Jahrelang beobachtete die ehemalige Krankenschwester Cheryl Baird in den Orchard Care Homes, einer Kette mit 23 Einrichtungen für Demenzkranke im Norden Englands, wie Pflegekräfte die sogenannte Abbey Pain Scale ausfüllten. Dabei handelt es sich um eine Methode zur Bewertung von Schmerzen bei Menschen, die kein verbales Verständigungsvermögen mehr besitzen. Baird, die damals als Qualitätsmanagerin der Pflegekette tätig war, beschreibt dies als „Checklisten-Methode, bei der die Leute die Schmerzindikatoren gar nicht wirklich berücksichtigten“. Infolgedessen wurde bei unruhigen Bewohnern von Verhaltensauffälligkeiten ausgegangen, da die Skala oft nicht gut zwischen Schmerzen und anderen Formen des Leidens unterscheiden kann. Oft wurden dann psychotrope Beruhigungsmittel verschrieben, während die Schmerzen selbst unbehandelt blieben.

Im Januar 2021 begann Orchard Care Homes mit einer neuen Methode, dem sogenannten PainChek. Dabei handelt es sich um eine Smartphone-App, die das Gesicht eines Bewohners auf geringste Muskelbewegungen abscannt und mithilfe Künstlicher Intelligenz eine Schmerzwertprognose ausgibt. Innerhalb weniger Wochen wurden bei einem Pilottest weniger Medikamente verschrieben und es herrschte dennoch mehr Ruhe auf den Fluren. „Wir haben sofort Vorteile erkannt: einfache Anwendung, höhere Genauigkeit und die Erkennung von Schmerzen, die mit der alten Skala nicht entdeckt worden wären“, sagt Baird.

Diese Art der KI-gestützten Diagnose liegt im Trend. In Pflegeheimen, Geburtseinrichtungen und Intensivstationen versuchen Forscher, Schmerzen – das subjektivste Vitalzeichen der Medizin – in etwas zu verwandeln, das Kameras oder Sensoren so zuverlässig wie den Blutdruck messen können. Eine der Methoden, das besagte PainChek, wurde mittlerweile von Aufsichtsbehörden auf drei Kontinenten zugelassen. Seit Einsatzbeginn wurden 10 Millionen Schmerzbewertungen durchgeführt. Andere Startups beginnen, ähnliche Fortschritte im Pflegebereich zu erzielen. Wie wir Schmerzen medizinisch bewerten, ändert sich also. Doch wenn Algorithmen unser Leiden vermessen, verändert das dann auch die Art und Weise, wie wir es verstehen und behandeln?

Die Wissenschaft kennt nur bestimmte Aspekte des Schmerzes. Wir wissen, dass beispielsweise beim Stoßen des Zehs kleine Nervenalarmsensoren, sogenannte Nozizeptoren, elektrische Impulse über schnelle Leitungen an das Rückenmark senden und so den ersten Schmerzstoß auslösen. Später folgt ein dumpfer, pochender Schmerz, der länger anhält. Im Rückenmark trifft das Signal auf eine mikroskopisch kleine Schaltzentrale, die Wissenschaftler als „das Tor” bezeichnen. Wenn dieser Bereich mit für den Körper positiven Berührungen überflutet wird – beispielsweise durch sanftes Reiben der Prellung –, wird die Schmerzreaktion gedämpft. Im Gegenzug kann das Gehirn auch anweisen, das Signal zu verstärken.

Das Tor im Rückenmark kann Schmerzsignale also entweder durchlassen oder blockieren, je nach anderen Nervenaktivitäten und Anweisungen des Gehirns. Nur die Signale, die es schaffen, dieses Tor zu passieren, gelangen zur sensorischen Karte Ihres Gehirns, um die Schädigung zu lokalisieren, während andere zu den Emotionszentren weitergeleitet werden, die entscheiden, wie stark der Schmerz tatsächlich empfunden wird. Innerhalb von Millisekunden senden dieselben Zentren im Gehirn neue Befehle zurück, wodurch körpereigene Schmerzbekämpfungsmittel freigesetzt oder echter Alarm ausgelöst wird. Mit anderen Worten: Schmerz ist keine direkte Übersetzung von Schaden oder Empfindung, sondern ein Aushandeln zwischen Körper und Gehirn in Echtzeit.

Aber wie diese Verhandlung abläuft, ist noch weitgehend ein Rätsel. Wissenschaftler können beispielsweise nicht vorhersagen, warum jemand nach einer Routineverletzung jahrelang unter Überempfindlichkeit leidet; der molekulare Übergang von akutem zu chronischem Schmerz ist noch weitgehend unbekannt. Phantomschmerzen sind ebenso rätselhaft: Etwa zwei Drittel der Amputierten verspüren Schmerzen in einem Teil ihres Körpers, der nicht mehr existiert, doch bisherige Theorien – etwa kortikale Umstrukturierung, periphere Neurome, Körper-Schema-Diskrepanz – erklären nicht, warum sie leiden, während das andere Drittel nichts spürt.

Der erste ernsthafte Versuch, ein System zur Quantifizierung von Schmerzen zu entwickeln, wurde 1921 vorgestellt. Patienten markierten ihren Schmerzgrad als Punkt auf einer zuvor leeren 10-Zentimeter-Linie, und Ärzte bewerteten den Abstand in Millimetern und wandelten so die beschriebene Erfahrung in eine Skala von 0 bis 100 um. Bis 1975 bot der McGill Pain Questionnaire des Psychologen Ronald Melzack dann 78 Adjektive wie „brennend”, „stechend” oder „pochend” an, sodass neben der Intensität auch die Beschaffenheit des Schmerzes in der Tabelle erfasst werden konnte. In den letzten Jahrzehnten haben sich Krankenhäuser schließlich auf die 0–10 Numeric Rating Scale geeinigt.

Doch Schmerz bleibt hartnäckig subjektiv. Rückmeldungen aus dem Gehirn können Anweisungen zurück an das Rückenmark senden, was bedeutet, dass Erwartungen und Emotionen dazu führen können, dass dieselbe Verletzung unterschiedlich stark schmerzt. In einer Studie berichteten Freiwillige, die glaubten, eine schmerzlindernde Creme erhalten zu haben, dass ein Reiz 22 Prozent weniger schmerzhaft war als bei denjenigen, die wussten, dass die Creme unwirksam war – und eine funktionelle Magnetresonanztomografie ihres Gehirns zeigte, dass der Rückgang mit einer verminderten Aktivität in den Teilen des Gehirns einherging, die Schmerzen melden, was bedeutet, dass sie tatsächlich weniger Schmerzen empfanden.

Ferner kann Schmerz auch durch eine Reihe externer Faktoren beeinflusst werden. In einer weiteren Studie wandten die Forscher denselben kalibrierten elektrischen Reiz auf Freiwillige aus Italien, Schweden und Saudi-Arabien an, und die Bewertungen variierten dramatisch. Italienische Frauen erzielten die höchsten Werte auf der Skala von 0 bis 10, während schwedische und saudische Teilnehmer denselben Schmerz um mehrere Punkte niedriger bewerteten, was darauf hindeutet, dass die kulturelle Herkunft die empfundene Intensität derselben Erfahrung verstärken oder dämpfen kann.

Voreingenommenheit innerhalb der Medizin kann sogar bei gleicher Schmerzbewertung zu unterschiedlichen Reaktionen führen. Eine Analyse aus dem Jahr 2024 von Entlassungsberichten ergab, dass die Bewertungen von Frauen 10 Prozent seltener aufgezeichnet wurden als die von Männern. In einer großen pädiatrischen Notaufnahme erhielten Kinder afroamerikanischer Herkunft mit Gliedmaßenfrakturen etwa 39 Prozent seltener ein Opioid-Analgetikum als ihre weißen Altersgenossen, die nicht LatinX waren, selbst nachdem die Forscher die Schmerzbewertung und andere klinische Faktoren kontrolliert hatten. Zusammen machen diese Studien deutlich, dass eine „8 von 10” nicht immer zu derselben Reaktion der Ärzt:innen oder Behandler führt. Und viele Patienten können ihre Schmerzen überhaupt nicht selbst mitteilen – beispielsweise kommt eine Auswertung von Studien am Krankenbett zu dem Schluss, dass etwa 70 Prozent der Intensivpatienten Schmerzen haben, die nicht erkannt oder unzureichend behandelt werden, ein Problem, das die Autoren mit ihrer beeinträchtigten Kommunikation aufgrund von Sedierung oder Intubation in Verbindung bringen.

Diese Probleme haben die Suche nach einer besseren, objektiveren Methode zum Verständnis und zur Beurteilung von Schmerzen ausgelöst. Fortschritte in der Künstlichen Intelligenz haben dieser Forschung eine neue Dimension verliehen. Wissenschaftler:innen verfolgen hier zwei große Ansätze. Der erste hört unter die Haut. Elektrophysiologen befestigen Elektrodennetze an Freiwilligen und suchen nach neuronalen Signaturen, die mit den verabreichten Reizen ansteigen und abfallen. Eine Studie, die maschinelles Lernen nutzte, zeigte 2024, dass ein solcher Algorithmus anhand einer wenigen Minuten langen EEG-Aufzeichnung im Ruhezustand mit einer Genauigkeit von über 80 Prozent erkennen konnte, welche Probanden unter chronischen Schmerzen litten und welche schmerzfreien Kontrollgruppenteilnehmer waren. Andere Forscher kombinieren EEG mit galvanischer Hautreaktion und Herzfrequenzvariabilität in der Hoffnung, dass ein Multisignal-„Schmerzfingerabdruck” robustere Messungen liefert.

Ein Beispiel für diese Methode ist der Patientenmonitor PMD-200 von Medasense, der KI-basierte Tools zur Ausgabe von Schmerzwerten verwendet. Das Gerät nutzt physiologische Muster wie Herzfrequenz, Schweißbildung oder periphere Temperaturänderungen als Input und konzentriert sich auf chirurgische Patienten, mit dem Ziel, Anästhesisten bei der Anpassung der Dosierung während der Operation zu unterstützen. In einer Studie aus dem Jahr 2022 mit 75 Patienten, die sich einer größeren Bauchoperation unterzogen, führte die Verwendung des Monitors zu niedrigeren selbst berichteten Schmerzwerten nach der Operation – ein Medianwert von 3 von 10 gegenüber 5 von 10 in der Kontrollgruppe. Der Opioidverbrauch stieg dabei nicht. Das Medasense-Gerät ist von der US-amerikanischen Food and Drug Administration zugelassen und wird in den Vereinigten Staaten, der Europäischen Union, Kanada und anderen Ländern bereits eingesetzt.

Der zweite Weg. Schmerz besser zu erkennen, ist verhaltensorientiert. Ein verzogenes Gesicht, eine zurückhaltende Körperhaltung oder ein scharfes Einatmen korrelieren mit verschiedenen Schmerzstufen. Teams im Bereich der Bilderkennung haben Hochgeschwindigkeitsvideos der sich verändernden Gesichtsausdrücke von Patienten in neuronale Netzwerke eingespeist, die auf dem Face Action Coding System (FACS) trainiert wurden, das Ende der 70er Jahre mit dem Ziel eingeführt wurde, ein objektives und universelles System zur Analyse solcher Reaktionen zu schaffen – zusammengesetzt aus 44 Gesichts-Mikrobewegungen. In Labortests können diese Modelle mit einer Genauigkeit von über 90 Prozent Bilder aus dem Datensatz markieren, die Schmerzen anzeigen, und kommen damit fast an die Konsistenz menschlicher Experten heran. Ähnliche Ansätze analysieren Körperhaltungen und sogar Satzfragmente aus Krankenblättern mithilfe von natürlicher Sprachverarbeitung, um Ausdrücke wie „Knie an die Brust ziehen” zu erkennen, die oft mit starken Schmerzen korrelieren.

PainChek ist eines dieser Verhaltensmodelle und funktioniert wie ein kamerabasiertes Thermometer, jedoch für Schmerzen: Eine Pflegekraft öffnet die App und hält ein Smartphone 30 Zentimeter vom Gesicht einer Person entfernt. Drei Sekunden lang sucht ein neuronales Netzwerk nach neun bestimmten mikroskopischen Bewegungen – Anheben der Oberlippe, Zusammenziehen der Augenbrauen, Anspannen der Wangen usw. –, die laut Forschungsergebnissen am stärksten mit Schmerzen in Verbindung stehen. Dann erscheint auf dem Bildschirm eine Punktzahl zwischen 0 und 42. „Es gibt einen Katalog von ‚Action-Unit-Codes‘ – Gesichtsausdrücke, die allen Menschen gemeinsam sind. Neun davon stehen im Zusammenhang mit Schmerzen“, erklärt Kreshnik Hoti, leitender Wissenschaftler bei PainChek und Miterfinder der App. Dieses System basiert direkt auf dem FACS. Nach dem Scan führt die App den Behandelnden durch eine Ja-oder-Nein-Checkliste mit anderen Anzeichen wie Stöhnen, „Abwehrhaltung“ und Schlafverhalten und speichert das Ergebnis in einem Cloud-Dashboard, das Trends anzeigen kann.

Die Verknüpfung des Scans mit einer von Menschen ausgefüllten Checkliste war, wie Hoti zugibt, eine späte Designentscheidung. „Anfangs dachten wir, dass KI alles automatisieren sollte, aber jetzt sehen wir, dass die hybride Nutzung – KI plus menschlicher Input – unsere größte Stärke ist“, sagt er. Die meisten Bewertungen werden von Pflegehelfenden durchgeführt, sodass die Ärzt:innen sich auf die Auswertung der Daten konzentrieren können, anstatt sie zu sammeln. PainChek wurde 2017 von der australischen Therapeutic Goods Administration zugelassen, und dank nationaler Fördermittel aus Canberra konnte es in Hunderten von Pflegeheimen im ganzen Land eingeführt werden. Das System wurde auch in Großbritannien zugelassen – wo die Expansion kurz vor Beginn der COVID-19-Pandemie begann und mit der Lockerung der Lockdowns wieder aufgenommen wurde. In Kanada und Neuseeland laufen Pilotprogramme. In den USA wartet es derzeit auf eine Entscheidung der Gesundheitsaufsicht FDA.

Unternehmensweite Daten zeigten „einen Rückgang des Einsatzes von Antipsychotika um etwa 25 Prozent und in Schottland eine Verringerung der Stürze um 42 Prozent“, sagt Hoti. Orchard Care Homes ist einer der ersten Anwender. Die ehemalige Qualitätsmanagerin Baird erinnert sich an die Routine vor der Einführung der KI, die vor allem dazu diente, „die Einhaltung der Vorschriften nachzuweisen“, wie sie sagt. PainChek fügte diesem Arbeitsablauf einen algorithmischen Ansatz hinzu, und der hybride Ansatz hat sich ausgezahlt. In einer internen Studie von Orchard in vier Pflegeheimen wurden monatliche Schmerzwerte, Verhaltensauffälligkeiten und Verschreibungen erfasst. Innerhalb weniger Wochen sank die Zahl der Verschreibungen von Psychopharmaka und das Verhalten der Bewohner beruhigte sich. Die Auswirkungen gingen über die Medikamentenabrechnung hinaus. Bewohner, die aufgrund unentdeckter Zahnschmerzen Mahlzeiten ausgelassen hatten, „begannen wieder zu essen“, bemerkt Baird, und „diejenigen, die aufgrund von Schmerzen isoliert waren, begannen, Kontakte zu knüpfen“.

In den Einrichtungen für Demenzkranke findet derzeit also ein kultureller Wandel statt. Als Baird neue Mitarbeiter schulte, verglich sie Schmerzen „mit der Messung von Blutdruck oder Sauerstoff“, sagt sie. „Wir würden diese Werte nicht schätzen, warum also Schmerzen schätzen?“ Die Analogie ist einleuchtend, aber es ist immer noch mühsam, die Menschen vollständig davon zu überzeugen. Einige Krankenpflegekräfte bestehen darauf, dass ihr klinisches Urteilsvermögen ausreicht, andere sträuben sich gegen eine weitere App und einen weiteren Prüfpfad. „Die Branche hat neue Technik nur langsam übernommen, aber das ändert sich gerade“, sagt Baird. Dazu trägt auch bei, dass die Nutzung der vollständigen Abbey-Schmerzskala 20 Minuten dauert, während ein PainChek-Scan und die Checkliste weniger als fünf Minuten in Anspruch nehmen.

Die Ingenieure von PainChek passen ihre Software mittlerweile für die jüngsten Patienten an. PainChek Infant richtet sich an Babys unter einem Jahr, deren Gesichtsausdrücke schneller wechseln als die von Erwachsenen. Der Algorithmus, der auf die Gesichter von Neugeborenen umtrainiert wurde, erkennt sechs validierte Gesichtsausdrücke auf der Grundlage des etablierten Baby Facial Action Coding System (BFACS). PainChek Infant startet derzeit mit begrenzten Tests in Australien, während das Unternehmen einen eigenen Zulassungsweg verfolgt.

Skeptiker warnen allerdings vor den bekannten Risiken der KI. So haben Systeme zur Gesichtsanalyse beispielsweise eine lange Geschichte des Hautfarben-Bias. Die Systeme könnte auch Gesichtsausdrücke, die durch Übelkeit oder Angst verursacht werden, falsch interpretieren. Das Tool ist zudem nur so gut wie die Ja-oder-Nein-Antworten, die auf den Scan folgen; eine schlampige Dateneingabe können die Ergebnisse in beide Richtungen verzerren. Den Ergebnissen fehlt weiterhin der breitere klinische und zwischenmenschliche Kontext, über den eine Pflegekraft wahrscheinlich verfügt, da sie regelmäßig mit einzelnen Patienten interagiert und deren Krankengeschichte kennt. Es ist zudem möglich, dass sich Ärzt:innen zu stark auf den Algorithmus verlassen, sich zu sehr von externen Bewertungen leiten lassen und ihr eigenes Urteilsvermögen so untergraben.

Falls PainChek im Herbst von der FDA zugelassen wird, wird es Teil einer umfassenderen Initiative zur Schaffung eines Systems neuer Technologien zur Schmerzmessung sein. Andere Startups bieten EEG-Stirnbänder für neuropathische Schmerzen, galvanische Hautsensoren, die Durchbruchschmerzen bei Krebs anzeigen, und sogar Sprachmodelle, die Pflegeberichte nach Anzeichen für versteckte Leiden durchkämmen. Dennoch könnte die Quantifizierung von Schmerzen mit einem externen Gerät ebenfalls mit versteckten Problemen wie Verzerrungen oder Ungenauigkeiten behaftet sein, die wir erst nach längerem Gebrauch erkennen. Für Baird ist die Sache dennoch ziemlich klar. „Ich habe mit chronischen Schmerzen gelebt und hatte Schwierigkeiten, andere davon zu überzeugen, dass sie existieren“, sagt sie. Wenn KI also still Leidenden eine Stimme geben kann – und Ärzt:innen dazu bringt, ihr zuzuhören –, dann könnte es sich lohnen.