Este documento presenta una investigación sobre interfaces para monitorear pacientes con dolor. La motivación es que el diagnóstico actual del dolor se basa solo en la consulta médica, sin considerar factores individuales del paciente. La investigación propone el uso de dispositivos wearables que permitan el auto-reporte del dolor por el paciente e incorporen información de contexto, con el fin de mejorar la experiencia del usuario. Se revisa el estado del arte de interfaces existentes y se plantea como pregunta de investigación si la información de contexto puede mejorar la experiencia del pac

1. Iyubanit Rodríguez Ramírez
Prof. Supervisora: Valeria Herskovic
Colaborador: Dr. Mauricio Campos, Traumatología PUC
Interfaces para el monitoreo de
pacientes con dolor

2. Agenda
• Motivación
• Marco Teórico
• Estado del arte
• Pregunta de Investigación
• Hipótesis
• Solución Propuesta
• Limitaciones
• Estado de la Investigación

3. Motivación: Dolor
Sensación desagradable que
puede ir desde una leve
molestia hasta la agonía.
Dolor puede ser agudo y crónico
4. Cheng et al. 2003. Concept Analysis of Pain
.

4. Motivación: Medición del dolor
8. Horgas et al. 2012. Assessing pain in older adults with dementia, 9. Jackso et al. 2006. Development of a pictorial scale of pain intensity, 18. Serif et al. 2005.
Visualizing pain data for wheelchair user, 22. The National Initiative on Pain Control. 2001. Pain Assessment Scales

5. Motivación
7. Hammal et al. 2014. Towards Multimodal Pain Assessment for Research and Clinical Use
Una persona
siente dolor
El médico hace
el diagnóstico
Información sólo
de la consulta
Información
sesgada
Inconvenientes
No toma en cuenta
factores individuales
Tratamientos inadecuados
Frustración del paciente

6. Motivación
“Es importante conocer el dolor que siente
el paciente durante la rutina diaria y no
sólo en los exámenes de laboratorio…”
Dr. Mauricio Campos
Dra. Laura Tupper
“…Solo el paciente será el indicado de
decir cuánto dolor tiene.”

7. Motivación
El dolor es motivo del
40% de consultas en
la atención primaria
cada año
El 20% de estos
pacientes ha
experimentado dolor
por más de 6 meses
11. Clínica las condes. 2004. Gestión en rehabilitación
Situación actual

8. Motivación
El dolor es un
problema crítico en
el sistema de salud
7. Hammal et al. 2014. Towards Multimodal Pain Assessment for Research and Clinical Use
Afecta calidad
de vida del
individuo
Diagnóstico de
enfermería más
frecuente
Causa efectos
físicos,
emocionales y
familiares
Aumenta los
costos del
individuo y la
sociedad

9. Marco teórico

10. Interfaz
Humano
Computador
Computación Psicología
Semiótica
Lenguaje Sociología Diseño
Ingeniería
Ergonomía
Paciente
Biología
Psicología
Cognición
Enfermedad
Antecedentes personales
Enfermedad actual
Medio ambiente
Social
Cultural
Dolor
Area de aplicación
Narcisa, F. La Interacción Humano-Computadora (MODIHC)
Montoya, P. 2005. Celebro y dolor

11. Interfaz
humano
computador
Medicina: Dolor
Medio
ambiente
Wearable
Contexto
Auto-reporte
Area de aplicación
Percepción

12. Monitoreo
Investigación que implica el estudio repetido de una
pregunta en el tiempo, requiere recopilación continua de
datos
3. Braveman. 2003. Monitoring Equity in Health and Healthcare
14. Min et al.2014. Toss ‘N’ Turn: Smartphone as Sleep and Sleep Quality Detector
11. Khurana et al. 2014. NeckGraffe: A Postural Awareness System

13. Contexto
Situación física y social en el que están integrados
dispositivos computacionales, para adquirir y utilizar
información acerca del ambiente y así proporcionar
servicios que son apropiados para el entorno en particular
of an anxiety attack, automatically sense the context at
the time of the attack, and enable some level of
intervention—either by delivery of video stimulus (e.g.,
social stories, which are used to teach social skills
through concrete, idiosyncratic video narratives [6]), or
by contacting a carer or friend. The use of context to
modulate the device’s response is motivated by the
location- or time-correlated nature of many anxiety
triggers. Default behaviour would cover response for
attacks without a recognized or available context.
Consider a scenario by way of demonstration: John has
just begun university, and must travel to the campus
by train. He waits at the station, with the anxiety
application running on the smartphone in his pocket.
The train arrives, accompanied by a cacophony of
screeching wheels, clanging level-crossing bells, and
ensuing rush to board. John is transfixed by panic. He
presses the panic button on the smartphone. It calls his
CHI 2011 • Work-in-Progress
of an anxiety attack, automatically
the time of the attack, and enable s
intervention—either by delivery of v
social stories, which are used to tea
through concrete, idiosyncratic vide
by contacting a carer or friend. The
modulate the device’s response is m
location- or time-correlated nature
triggers. Default behaviour would co
attacks without a recognized or ava
Consider a scenario by way of demo
just begun university, and must tra
by train. He waits at the station, wi
application running on the smartpho
The train arrives, accompanied by a
screeching wheels, clanging level-cr
ensuing rush to board. John is trans
presses the panic button on the sm
mum, and she endeavours to talk h
experience. It also records the time
level. The train moves on, leaving h
station. John knows the noise trigge
attack, but the cause of an attack is
The next day, John returns to the s
She uses the anxiety application to
as a train arrives amidst the noise,
and he boards it. The following day
station alone. The train comes, he f
tighten, he presses the panic button
aware of the location, plays the vide
recorded at the same place. He see
do; that he has done it before. He w
Figure 1. Above—active
support screen, with button
inputs for indicating panic,
warning, and okay; Below—
CHI 2011 • Work-in-Progress
2. Bardram. 2004. Applications of Context-Aware Computing in Hospital Work
15. Mohammedali et al. 2011. A Context-Sensitive Device to Help People with Autism Cope with Anxiety

14. Wearable
Integra capacidades de cómputo a dispositivos que se
llevan en el cuerpo, tales como ropa o accesorios
earable Device for Visualizing Knee
abilitation Exercises
Miranda Sheh, AliceChien, Halley Profita, KatieSiek
epartment of Computer Science
niversity of Colorado Boulder
eh, alice.chien, halley.profita, ksiek} @colorado.edu
ualizing knee
apy program.
on have lim-
of movement
n exploratory
ee bend. We
atients to get
and some of
ur current de-
m surgery as
face device
Figure 1. Physical Therapy Prototype for Knee Rehabilitation. Inset
showsextended leg with view of thebend sensor.
patients who haveor arecurrently attending physical therapy
16. Motti at al. 2014. Wearable Computing, 23. Zaragoza et al. 2013. Ubiquitous monitoring and assessment of childhood obesity, 1. Ananthanarayan et al. 2013. PT Viz:
Towards a Wearable Device for Visualizing Knee,

15. Experiencia del usuario
Grado en el que un sistema puede ser utilizado por
determinados usuarios para conseguir objetivos específicos
con efectividad, eficiencia y satisfacción en un contexto de
uso especificado
24. ISO. 2009. Human-centred design process for interactive systems

16. Estado del arte

17. Estado del arte
Interfaces para medir el dolor
Auto-reporte Detección automática
Escalas
de
medición
Visualización
del cuerpo
humano
Expresiones
faciales
Monitoreo
del paciente

18. Interfaces para medir el dolor
(c) Grouped leg pain drawings.
(d) Changing theduration and starting time.
Figure 3: Pain annotations using BodyDiagrams.
BodyDiagrams is a web appli
Rails. Theannotation UI iswritt
with graphics rendered using SV
sion state and persists user data.
User Scenario
We illustrate a sample use of B
pothetical user Mark, who is a
examples. Mark has been exper
occasional musclestrain in hisle
these are related, and whether t
alleviate his symptoms.
Upon opening BodyDiagrams a
der, Mark seesanoverlay tutoria
with the tool (Figure 3a). After
on the close button in the right
disappears. Mark starts with h
back pain. Heswitches to thepo
ing the rotation panel. Mark tou
the pain occurs precisely betwe
zooms into the model: the high
precisely locate the regions of in
hecan seethemodel’sskeletal s
neath theskin.
1157
Dibujo y texto
10. Jang et al. 2014. BodyDiagrams: Improving Communication of Pain
Symptoms through Drawing
Esta en línea, se
puede usar
desde la casa
Limitante
El paciente solo reporta el dolor, no toma en cuenta el
contexto y tiene curva de aprendizaje

19. Interfaces para medir el dolor
Expresión facial
6. Hammal et al . 2012. Automatic detection of pain intensity
17. Prkachin et al. 2008. The structure, reliability and validity of pain expression
Expresiones únicas para el dolor
Limitante
Esta aplicación se utiliza en el centro hospitalario

20. Interfaces para medir el dolor
Sistema portátil
Determina si el
paciente siente
dolor de espalda
baja. Movimiento
Limitante
No usa otras variables de contexto y no aplican el
auto-reporte. La muestra es pequeña
12. Lee et al. 2011. A Portable Inertial Sensing-based Spinal Motion
Measurement System for Low Back Pain Assessment

21. Necesidad encontrada
Aplicación
Permitir el
auto-reporte
Monitorear el
contexto
Mejorar la
experiencia
No afectar la
rutina
Evaluar con
usuarios reales

22. Pregunta de investigación
¿Se puede utilizar la información de
contexto para mejorar la experiencia
del usuario para auto-reportar
dolor?

23. Hipótesis
Una interfaz wearable que incluya
información del contexto mejora la
experiencia del paciente al auto-
reportar el dolor

24. Solución propuesta
Información contexto
Auto-reporte

25. Solución propuesta
Estudio con pacientes sobre dispositivos
wearable
Diseñar y validar prototipos wearable
Medir el grado de aceptación del
dispositivo por los pacientes y doctores

26. Fases de la investigación
Estudio de
usuarios
Estudio
técnico
Diseño e
implementación
de un prototipo
1
Evaluación del
prototipo 1
Diseño e
implementación
de un prototipo
2
Evaluación del
prototipo 2
Diseño e
implementación
de solución
Evaluación de
la solución
Fase 1 Fase 2 Fase 3 Fase 4

27. Limitaciones
Disposición de pacientes y doctores
Elección y recolección la información de
contexto adecuadamente
Privacidad de los participantes
Almacenamiento de información de
contexto

28. Estado de la investigación
Revisión de la literatura
Entrevistas a doctores
Realización del documento de la
candidatura

29. Cronograma
Actividad I 2015 II 2015 I 2016 II 2016 I 2017 II 2017
Búsqueda sistematizada
Protocolos de ética
Estudio de usuarios y técnico
Paper revisión sistemática
Diseño e implementación: Prototipo 1
Evaluación prototipo 1
Paper experiencia prototipo 1
Diseño e implementación: Prototipo 2
Evaluación prototipo 2
Paper experiencia prototipo 2
Diseño e implementación: solución
Evaluación soución
Paper experiencia solución
Desarrollo de la tesis

30. Muchas Gracias
¿Preguntas?

31. Referencias
1. Ananthanarayan, S., Sheh, M., Chien, A., Profita, H. and Siek, K. 2013. PT Viz: Towards a Wearable Device for
Visualizing Knee Rehabilitation Exercises. In CHI. Paris, France.
2. Bardram., B. 2004. Applications of Context-Aware Computing in Hospital Work – Examples and Design Principles. In
ACM Symposium on Applied Computing. Nicosia, Cyprus.
3. Braveman, P. 2003. Monitoring Equity in Health and Healthcare: A Conceptual Framework. J Health Popul Nutr. Vol. 21,
181–192.
4. Cheng S.F., Foster R.L. and Huang C.Y. 2003. Concept Analysis of Pain. In Tzu Chi Nursing Journal, 20-30.
5. Hammal, Z. and Cohn, J.F . 2012. Automatic detection of pain intensity. In Proceedings of the 14th ACM International
Conference on Multimodal Interaction, New York, USA.
6. Hammal, Z. and Kunz, M. 2012. Pain monitoring: A dynamic and context-sensitive system. Pattern Recognition, Vol. 45
(4), 1265-1280.
7. Hammal, Z. and Cohn J.F. 2014. Towards Multimodal Pain Assessment for Research and Clinical Use. In Proceedings of
the 2014 Workshop on Roadmapping the Future of Multimodal Interaction Research including Business Opportunities
and Challenges, New York, USA.
8. Horgas, A.L. 2012. Assessing pain in older adults with dementia. New York: University College of Nursing.
9. Jackson, D., Horn, S., Kersten, P. and Turner-Stokes, L. 2006. Development of a pictorial scale of pain intensity for
patients with communication impairments: initial validation in a general population. Clinical Medicine. Vol. 6, 580-585.
10. Jang, A., Maclean, D. and Herr, J. 2014. BodyDiagrams: Improving Communication of Pain Symptoms through
Drawing. In CHI, Toronto, Canada.
11. Khurana, R.,Marinelli, E., Saraf, T. and Li, S. 2014. NeckGraffe: A Postural Awareness System . In CHI. Toronto, Cánada.
12. Lee, J.K., G. T. Desmoulin, G.T., Khan, A. H. and Park, E. 2011. A Portable Inertial Sensing-based Spinal Motion
Measurement System for Low Back Pain Assessment. In 33rd Annual International Conference of the IEEE EMBS
Boston, Massachusetts USA, 4733-4740.

32. Referencias
13. McNaney, R., Vines, J., Roggen, D., Balaam, M., Zhang, P., Poliakov, I. and Olivier, P. 2014. Exploring the
Acceptability of Google Glass as an Everyday Assistive Device for People with Parkinson’s. In CHI. Toronto,
Cánada.
14. Min, J., Doryab, A., Wiese, J., Amini, S., Zimmerman, J. and Hong, J.2 014. Toss ‘N’ Turn: Smartphone as Sleep and
Sleep Quality Detector . In CHI. Toronto, Cánada.
15. Mohammedali, M., Phung, D., Adams, B. and Venkatesh, S. 2011. A Context-Sensitive Device to Help People with
Autism Cope with Anxiety. In CHI. Vancouver, Canada.
16. Motti ,V., Kohn, S. And Caine, K. 2014. Wearable Computing: A Human-centered View of Key Concepts, Application
Domains, and Quality Factors. In MobileHCI. Toronto, Cánada.
17. Prkachin, K.M. and Solomon, P.E. 2008. The structure, reliability and validity of pain expression: Evidence from
patients with shoulder pain. Pain, vol. 139, 267-274.
18. Serif, T., ghinea, G. and Frank, A. 2005. Visualizing pain data for wheelchair users: a ubiquitous approach. Journal of
Mobile Multimedia. Vol. 1, 161-177.
19. Singh, A., Klapper, A., Jia,J., Fidalgo, A., Tajadura-Jiménez, A., Kanakam, N., Bianchi-Berthouze, N. and Williams, A.
2014. Motivating People with Chronic Pain to do Physical Activity: Opportunities for Technology Design. In CHI.
Toronto, Cánada.
20. Siter, J., Feese, S., Arnrich, B., Tröster, G., Amft, O., Macrea, L. and Maurer, K. 2013. Evaluating Daily Life Activity
Using Smartphones as Novel Outcome Measure for Surgical Pain Therapy. In Proceedings of the 8th International
Conference on Body Area Networks, 153-156.
21. Spyridonis, F., Hansen, J., Gronli, TM. And Ghinea, G. 2013. PainDroid: An Android-based Virtual Reality Application
for Pain Assessment. Multimedia Tools and Applications. Vol. 72 (1), 191-206.
22. The National Initiative on Pain Control. 2001. Pain Assessment Scales. [online]. Available:
https://www.painedu.org/Downloads/NIPC/Pain_Assessment_Scales.pdf
23. Zaragoza, I., Jaime Guixeres, J., Alcañiz, M., Cebolla, A., Saiz, J. and Alvarez, J. 2013. Ubiquitous monitoring and
assessment of childhood obesity. In Pers Ubiquit Computing.
24. ISO. 2009. Human-centred design process for interactive systems. ISO FDIS 9241-210.