BACKGROUND In patients with limited communication skills, the use of conventional scales or external assessment is only possible to a limited extent or not at all. Multimodal pain recognition based on artificial intelligence (AI) algorithms could be a solution. OBJECTIVE Overview of the methods of automated multimodal pain measurement and their recognition rates that were calculated with AI algorithms. METHODS In April 2018, 101 studies on automated pain recognition were found in the Web of Science database to illustrate the current state of research. A selective literature review with special consideration of recognition rates of automated multimodal pain measurement yielded 14 studies, which are the focus of this review. RESULTS The variance in recognition rates was 52.9-55.0% (pain threshold) and 66.8-85.7%; in nine studies the recognition rate was ≥80% (pain tolerance), while one study reported recognition rates of 79.3% (pain threshold) and 90.9% (pain tolerance). CONCLUSION Pain is generally recorded multimodally, based on external observation scales. With regard to automated pain recognition and on the basis of the 14 selected studies, there is to date no conclusive evidence that multimodal automated pain recognition is superior to unimodal pain recognition. In the clinical context, multimodal pain recognition could be advantageous, because this approach is more flexible. In the case of one modality not being available, e.g., electrodermal activity in hand burns, the algorithm could use other modalities (video) and thus compensate for missing information.

中文翻译：

---

Von der Fremdbeurteilung des Schmerzes zur automatisierten multimodalen Messung der Schmerzintensität

背景技术在沟通能力有限的患者中，常规量表或外部评估的使用只能在有限的范围内或根本无法使用。基于人工智能 (AI) 算法的多模态疼痛识别可能是一种解决方案。目标 概述自动多模式疼痛测量方法及其使用 AI 算法计算的识别率。方法 2018 年 4 月，在 Web of Science 数据库中发现了 101 项关于自动疼痛识别的研究，以说明当前的研究状态。选择性文献综述特别考虑了自动多模式疼痛测量的识别率，产生了 14 项研究，这是本综述的重点。结果识别率差异为52.9-55.0%（痛阈）和66.8-85.7%；在九项研究中，识别率≥80%（疼痛耐受性），而一项研究报告识别率分别为 79.3%（疼痛阈值）和 90.9%（疼痛耐受性）。结论 根据外部观察量表，疼痛通常以多模式记录。关于自动疼痛识别，在 14 项选定研究的基础上，迄今为止没有确凿的证据表明多模式自动疼痛识别优于单模式疼痛识别。在临床环境中，多模式疼痛识别可能是有利的，因为这种方法更灵活。在一种模态不可用的情况下，例如手部烧伤中的皮肤电活动，该算法可以使用其他模态（视频），从而补偿丢失的信息。3%（疼痛阈值）和 90.9%（疼痛耐受性）。结论 根据外部观察量表，疼痛通常以多模式记录。关于自动疼痛识别，在 14 项选定研究的基础上，迄今为止没有确凿的证据表明多模式自动疼痛识别优于单模式疼痛识别。在临床环境中，多模式疼痛识别可能是有利的，因为这种方法更灵活。在一种模态不可用的情况下，例如手部烧伤中的皮肤电活动，该算法可以使用其他模态（视频），从而补偿丢失的信息。3%（疼痛阈值）和 90.9%（疼痛耐受性）。结论 根据外部观察量表，疼痛通常以多模式记录。关于自动疼痛识别，在 14 项选定研究的基础上，迄今为止没有确凿的证据表明多模式自动疼痛识别优于单模式疼痛识别。在临床环境中，多模式疼痛识别可能是有利的，因为这种方法更灵活。在一种模态不可用的情况下，例如手部烧伤中的皮肤电活动，该算法可以使用其他模态（视频），从而补偿丢失的信息。迄今为止，还没有确凿的证据表明多模态自动疼痛识别优于单模态疼痛识别。在临床环境中，多模式疼痛识别可能是有利的，因为这种方法更灵活。在一种模态不可用的情况下，例如手部烧伤中的皮肤电活动，该算法可以使用其他模态（视频），从而补偿丢失的信息。迄今为止，还没有确凿的证据表明多模态自动疼痛识别优于单模态疼痛识别。在临床环境中，多模式疼痛识别可能是有利的，因为这种方法更灵活。在一种模态不可用的情况下，例如手部烧伤中的皮肤电活动，该算法可以使用其他模态（视频），从而补偿丢失的信息。