Применение искусственного интеллекта для автоматической оценки боли в отделении интенсивной терапии (краткий обзор)

Оценка боли остается серьезной клинической проблемой в отделениях интенсивной терапии (ОИТ), особенно у пациентов на ИВЛ, под седацией и под действием миорелаксанов, лишенных возможности словесного контакта, а также из-за ограниченной точности поведенческих инструментов. Поэтому необходимо разрабатывать инновационные подходы. В этом случае объективная и независимая от наблюдателя оценка боли будет не только поддержкой для врача, но и инструментом персонализированного подбора обезболивающей терапии.

Цель обзора — анализ применения искусственного интеллекта (ИИ) для автоматической оценки боли в текущей практике отделений интенсивной терапии, уделяя особое внимание интеграции биосигналов, поведенческих индикаторов и мультимодальных данных для выявления ноцицептивных реакций.

Был проведен систематический поиск в базах данных PubMed, Web of Science и IEEE Xplore (2015—2025) с использованием терминов «оценка боли», «интенсивная терапия», «искусственный интеллект», «машинное обучение», «выражение лица», «пупиллометрия», «вариабельность сердечного ритма» и «мониторинг ноцицепции». Научные результаты были сгруппированы по трем основным доменам: поведенческие методы и методы компьютерного зрения, вегетативные и электрофизиологические показатели, а также мультимодальные и управляемые ИИ интегрированные системы.

Заключение. Несмотря на то, что системы искусственного интеллекта для автоматической оценки боли в отделениях интенсивной терапии демонстрируют многообещающую производительность, ряд проблем ограничивает их применение в клинической практике. Вариабельность сигналов, обусловленная фармакологическими, неврологическими или гемодинамическими факторами, может дискредитировать надежность модели. Кроме того, нехватка маркированных наборов данных в отделениях интенсивной терапии может препятствовать их обобщению. Необходимо решить вопросы этики, регулирования и функциональной совместимости. Поэтому для рутинного внедрения требуется широкомасштабная валидация в различных отделениях интенсивной терапии для подтверждения надежности, обеспечения достоверности и установления клинической полезности.

1. Chanques G., Pohlman A., Kress J. P., Molinari N., de Jong A., Jaber S., Hall J. B. Psychometric comparison of three behavioural scales for the assessment of pain in critically ill patients unable to self-report. Crit Care. 2014; 18 (5): R160. DOI: 10.1186/cc14000. PMID: 25063269.

2. Nordness M. F., Hayhurst C. J., Pandharipande P. Current perspectives on the assessment and management of pain in the intensive care unit. J Pain Res. 2021; 14: 1733–1744. DOI: 10.2147/JPR.S256406. PMID: 34163231.

3. Bourdiol A., Legros V., Vardon-Bounes F., Rimmele T., Abraham P., Hoffmann C., Dahyot-Fizelier C., et al; ALGO-RÉA study group; Atlanréa Group; Société Française d’Anesthésie-Réanimation–SFAR Research Network. Prevalence and risk factors of significant persistent pain symptoms after critical care illness: a prospective multicentric study. Crit Care. 2023; 27 (1): 199. DOI: 10.1186/s13054-023-04491-w. PMID: 37226261.

4. Sandvik R. K. N. M., Mujakic M., Haarklau I., Emilie G., Moi A. L. Improving pain management in the intensive care unit by assessment. Pain Manag Nurs. 2024; 25 (6): 606–614. DOI: 10.1016/j.pmn.2024.06.013. PMID: 39244399.

5. Gomarverdi S., Sedighie L., Seifrabiei M. A., Nikooseresht M. Comparison of two pain scales: behavioral pain scale and critical-care pain observation tool during invasive and noninvasive procedures in intensive care unit-admitted patients. Iran J Nurs Midwifery Res. 2019; 24 (2): 151–155. DOI: 10.4103/ijnmr.IJNMR_47_18. PMID: 30820228.

6. Devlin J. W., Skrobik Y., Gélinas C., Needham D. M., Slooter A. J. C., Pandharipande P. P., Watson P. L., et al. Clinical practice guidelines for the prevention and management of pain, agitation/sedation, delirium, immobility, and sleep disruption in adult patients in the ICU. Crit Care Med. 2018; 46 (9): e825-e873. DOI: 10.1097/CCM.0000000000003299. PMID: 30113379.

7. Pota V., Coppolino F., Barbarisi A., Passavanti M. B., Aurilio C., Sansone P., Pace M. C. Pain in intensive care: a narrative review. Pain Ther. 2022; 11 (2): 359–367. DOI: 10.1007/s40122-022-00366-0. PMID: 35220551.

8. Cascella M., Ponsiglione A. M., Santoriello V., Romano M., Cerrone V., Esposito D., Montedoro M., et al. Expert consensus on feasibility and application of automatic pain assessment in routine clinical use. J Anesth Analg Crit Care. 2025; 5 (1): 29. DOI: 10.1186/s44158-025-00249-8. PMID: 40457422.

9. Cascella M., Schiavo D., Cuomo A., Ottaiano A., Perri F., Patrone R., Migliarelli S., et al. Artificial intelligence for automatic pain assessment: research methods and perspectives. Pain Res Manag. 2023; 2023: 6018736. DOI: 10.1155/2023/6018736. PMID: 37416623.

10. El-Tallawy S. N., Pergolizzi J. V., Vasiliu-Feltes I., Ahmed R. S., LeQuang J.K., El-Tallawy H. N., Varrassi G., et al. Incorporation of «artificial intelligence» for objective pain assessment: a comprehensive review. Pain Ther. 2024; 13 (3): 293–317. DOI: 10.1007/s40122-024-00584-8. PMID: 38430433.

11. Cascella M., Shariff M. N., Lo Bianco G., Monaco F., Gargano F., Simonini A., Ponsiglione A. M., et al. Employing the artificial intelligence object detection tool YOLOv8 for real-time pain detection: a feasibility study. J Pain Res. 2024; 17: 3681–3696. DOI: 10.2147/JPR.S491574. PMID: 39540033.

12. Szczapa B., Daoudi M., Berretti S., Pala P., Bimbo A. D., Hammal Z. Automatic estimation of self-reported pain by trajectory analysis in the manifold of fixed rank positive semi-definite matrices. IEEE Trans Affect Comput. 2022; 13 (4): 1813–1826. DOI: . PMID: 36452255.

13. Wu C.-L., Liu S.-F., Yu T.-L., Shih S.-J., Chang C.-H., Yang Mao S.-F., Li Y.-S., et al. Deep learning-based pain classifier based on the facial expression in critically ill patients. Front Med (Lausanne). 2022; 9: 851690. DOI: 10.3389/fmed.2022.851690. PMID: 35372435.

14. Yuan X., Cui Z., Xu D., Zhang S., Zhao C., Wu X., Jia T., et al. Occluded facial pain assessment in the ICU using Action Units Guided Network. IEEE J Biomed Health Inform. 2023; PP. DOI: 10.1109/JBHI.2023.3336157. PMID: 37995171.

15. Packiasabapathy S., Rangasamy V., Sadhasivam S. Pupillometry in perioperative medicine: a narrative review. Can J Anaesth. 2021; 68 (4): 566–578. DOI: 10.1007/s12630-020-01905-z. PMID: 33432497.

16. Favre E., Rahmaty Z., Ben-Hamouda N., Miroz J. P., Abed-Maillard S., Rusca M., Oddo M., et al. Nociception assessment with videopupillometry in deeply sedated intensive care patients: discriminative and criterion validations. Aust Crit Care. 2024; 37 (1): 84–90. DOI: 10.1016/j.aucc.2023.07.038. PMID: 37684156.

17. Chanques G., Tarri T., Ride A., Prades A., De Jong A., Carr J., Molinari N., et al. Analgesia nociception index for the assessment of pain in critically ill patients: a diagnostic accuracy study. Br J Anaesth. 2017; 119 (4): 812–820. DOI: 10.1093/bja/aex210. PMID: 29121287.

18. Cascella M., Vitale V. N., D’Antò M., Cuomo A., Amato F., Romano M., Ponsiglione A. M. Exploring biosignals for quantitative pain assessment in cancer patients: a proof of concept. Electronics. 2023; 12 (17): 3716. DOI: 10.3390/electronics12173716.

19. Pouromran F.,, Radhakrishnan S.,, Kamarthi S. Exploration of physiological sensors, features, and machine learning models for pain intensity estimation. PLoS One. 2021; 16 (7): e0254108. DOI: 10.1371/journal.pone.0254108. PMID: 34242325.

20. Cascella M., Di Gennaro P., Crispo A., Vittori A., Petrucci E., Sciorio F., Marinangeli F., et al. Advancing the integration of biosignal-based automated pain assessment methods into a comprehensive model for addressing cancer pain. BMC Palliat Care. 2024; 23 (1): 198. DOI: 10.1186/s12904-024-01526-z. PMID: 39097739.

21. Çalýþkan B., Besir Z., Sen O. Pain monitoring in intensive care: how does the nociception level index affect treatment and prognosis? A randomized, controlled, double-blind trial. Ulus Travma Acil Cerrahi Derg. 2024; 30 (6): 415–422. DOI: 10.14744/tjtes.2024.95533. PMID: 38863294.

22. Gélinas C., Shahiri T. S., Richard-Lalonde M., Laporta D., Morin J. F., Boitor M., Ferland C. E., et al. Exploration of a multi-parameter technology for pain assessment in postoperative patients after cardiac surgery in the intensive care unit: the nociception level index (NOL) TM. J Pain Res. 2021; 14: 3723–3731. DOI: 10.2147/JPR.S332845. PMID: 34908872.

23. Shahiri T. S., Richard-Lalonde M., Richebé P., Gélinas C. Exploration of the nociception level (NOL™) index for pain assessment during endotracheal suctioning in mechanically ventilated patients in the intensive care unit: an observational and feasibility study. Pain Manag Nurs. 2020; 21 (5): 428–434. DOI: 10.1016/j.pmn.2020.02.067. PMID: 32354616.

24. Bonvecchio E., Vailati D., Mura F. D., Marino G. Nociception level index variations in ICU: curarized vs non-curarized patients — a pilot study. J Anesth Analg Crit Care. 2024; 4 (1): 57. DOI: 10.1186/s44158-024-00193-z. PMID: 39164731.

25. Othman E., Werner P., Saxen F., Al-Hamadi A., Gruss S., Walter S. Automated electrodermal activity and facial expression analysis for continuous pain intensity monitoring on the X-ITE pain database. Life (Basel). 2023; 13 (9): 1828. DOI: 10.3390/life13091828. PMID: 37763232.

26. Nerella S., Guan Z., Siegel S., Zhang J., Zhu R., Khezeli K., Bihorac A., et al. AI-enhanced intensive care unit: revolutionizing patient care with pervasive censing. arXiv: 2303.06252. DOI: 10.48550/arXiv.2303.06252.

27. Ledowski T. Objective monitoring of nociception: a review of current commercial solutions. Br J Anaesth. 2019; 123 (2): e312–e321. DOI: 10.1016/j.bja.2019.03.024. PMID: 31047645.

28. Chen D., Zhang H., Kavitha P. T., Loy F. L., Ng S. H., Wang C., Phua K. S., et al. Scalp EEG-based pain detection using a convolutional neural network. IEEE Trans Neural Syst Rehabil Eng. 2022; 30: 274–285. DOI: . PMID: 35089860.

29. Kobayashi N., Watanabe K., Murakami H., Yamauchi M. Continuous visualization and validation of pain in critically ill patients using artificial intelligence: a retrospective observational study. Sci Rep. 2023; 13 (1): 17479. DOI: 10.1038/s41598-023-44970-2. PMID: 37838818.

30. Fratino S., Peluso L., Talamonti M., Menozzi M., Costa Hirai L. A., Lobo F. A., Prezioso C., et al. Evaluation of nociception using quantitative pupillometry and skin conductance in critically ill unconscious patients: a pilot study. Brain Sci. 2021; 11 (1): 109. DOI: 10.3390/brainsci11010109. PMID: 33467451.

31. Cascella M., Laudani A., Scarpati G., Piazza O. Ethical issues in pain and palliation. Curr Opin Anaesthesiol. 2024; 37 (2): 199–204. DOI: 10.1097/ACO.0000000000001345. PMID: 38288778.