，以临床案例（Mrs. L的激越行为）为出发点构建评估流程；第二，系统梳理现有疼痛评估工具（PAINAD、Abbey Pain Scale、PACSLAC/PACSLAC-II、MOBID-2、PAIC15）及判别式AI系统（如PainChek）的适用性与局限性；第三，提出五步研究验证路径，包括共同设计、技术测试、临床验证、跨人群与照护场景评估以及基于风险的治理，为后续实证研究提供方法论基础。该研究属于概念性观点文章，未涉及具体样本队列或实验数据。
四、研究结果
4.1 能力敏感性引导（Capacity-sensitive elicitation）
适应性对话疼痛访谈：研究人员提出有界访谈应一次呈现一个中性问题，重复而非引导问题，记录使用的确切措辞，并在注意力、理解力或默许不足时停止。研究强调，当有意义互动不可能时，系统不应尝试引导自我报告，沉默或拒绝绝不能解释为支持或反对疼痛的证据。
日常语言中可能的疼痛相关信息识别：语言模型可识别如“我停止园艺了”这类陈述作为中性随访的理由，但不应将其标记为疼痛，因为疲劳、恐惧、抑郁、呼吸困难、认知变化或环境障碍也可能解释该陈述。
4.2 来源归因整合（Source-attributed synthesis）
行为叙事结构化：生成式AI可将带来源标签的临床笔记转化为结构化描述，同时保留原始措辞可供查阅。验证应聚焦于摘要是否准确反映来源，避免遗漏、扭曲或未经支持的添加。
多信息提供者整合：整合工具可组织自我报告、照护者与工作人员观察、经验证评分、临床状况、用药时机和随时间的变化，并识别谁报告了每项观察以及仍有哪些未知信息。
经验证的非语言指标整合：PainChek等判别式AI已是非语言疼痛检测的成熟应用。生成式组件只有在改善经验证检测器或常规工作流程时才应添加，且检测器准确性与生成摘要的准确性必须分别评估。
4.3 纵向支持与沟通（Longitudinal support and communication）
纵向疼痛相关日记：早期认知障碍患者可在照护者支持下使用简短语音或文本日记报告症状、活动、功能和用药情况。系统应总结个体内模式、识别预设变化、显示缺失条目，并允许临床医师抑制重复或低价值警报。
照护者指导与沟通支持：面向照护者的工具可提供经批准的教育内容、中性观察提示、结构化沟通支持和专业评估转介指导，但不应诊断疼痛或提供用药建议。
五、讨论与结论
在讨论部分，研究人员系统考察了伦理、临床和实施层面的风险。模型可能将谵妄、呼吸困难、恐惧、便秘、感染、环境过度刺激或药物相关镇静错误解释为疼痛；引导性问题可能改变自我报告；有偏见的照护者记录可能被放大；未经支持的摘要可能被复制到EHR中。因此，每项输出都应保留来源、替代解释、不确定性和审计轨迹，并阻止自主EHR录入和未经验证的诊断性语言。偏倚与公平性需跨种族、民族、语言、性别、教育、感官状态、痴呆类型与分期以及照护场景进行评估。药物时机也必须考虑，抗精神病药、苯二氮?类、抗抑郁药、阿片类药物、抗胆碱能药物和其他镇静药物可能改变注意力、言语、面部表情、运动和激越。实施应在实际临床工作流程中评估，测量审查时间、警报量、纠正与否决率、人员配置与培训需求、互操作性、成本以及是否有临床医师可响应。
研究结论明确指出：生成式AI并非用于观察、分类或评分疼痛行为的必要工具，其可能的作用是在保持来源、分歧、替代方案和不确定性清晰可见的前提下组织信息。它只有在证明超越现有评估方法具有额外价值、不取代临床判断且不增加过度工作负荷时，才应被使用。在缺乏前瞻性研究证明患者获益之前，这些主张仍属假设。研究人员提出五步验证路径作为临床采用前的必要条件：定义与共同设计应用场景、完成技术测试、建立临床有效性、跨人群与照护场景测试，以及将治理与临床风险相匹配。
