Forschung: Wie lassen sich Schmerzen objektiver messen und besser behandeln?

Die Wissenschaft des Schmerzes ist komplex, und seine Bewertung ist subjektiv. Dies führt zu Verzerrungen und Ungleichheiten in der Behandlung. Die Forscher suchen seit langem nach einem zuverlässigen, objektiven Maß für Schmerzen. Schmerzen sind ein wichtiges Signal dafür, dass mit dem Körper etwas nicht stimmt und etwas unternommen werden muss.

Warum ist die Messung von Schmerzen schwierig?

Eines der Hauptprobleme bei der Messung von Schmerzen besteht darin, dass die Patienten ihre Schmerzwerte selbst angeben. Der Goldstandard für die Schmerzanalyse beruht derzeit darauf, dass die Patienten selbst angeben, wie sie sich fühlen, wobei entweder eine numerische Skala (0 für keine Schmerzen, 10 für stärkste Schmerzen) oder ein System von Smiley-Gesichtern verwendet wird. Dieses System kann für die Patienten verwirrend sein und ist insbesondere bei der Behandlung von Kindern und nicht kommunikativen Patienten eher problematisch.

Studien zu objektiven Methoden zur Messung von Schmerzen

Außerdem stellt sich die Frage, inwieweit die Einschätzung des Patienten zuverlässig oder glaubwürdig ist. Eine Studie ergab, dass der Glaube weit verbreitet ist, dass Menschen ihre Schmerzen übertreiben [1], obwohl es kaum Belege dafür gibt, dass eine solche Übertreibung typisch ist.

Ohne eine objektive Methode zur Messung von Schmerzen besteht die Gefahr, dass sich Voreingenommenheit in die Entscheidungen von Ärzten einschleicht. Schmerzen haben besonders große Auswirkungen auf unterversorgte Bevölkerungsgruppen, und ihre Schmerzen werden eher ignoriert.

Leider sind falsche Vorstellungen über Schmerzen unter Klinikern weit verbreitet. Vorurteile gehen auf historische Versuche zurück, die Sklaverei zu rechtfertigen, einschließlich der in den USA zum Teil noch immer vorkommenden falschen Meinung, Schwarze hätten eine dickere Haut und andere Nervenenden. Bis heute ist die Wahrscheinlichkeit, dass schwarze Patienten in den USA wegen Schmerzen behandelt werden, um 40 % geringer als bei weißen Patienten; auch bei hispanischen Patienten ist die Wahrscheinlichkeit, dass ihre Schmerzen behandelt werden, um 25 % geringer als bei weißen Patienten, wie ein Beitrag von 2019 zeigte.

Rassendiskriminierung ist nicht die einzige Form von Vorurteilen, die die Schmerzbehandlung beeinflusst. Vorurteile gegenüber „hysterischen Frauen“ [2] sind in der Medizin immer noch weit verbreitet, insbesondere im Zusammenhang mit Schmerzen. Gesellschaftliche Erwartungen darüber, was für Männer und Frauen „normales Verhalten“ ist, sind die Ursache für diese Muster. Diese Vorurteile summieren sich zu medizinisch nicht gerechtfertigten Unterschieden in der Behandlung von Männern und Frauen im Gesundheitswesen [3].

Laut einer Studie [4] mit 981 Teilnehmern erhielten Frauen, die wegen Schmerzen die Notaufnahme aufsuchten, mit geringerer Wahrscheinlichkeit überhaupt ein Schmerzmittel, und sie mussten 33 % länger warten als Männer, um behandelt zu werden. Außerdem erhielten Männer stärkere Schmerzmittel, wenn Männer und Frauen den gleichen Grad an Beschwerden angaben.

Neue Ansätze der Forschung

Die Forscher sind auf der Suche nach einem zuverlässigen, objektiven Maß für Schmerzen, das die Subjektivität und Voreingenommenheit ausschließt, die mit der Selbsteinschätzung der Schmerzstärke einhergehen. Sie erforschen verschiedene Techniken, darunter die Bildgebung des Gehirns, Bluttests und sogar maschinelles Lernen. Mit Hilfe der Bildgebung des Gehirns lassen sich Muster der Gehirnaktivität erkennen, die mit unterschiedlichen Schmerzzuständen in Verbindung stehen. Bluttests können Biomarker aufspüren, die freigesetzt werden, wenn der Körper unter Schmerzen leidet. Mit Hilfe des maschinellen Lernens können komplexe Datensätze analysiert werden, um Muster zu erkennen, die für menschliche Analytiker nur schwer zu erkennen sind.

Der Einsatz von maschinellem Lernen zur Analyse von Schmerzdaten ist besonders vielversprechend. Algorithmen des maschinellen Lernens können in großen Datensätzen Muster und Beziehungen erkennen, die für menschliche Analytiker unüberschaubar sind. Forscher können Modelle des maschinellen Lernens auf große Datensätze mit schmerzbezogenen Daten trainieren, einschließlich selbstberichteter Schmerzwerte, Daten aus der Gehirnbildgebung und Biomarker-Daten. Diese Modelle können dann Muster und Beziehungen erkennen, die mit unterschiedlichen Schmerzzuständen verbunden sind [5].

Der Einsatz des maschinellen Lernens in der Schmerzforschung birgt jedoch auch Herausforderungen. Eine der größten Herausforderungen ist der Mangel an großen, standardisierten Schmerzdatensätzen. Modelle des maschinellen Lernens benötigen große Datensätze, um genau zu trainieren. Ohne große Datensätze können die Modelle zu stark an die verfügbaren Daten angepasst werden, was zu ungenauen Vorhersagen führt.

Eine weitere Herausforderung ist die Komplexität des Schmerzes selbst. Schmerz ist eine vielschichtige Erfahrung, die körperliche, emotionale und soziale Komponenten beinhaltet. Schmerz ist nicht nur eine körperliche Empfindung, sondern wird auch von psychologischen Faktoren wie Angst und Depression beeinflusst. Daher müssen Schmerzdatensätze nicht nur physische Messungen, sondern auch psychologische und soziale Messungen enthalten.

Trotz dieser Herausforderungen hat das maschinelle Lernen das Potenzial, die Schmerzforschung und die Schmerzbehandlung zu revolutionieren. Durch die Identifizierung objektiver Messgrößen für Schmerzen kann maschinelles Lernen dazu beitragen, die Voreingenommenheit und Subjektivität zu beseitigen, die derzeit bei der Schmerzbeurteilung bestehen. Dies wiederum kann zu genaueren Diagnosen und einer besseren Behandlung von Schmerzpatienten führen.

Können neue Technologien dazu beitragen, Voreingenommenheit gegenüber Schmerzen zu überwinden?

Schmerzen sind eine komplexe und subjektive Erfahrung, und es ist für Mediziner oft schwierig, sie genau zu beurteilen und zu behandeln. Erschwerend kommt hinzu, dass es gesellschaftliche Vorurteile gibt, die die Wahrnehmung und Behandlung von Schmerzen beeinflussen können, insbesondere in Randgruppen. Es werden jedoch neue Technologien entwickelt, die eine objektive Messung und Diagnose von Schmerzen ermöglichen und dazu beitragen, diese Vorurteile zu umgehen und die Ergebnisse für die Patienten zu verbessern.

Ein vielversprechender Weg zur Schmerzbeurteilung ist die Verwendung von Biomarkern. Biomarker sind messbare biologische Variablen, die mit dem Schmerzerleben korrelieren und einen objektiven Hinweis auf das Ausmaß der Schmerzen einer Person liefern. Ohne Biomarker ist es schwierig, Schmerzen richtig zu diagnostizieren und zu behandeln, die Wahrscheinlichkeit vorherzusagen, dass jemand mit einer akuten Rückenverletzung zu chronischen, behandlungsresistenten Schmerzen übergeht, und das Ansprechen auf neue Therapien in klinischen Studien objektiv zu überwachen, sagt Dr. Samer Narouze, ein Spezialist für Schmerzmedizin und Präsident der American Interventional Headache Society [6].

Es wurden bereits mehrere Kandidaten für Schmerz-Biomarker identifiziert. Forscher in Indiana haben einen Bluttest entwickelt, mit dem sich feststellen lässt, wann eine bestimmte Gruppe von Genen, die an der Reaktion des Körpers auf Schmerzen beteiligt sind, aktiviert ist. Die Werte dieser Biomarker könnten nicht nur anzeigen, dass jemand Schmerzen hat, sondern auch wie stark diese sind. Die Gehirnaktivität ist ein weiterer vielversprechender Biomarker.

Dr. Carl Saab, ein Neurobiologe und Schmerzforscher, und sein Team haben einen Ansatz entwickelt, der die Ebbe und Flut einer Art von Gehirnaktivität misst, die als Thetawellen bekannt ist und bei Schmerzen erhöht ist. Die Verabreichung von Schmerzmitteln reduzierte die Theta-Aktivität auf ein normales Niveau. Dieser Ansatz wurde seither von anderen Labors unabhängig voneinander reproduziert [7].

Dr. Saab sieht die auf Thetawellen basierende Bewertung von Schmerzen jedoch eher als Ergänzung denn als Ersatz für die derzeitigen Methoden zur Schmerzmessung. „Wir werden nie mit Sicherheit wissen können, wie sich jemand fühlt, sei es Schmerz oder ein anderer mentaler Zustand“, sagt Saab. Der verbale Bericht des Patienten solle immer die ‚Grundwahrheit‘ für Schmerzen bleiben.

Eine weitere Technologie, die dazu beitragen könnte, Verzerrungen bei der Schmerzbehandlung zu vermeiden, ist die virtuelle Realität. Die virtuelle Realität bietet eine kontrollierte Umgebung, in der Patienten simulierte Schmerzen erleben können, so dass Ärzte die Schmerzreaktionen objektiv messen und die Behandlung entsprechend anpassen können. Eine andere Studie ergab, dass die Schmerzbeurteilung in der virtuellen Realität die Genauigkeit der Schmerzbeurteilung bei Kindern mit zerebraler Lähmung (Zerebralparese) verbessern kann [8].

Trotz der vielversprechenden Möglichkeiten dieser Technologien gibt es Herausforderungen, die ihrer breiten Einführung entgegenstehen. Eine Herausforderung sind die Kosten. Biomarker-Tests können teuer sein, und auch die Ausrüstung und Software für die virtuelle Realität können kostspielig sein. Eine weitere Herausforderung ist der Bedarf an weiterer Forschung, um den Einsatz dieser Technologien in der klinischen Praxis zu validieren.

Es besteht auch die Gefahr, dass man sich zu sehr auf die Technologie verlässt, was zu einer Entmenschlichung der Beziehung zwischen Patient und Arzt führen könnte. Die Erfahrung des Patienten kann nicht durch Technologie ersetzt werden, und es ist wichtig, sich daran zu erinnern, dass es bei der Schmerzbehandlung um mehr geht als nur um Zahlen auf einem Bildschirm oder Biomarker in einem Bluttest. Schmerz ist eine komplexe und multifaktorielle Erfahrung, die einen ganzheitlichen Ansatz erfordert, sagt Dr. Narouze.

Genauere Analyse der Verletzung und Schmerzen kann zu besserer Behandlung führen

Emma Pierson und ihr Team in Stanford haben einen Algorithmus entwickelt, der dazu beitragen könnte, das Problem zu lösen, dass unterversorgte Gruppen zu wenig für Knieoperationen empfohlen werden, da das System von Kellgren und Lawrence [9] die Auswahl der zu operierenden Patienten stark von der Schwere der durch Arthrose verursachten körperlichen Veränderungen am Knie beeinflusst [10]. Der Algorithmus verwendet einen Deep-Learning-Ansatz zur Vorhersage von Schmerzen aus Knie-Röntgenbildern, indem er nach zusätzlichen schmerzrelevanten Merkmalen sucht, die der Arzt möglicherweise übersehen hat. Indem der Algorithmus Patienten mit physischen Knieschäden identifiziert, die zuvor nicht erkannt wurden, könnte er dazu beitragen, Operationen besser zuzuordnen und die Behandlungen gerechter zu gestalten.

Pierson weist jedoch darauf hin, dass der Algorithmus keine vollständige Lösung darstellt, da er nur einen Teil des Problems der Kniearthrose angeht. Anke Samulowitz von der Universität Göteborg weist darauf hin, dass der Einsatz von Technologie zum Abbau von Verzerrungen eigene Probleme mit sich bringen kann, z. B. Verzerrungen bei der Anwendung der Technologie. Untersuchungen haben ergeben, dass Männer eher zu somatischen Untersuchungen überwiesen werden als Frauen, während Frauen eher zu Psychologen überwiesen werden [11].

Trotz dieser Herausforderungen besteht auf dem Gebiet der Schmerzen der Wunsch nach Veränderungen. Saab betont, dass Kliniker die Notwendigkeit von Veränderungen erkennen und dass der Einsatz von Technologie dazu beitragen kann, die Genauigkeit der Schmerzmessung zu verbessern und die Medizin auf denselben Standard zu bringen wie andere Bereiche der Gesundheitsversorgung.

Quellen

1. Over-Rating Pain is Overrated: A Fundamental Self-Other Bias in Pain Reporting Behavior. Brandon L. Boring, Brandon W. Ng, y Namrata Nanavaty, and Vani A. Mathur, The Journal of Pain, Vol 23, No 10 (October), 2022: pp 1779−1789.
2. “Brave Men” and “Emotional Women”: A Theory-Guided Literature Review on Gender Bias in Health Care and Gendered Norms towards Patients with Chronic Pain. Anke Samulowitz, Ida Gremyr, Erik Eriksson, and Gunnel Hensing, Pain Res Manag. 2018; 2018: 6358624.
3. Distinct gender norms in descriptions of chronic pain. Anke Samulowitz, The University of Gothenburg, Feb. 2023.
4. Gender Disparity in Analgesic Treatment of Emergency Department Patients with Acute Abdominal Pain. Esther H. Chen MD, Frances S. Shofer PhD, Anthony J. Dean MD, Judd E. Hollander MD, William G. Baxt MD, Jennifer L. Robey RN, Keara L. Sease MaEd, Angela M. Mills MD. Academic Emergency Medicine, March 2008.
5. Artificial intelligence and machine learning in pain research: a data scientometric analysis. Jörn Lötsch, Alfred Ultsch, Benjamin Mayer, Dario Kringel. Pain Reports, Nov 2022.
6. Spinal cord stimulation in chronic pain: evidence and theory for mechanisms of action. Jacob Caylor, Rajiv Reddy, Sopyda Yin, Christina Cui, Mingxiong Huang, Charles Huang, Rao Ramesh, Dewleen G Baker, Alan Simmons, Dmitri Souza, Samer Narouze, Ricardo Vallejo, Imanuel Lerman. Bioelectronic Medicine, June 2019.
7. An Electroencephalography Bioassay for Preclinical Testing of Analgesic Efficacy. Suguru Koyama, Brian W. LeBlanc, Kelsey A. Smith, Catherine Roach, Joshua Levitt, Muhammad M. Edhi, Mai Michishita, Takayuki Komatsu, Okishi Mashita, Aki Tanikawa, Satoru Yoshikawa & Carl Y. Saab. Scientific Reports volume 8, 2018.
8. Virtual Reality in Pain Rehabilitation for Youth With Chronic Pain: Pilot Feasibility Study. Anya Griffin, Luke Wilson, Amanda B Feinstein, Adeline Bortz, et al., JMIR Rehabilitation and Assistive Technologies, Nov 2020.
9. Kellgren and Lawrence system for classification of osteoarthritis. Revised by Henry Knipe, Sep 2021.
10. An algorithmic approach to reducing unexplained pain disparities in underserved populations. Emma Pierson, David M. Cutler, Jure Leskovec, Sendhil Mullainathan and Ziad Obermeyer. Nature Medicine, VOL 27, January 2021.
11. Sex differences in the trajectories to diagnosis of patients presenting with common somatic symptoms in primary care: an observational cohort study. Aranka V Ballering, Daan Muijres, Annemarie A Uijen, Judith G M Rosmalen, Tim C Olde Hartman. Journal of Psychosomatic Research, Volume 149, October 2021.

ddp

---

⊕ Dieser Beitrag wurde auf der Grundlage wissenschaftlicher Fachliteratur und fundierter empirischer Studien und Quellen erstellt und in einem mehrstufigen Prozess überprüft.

⊕ Wichtiger Hinweis: Der Beitrag beschäftigt sich mit einem medizinischen Thema, einem Gesundheitsthema oder einem oder mehreren Krankheitsbildern. Dieser Artikel dient nicht der Selbst-Diagnose und ersetzt auch keine Diagnose durch einen Arzt oder Facharzt. Bitte lesen und beachten Sie hier auch den Hinweis zu Gesundheitsthemen!