Журнал «Медицина неотложных состояний» Том 21, №5, 2025

Актуальність. Ефективне лікування болю залежить від точної та своєчасної оцінки. На традиційні інструменти його моніторингу часто впливають суб’єктивність, затримка оцінки й неузгодженicть між постачальниками медичних послуг. Інструмент швидкої оцінки болю (R-PAT) із підтримкою штучного інтелекту (ШІ) був розроблений для підвищення точності, узгодженості та швидкості оцінки болю з метою переосмислення підходу до його лікування. Матеріали та методи. Проведено пілотне дослідження в клінічних умовах за участю 37 осіб, які відчували гострий або хронічний біль. Система R-PAT об’єднала самооцінки пацієнтів, фізіологічні дані (наприклад, частоту серцевих скорочень, аналіз виразу обличчя) і аналіз за допомогою штучного інтелекту для генерації показників болю в реальному часі. Інструмент порівнювали із числовою рейтинговою шкалою, яку зазвичай використовують медичні працівники. Дані збирали протягом 7 днів, кореляція між R-PAT і традиційними методами була проаналізована разом з ефективністю часу та задоволеністю користувачів. Результати. Показники болю, згенеровані за допомогою ШІ, продемонстрували сильну позитивну кореляцію з оцінками за традиційними шкалами болю (r = 0,88, p < 0,001). Чутливість та специфічність R-PAT у виявленні помірного й сильного болю становили відповідно 92 і 89 %. Середній час, витрачений на оцінку болю за допомогою R-PAT, був менше 30 секунд порівняно з 2–3 хвилинами при використанні звичайних методів. R-PAT також дозволяв динамічно відстежувати рівень болю, що полегшувало своєчасне втручання. Висновки. R-PAT із підтримкою ШІ виявився перспективним інструментом у поліпшенні моніторингу болю в клінічній практиці. Він пропонує об’єктивну та ефективну оцінку болю в режимі реального часу, сприяючи оптимізації результатів лікування. Для підтвердження його клінічної користі в різних популяціях і умовах необхідне проведення більш масштабних досліджень.

Background. Effective pain management relies on accurate and timely assessment. Traditional pain assessment tools often suffer from subjectivity, delayed evaluation, and inconsistencies across healthcare providers. Rapid Pain Assessment Tool (R-PAT) integrated with artificial intelligence (AI) support was developed to enhance the precision, consistency, and speed of pain assessment, aiming to redefine the approach to its management. ­Materials and methods. A pilot study was conducted in a clinical setting with 37 patients experiencing acute or chronic pain. R-PAT system combined patient self-reports, physiological data (e.g., heart rate, facial expression analysis), and AI-driven analysis to gene­rate real-time pain scores. The tool was compared with conventional numeric rating scale assessments conducted by healthcare professionals. Data was collected over a 7-day period, and the correlation between R-PAT and traditional assessments was analyzed along with time efficiency and user satisfaction. Results. The AI-generated pain scores showed a strong positive correlation with traditional pain scores (r = 0.88, p < 0.001). Sensitivity and specificity of R-PAT in detecting moderate-to-severe pain were 92 and 89 %, respectively. The average time taken to assess pain using R-PAT was under 30 seconds compared to 2–3 minutes with conventional methods. R-PAT also allowed dynamic tracking of pain levels, which facilitated timely interventions. Conclusions. R-PAT with AI support proved to be a promising tool for enhancing pain assessment in clinical practice. It offers real-time, objective, and efficient pain evaluation, contributing to improved pain management outcomes. Larger-scale studies are warranted to validate its clinical utility across diverse populations and settings.

оцінка болю; штучний інтелект; R-PAT; лікування болю; підтримка клінічних рішень; моніторинг у реальному часі; інновації в охороні здоров’я

pain assessment; artificial intelligence; R-PAT; pain management; clinical decision support; real-time monitoring; healthcare innovation

1. Dmytriiev D. Assessment and treatment of postoperative pain in children. Anaesth Pain Intensive Care. 2018;22(3):392-400.
2. Bergauer L, Braun J, Roche TR, et al. Avatar-based patient monitoring improves information transfer, diagnostic confidence and reduces perceived workload in intensive care units: computer-based, multicentre comparison study. Sci Rep. 2023;13:5908. doi: 10.1038/s41598-023-33027-z.
3. Tscholl DW, et al. Using an animated patient avatar to improve perception of vital sign information by anaesthesia professionals. Br J Anaesth. 2018;121(3):662-671. doi: 10.1016/j.bja.2018.04.024.
4. Dmytriiev D. Multiple organ dysfunction syndrome: what do we know about pain management? A narrative review. Anaesth Pain Intensive Care. 2019;23(1):84-91.
5. Tscholl DW, Weiss M, Handschin L, et al. User perceptions of avatar-based patient monitoring: a mixed qualitative and quantitative study. BMC Anesthesiol. 2018;18:188. doi: 10.1186/s12871-018-0650-1.
6. Garot O, Rssler J, Pfarr J, et al. Avatar-based versus conventional vital sign display in a central monitor for monitoring multiple patients: a multicenter computer-based laboratory study. BMC Med Inform Decis Mak. 2020;20:26. doi: 10.1186/s12911-020-1032-4.
7. Roche TR, et al. Avatar-based patient monitoring in critical anaesthesia events: a randomised high-fidelity simulation study. Br J Anaesth. 2021;126(5):1046-1054. doi: 10.1016/j.bja.2021.01.015.
8. Dobrovanov O, Dmytriiev D, Prochotsky A, Vidiscak M, Furkova K. Pain in COVID-19: quis est culpa? Electron J Gen Med. 2023;20(1):em435. doi: 10.29333/ejgm/12672.
9. Marcilly R, Peute L, Beuscart-Zephir MC. From usability engineering to evidence-based usability in health IT. Stud Health Technol Inform. 2016;222:126-138.
10. Wung SF. Human factors and technology in the ICU. Crit Care Nurs Clin North Am. 2018;30(2). doi: 10.1016/j.cnc.2018.03.001.
11. Waller RG, Wright MC, Segall N, et al. Novel displays of patient information in critical care settings: a systematic review. J Am Med Inform Assoc. 2019;26(5):479-489. doi: 10.1093/jamia/ocy193.
12. Schulz CM, Burden A, Posner KL, et al. Frequency and type of situational awareness errors contributing to death and brain damage: a closed claims analysis. Anesthesiology. 2017;127(2):326-337. doi: 10.1097/ALN.0000000000001661.
13. Hagedorn JM, George TK, Aiyer R, Schmidt K, Halamka J, D’Souza RS. Artificial intelligence and pain medicine: an introduction. J Pain Res. 2024;17:509-518. doi: 10.2147/JPR.S429594.
14. Cascella M, Schiavo D, Cuomo A, et al. Artificial intelligence for automatic pain assessment: research methods and perspectives. Pain Res Manag. 2023;2023:6018736. doi: 10.1155/2023/6018736.
15. Casarin S, Haelterman NA, Machol K. Transforming personalized chronic pain management with artificial intelligence: a commentary on the current landscape and future directions. Exp Neurol. 2024;382:114980. doi: 10.1016/j.expneurol.2024.114980.
16. Antel R, Whitelaw S, Gore G, Ingelmo P. Moving towards the use of artificial intelligence in pain management. Eur J Pain. 2025;29(3):e4748. doi: 10.1002/ejp.4748.
17. Jumreornvong O, Perez AM, Malave B, Mozawalla F, Kia A, Nwaneshiudu CA. Biases in artificial intelligence application in pain medicine. J Pain Res. 2025;18:1021-1033. doi: 10.2147/JPR.S495934.
18. El-Tallawy SN, Pergolizzi JV, Vasiliu-Feltes I, et al. Incorporation of artificial intelligence for objective pain assessment: a comprehensive review. Pain Ther. 2024;13:293-317. doi: 10.1007/s40122-024-00584-8.
19. Meier TA, Refahi MS, Hearne G, et al. The role and applications of artificial intelligence in the treatment of chronic pain. Curr Pain Headache Rep. 2024;28:769-784. doi: 10.1007/s11916-024-01264-0.