Журнал «Медицина неотложных состояний» Том 21, №8, 2025

Актуальність. Біль, пов’язаний із травмою, може зберігатися протягом тривалого часу і перетворюватися на хронічний стан, що спричиняє інвалідизацію. Цифрова підтримка на ранніх етапах реабілітації може сприяти самоменеджменту болю та поліпшенню відновлення. Мета: оцінити зручність використання й клінічний вплив платформи T-CARE — мобільного застосунку для моніторингу післятравматичного болю, освітніх модулів i саморегуляції. Матеріали та методи. Проспективне спостережне дослідження проведено за участю 61 пацієнта з травматичним болем протягом 6 тижнів. Інтервенція включала ведення щоденника болю, планування мікроцілей, психоедукацію та цифрового асистента для подолання загострень. Первинними результатами були зміна інтенсивності болю (NRS), функціональний стан (WHODAS 2.0) та рівень залученості користувачів. Результати. Середній рівень болю знизився з 6,2 ± 1,3 до 3,7 ± 1,4 (p < 0.001). У 46 з 61 пацієнта (75 %) поліпшилися функціональні показники. Вища залученість у використання застосунку (> 80 % днів) була пов’язана з кращими результатами у функціонуванні. Висновки. T-CARE є перспективним і зручним інструментом для цифрової підтримки реабілітації після травми, що сприяє індивідуалізованому самоменеджменту болю та ранньому функціональному відновленню.

Background. Trauma-related pain can persist and evolve into chronic disabling conditions. Early digital support may facilitate self-management and improve recovery trajectories. The purpose was to evaluate the feasibility and clinical impact of T-CARE, a mobile-based platform for post-traumatic pain monitoring, education, and self-regulation. Materials and methods. A prospective observational study was conducted in 61 trauma patients over a 6-week period. The T-CARE system included pain tracking, goal planning, psychoeducation, and a digital coping assistant. Primary outcomes were change in self-reported pain intensity (NRS), functional status (WHODAS 2.0), and user engagement. Results. Mean pain intensity decreased from 6.2 ± 1.3 to 3.7 ± 1.4 (p < 0.001). Functional scores improved in 46 of 61 (75 %) patients. High app engagement (> 80 % daily use) was associated with greater functional gains. Conclusions. T-CARE is a feasible and promising adjunct to trauma rehabilitation, supporting individualized pain self-management and early functional recovery.

післятравматичний біль; цифрова медицина; самоменеджмент болю; мобільний застосунок; реабілітація; функціональне відновлення; залучення пацієнтів

post-traumatic pain; digital health; pain self-management; mobile app; rehabilitation; functional recovery; patient engagement

1. Dmytriiev D, Garland EL. Chronic pain during 60 days of war: the impact of the Russian war on Ukrainian patients. J Public Health. 2024. doi: 10.1007/s10389-024-02243-w.
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. Battle C, Baker E, Dmytriiev D. Predictors of chronic pain, chronic opioid use and neuropathic pain in Ukrainian military patients with isolated thoracic injuries sustained during the Russia-Ukraine conflict: a single-centre prospective observational study. Eur J Trauma Emerg Surg. 2025;51:237. doi: 10.1007/s00068-025-02914-7.
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. Shu-Fen Wung. Human factors and technology in the ICU. Crit Care Nurs Clin North Am. 2018;30(2). doi: 10.1016/j.cnc.2018.03.001.
10. Waller RG, Wright MC, Segall N, Nesbitt P, Reese T, 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.
11. 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.
12. Dobrovanov O, Dmytriiev D, Prochotsky A, Vidiscak M, Furkova K. Chronic pain in post-COVID syndrome. Bratisl Med J. 2023;124(2):97-103. doi: 10.4149/bll_2023_014.
13. Ksenchyna K, Dmytriiev D, Volanskyi K, Ksenchyn O, Nazarchuk O. Early post-trauma wound microbiota and its association with pain outcomes and mental health in combat-related extremity injuries: a prospective analysis. Front Pain Res. 2025;6. doi: 10.3389/fpain.2025.1564994.
14. Alowais SA, Alghamdi SS, Alsuhebany N, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 2023;23:689. doi: 10.1186/s12909-023-04698-z.
15. Buch VH, Ahmed I, Maruthappu M. Artificial intelligence in medicine: current trends and future possibilities. Br J Gen Pract. 2018;68(668):143-144. doi: 10.3399/bjgp18x695213.
16. Cabral BP, Braga LAM, Conte Filho CG, Penteado B, Freire de Castro Silva SL, et al. Future use of AI in diagnostic medicine: 2-wave cross-sectional survey study. J Med Internet Res. 2025;27:e53892. doi: 10.2196/53892.
17. Salomon I, Olivier S. Artificial intelligence in medicine: advantages and disadvantages for today and the future. Int J Surg Open. 2024;62(4):471-473. doi: 10.1097/io9.0000000000000133.
18. Popelnukha A, Dmytriiev D. Rapid Pain Assessment Tool avatar self-pain report: a new objective method for adequate pain diagnosis? Pilot study. Emerg Med. 2025;21(4):394-397. doi: 10.22141/2224-0586.21.4.2025.1887.
19. Peir AM, Margargit C, Llerena A. Drug-drug interactions. Things to do in pain management. Drug Metab Pers Ther. 2018;33(1):1-2. doi: 10.1515/dmpt-2017-0029.
20. Hermann M, Carstens N, Kvinge L, et al. Polypharmacy and potential drug-drug interactions in home-dwelling older people — a cross-sectional study. J Multidiscip Healthc. 2021;14:589-597. doi: 10.2147/jmdh.s297423.
21. Pirnejad H, Amiri P, Niazkhani Z, et al. Preventing potential drug-drug interactions through alerting decision support systems: a clinical context based methodology. Int J Med Inform. 2019;127:18-26. doi: 10.1016/j.ijmedinf.2019.04.006.
22. Emery MA, Akil H. Endogenous opioids at the intersection of opioid addiction, pain, and depression: the search for a precision medicine approach. Annu Rev Neurosci. 2020;43(1):355-374. doi: 10.1146/annurev-neuro-110719-095912.
23. Compton WM, Valentino RJ, DuPont RL. Polysubstance use in the U.S. opioid crisis. Mol Psychiatry. 2021;26(1):41-50. doi: 10.1038/s41380-020-00949-3.
24. Fang T, Zhang X, Hao W, et al. The status and prescription patterns of opioid utilization in a large comprehensive teaching hospital in China according to the anatomical therapeutic chemical classification/defined daily dose methodology. Front Psychiatry. 2022;13:913640. doi: 10.3389/fpsyt.2022.913640.