Fyzikální vyšetření, statické a dynamické ultrazvukové hodnocení a léčba torakolumbální fascie (TLF) zprostředkovaná dolní bolest zad

Před vývojem randomizované studie s použitím sonografické hydrodissekce Imaging TLF nebo použití OMT pro LBP zprostředkované TLF musí vyšetřovatelé prokázat asociaci zobrazovacích charakteristik s TFL zprostředkovaným LBP.

Vyšetřovatelé si také přejí datovat americké obrázky TFL, aby se dále rozvíjeli neklinické metody hodnocení obrazu USA prostřednictvím texturního a analýzy strojového učení.

Vyšetřovatelé provedou dva různé pilotní, prospektivní studie (jediný faktor, návrh opakovaného měření), které budou sdílet společnou asymptomatickou populaci a podobné hodnocení obrazu (založené na klinickém a výzkumu) a protokoly hodnocení funkčního hodnocení, aby hledaly biomarkery TLF v akutním a akutním a akutním & Chronická LBP. Pacienti CLBP v každé studii (různé populace) podstoupí pilotní rameno v AIM 3:

1. Hydrodissection (Studie DOD) pro léčbu zhoršení GLF v CLBP
2. OMT (AOA Studie) pro léčbu zhoršení TLF klouzání v CLBP

Obě studie budou využívat synergický potenciál kvantitativního zobrazování (včetně ultrazvuku ve stupních šedi, elastografii smykových vln a výpočetních přístupů, jako je analýza textury), spojené s umělou inteligencí, aby se vytvořily zobrazovací biomarkery TLF kritické pro hodnocení účinnosti OMT nebo hydrodissekce v CLBP. Tyto nástroje mohou sloužit jako podpora klinického rozhodování při identifikaci, diagnostice, léčbě a monitorování bolesti zad.

Vyšetřovatelé budou charakterizovat sonografickou prezentaci TLF, staticky a dynamicky v obou studijních populacích:

1. symptomatické (CLBP) a asymptomatičtí jedinci (AIM 1 AOA) a
2. u symptomatických (CLBP & ALBP) a asymptomatických jedinců (AIM 1 DOD)

Všechny předměty budou vzorem pohodlí mužů a žen ve věku 18–50 let.

Poté, co je získán informovaný souhlas, v obou studiích subjekty vyplní následující standardizované dotazníky související s bolestí a IRB schválené specifické demografické/historické dotazníky před podstoupením amerického zobrazování:

1. Studie specifický, IRB schválený demografický dotazník pro demografii a anamnézu;
2. Dotazník fyzické aktivity Baeke;
3. Oswestry dotazník pro poruchu bolesti v dolní části zad;

4. Vizuální stupnice analogové bolesti: Wong-Baker čelí stupnici hodnocení bolesti

   Biopsychosociální hodnocení:

5. 7-položku zobecněné hodnocení úzkostné poruchy (GAD-7) k posouzení úzkosti;
6. Dotazník o zdraví pacientů s 9 položkami (PHQ-9) k posouzení deprese.
7. Dotazník o 8-položce sociálního fungování (SFQ) k posouzení sociálního fungování subjektů.

Všechny tři nástroje jsou dotazníky pro vlastní hlášení, které jsou bezplatné, spolehlivé a zavedené nástroje pro screening.

Tyto průzkumné nástroje budou podávány na začátku (cíl 1) a ve 2, 4, 6, 12 a 24 týdnech po léčbě (AIM 3: Klinická studie). Všechny tyto nástroje se běžně používají ve studiích LBP.

Demografický dotazník, vyplněný subjektem, ale přezkoumán výzkumný pracovník s předmětem, získá od všech subjektů následující informace: věk, pohlaví, index tělesné hmotnosti (BMI), poranění MSK nebo chirurgický zákrok páteře a/nebo trupu, Abdominální chirurgická historie, historie poškození dolních zad, historie těhotenství, historie LBP a úroveň denní fyzické aktivity (viz připojený demografický dotazník). Demografický dotazník bude podáván až na začátku studie po získání informovaného souhlasu.

Všechny subjekty v obou studiích dokončí následující hodnocení funkčních zkoušek 1. Sit a Reach Test (pro kvantifikaci flexibility hamstringů a dolní části zad);

Subjekty pak podstoupí statické americké zobrazování jejich TLF. Americké zobrazování bude provádět Co-IS DRS. Kozar asistovaný kolegem sportovního lékařství (PGY4 nebo 5) nebo osteopatického neuromuskuloskeletálního lékařství (PGY4 nebo 5).

Subjekty pak podstoupí dynamické americké zobrazování jejich TLF. Americké zobrazování bude provádět Dr. Kozar asistencí spoluobčanským lékařem (PGY4 nebo 5) nebo osteopatickým rezidentem neuromuskuloskeletální medicíny (PGY4 nebo 5).

TLF Glide bude hodnocen ultrazvukem ve třech pozicích:

1. Náchylná flexe na motorizovaném stole
2. Náchylný k aktivnímu zvednutí přímé nohy

Všechna ultrazvuková hodnocení budou podávána na začátku (cíl 1) a ve 2, 4, 6, 12 a 24 týdnech po léčbě (AIM 3: Klinická studie).

Měření protokolu ultrazvuku: Posouzení statického obrazu:

• Snímky byly získány pomocí Supersonic Mach 30 (Hologic Inc, Francie) s použitím ultrarychlého zobrazovacího sonicsoftwaru s lineární 50mm širokou sondou 5-18 MHz.
• Během každé zobrazovací relace budou ultrazvukové režimy Grey-Scale (GS), Power Doppler (PD) a Sheer-Wave Elastography (SWE) ultrazvukové ultrazvukové režimy využívány a zaznamenány současně pomocí softwarové technologie Trivu Supersonic k získání longitudinálních a transverzních pohledů na 31 pozic sondy Respresenting Key Přechodové zóny subjektů TLF (obrázek 2). Tato místa byla vybrána pro nejlepší vzorkování více klíčových oblastí přenosu zátěže a funkční stabilizace v přechodových zónách různých připojení TLF. Každá poloha sondy bude mít 1 šedou stupnici (B-režim), 1 Power Doppler a 2 smykové vlnové elastografické obrazy (po 5 sekundové rovnovážné době). Celkově vyšetřovatelé získají 124 statických obrázků na skenovací relaci na pacienta. (Viz obrázek 2)

K posouzení všech statických obrázků budou použita klinická kritéria pro klasifikaci USA:

1. TLF echogenita (pouze GS obrázky)
2. Tloušťka TLF (pouze obrázky GS)
3. Okrajové rozmazání (pouze obrázky GS)
4. Fascial Herniation (pouze obrázky GS)
5. Fascia linearita (pouze obrázky GS)
6. Dopplerova pozitivita (pouze obrázky PD)
7. Tuhost (pouze obrázky SWE)

K posouzení všech obrázků bude použita texturní analýza a analýza strojového učení:

1. 1. objednávka, 2. objednávka a vyšší objednávka (např. Analýza blob a analýza délky běhu) Parametry textury budou vypočteny pro každý obrázek
2. Algoritmy strojového učení budou vyškoleny k identifikaci TLF v každém obrázku a odlišení od sousedních tkání/struktur
3. Algoritmy strojového učení budou vyškoleny k extrahování kvantitativních vlastností z každého obrazu a identifikaci, které vlastnosti a parametry textury lze použít k odlišení obrazů od pacientů s akutní vs. chronickou bolestí vs. zdravou tkáň
4. Algoritmy strojového učení budou vyškoleny na 1) klasifikují obrazy jako chronickou vs. akutní bolest vs. zdravá tkáň a 2) předpovídají bolest po léčbě a skóre klinických funkcí na základě zobrazování před léčbou, bolesti a skóre klinických funkcí skóre klinických funkcí, skóre klinických funkcí

Měření protokolu ultrazvukového zobrazování: Hodnocení dynamického obrazu:

... Všechny dynamické smyčky Cine získané na GE Logiq S8 Us, Lineární matrici ML6-15 sonda @15MHz, se 3 ohniskové body v TLF. Ultrazvukové cineové záznamy zadní vrstvy TLF byly získány bilaterálně, jak je popsáno níže:

1. Bylo zaznamenáno pět cyklů 20 stupňové flexe kmene (PTF) indukované motorizovanou tabulkou, přičemž sonda byla svislá přes paraspinální svaly L3-L4.
2. Pět cyklů 12 "náchylného aktivního přímého zvednutí nohou (PASLR), kontralaterální a ipsilaterální, bylo zaznamenáno s sondou soustředěnou svisle přes paraspinální svaly T12-L1.

Jeden výzkumný pracovník analyzoval nahrávky Cine pomocí softwaru Tracker. Maximální relativní pohyb byl vypočten v kranio-kaudálních a předních-zadních směrech, průměrován a vykázán jako průměrné klouzání a střední separaci vrstvy. Pro porovnání stavu bolesti, pohlaví, věku, strany, BMI a typu pohybu byl použit model lineárního smíšeného účinku. T-testy byly použity k vyhodnocení průměrného/maximálního srovnání klouzání.

Všechna dynamická ultrazvuková hodnocení TLF budou podávána na začátku (cíl 1) a na 2, 4, 6, 12 a 24 týdnů po léčbě (AIM 3: Klinická studie).

Subjekty, které vstupují do AIM 3, budou mít také následující hodnocení klinických zkoušek: běžné manévry Clinical LB zkoušky sestávající z:

• Navlea: rovné zvednutí nohou (SLR - pasivní), stehenní tah (TT), aktivní přímá zvýšení nohy (ASLR) a snižování souboje (DLL)
• Náchylný: Prodloužení kyčle (HE), Youmans Test (Y), Pasivní bederní rozšíření (ple - přes každou nohu), náchylné stisknutí (PPU - aktivní bederní rozšíření) a aktivní přímá zvednutí nohou (ASLRP) W & W/O TLF Předpětí; Náchylný kyčle prodlužovací motorový vzorec hlubokého sakrálního gluteus maximus (DSG), náchylná kyčle prodlužovací síla (PHES) W & S/Out Lift/List Pre-Strest Seznam pre-restress.
• Pouze studie AOA: Osteopatické strukturální hodnocení, sestávající z oblasti největší restrikční screeningové zkoušky, následované segmentovou diagnózou somatické dysfunkce ve 3-5 oblastech.

Všechny subjekty budou mít na začátku hodnocení klinických zkoušek. Tito subjekty vstupující do AIM 3 budou mít posouzení klinických zkoušek na každé léčebné relaci (X3) a 2, 4, 6, 12 a 24 týdnů po léčbě.

Protože se jedná o pilotní studii, vyšetřovatelé nebudou oslepeni opatřením.

2.6 Analýza dat: Statistická analýzy Vyšetřovatelé shrne kvantitativní charakteristiky obrázků pomocí hlavních komponent ke snížení rozměrnosti a vytvoření nezávislých ortogonálních shrnutí z obrázků. Pomocí hlavní složky budou vyšetřovatelé provést analýzu testování rozptylu (ANOVA), aby určili, zda se průměrná hodnota (např. Každý z parametrů textury) liší podle skupiny bolesti. Kromě toho vyšetřovatelé odhadují korelace kvantitativních amerických texturních parametrů napříč modalitami (GS, SWE a Power Doppler). Vyšetřovatelé shrne tato asociace pomocí Pearsonova korelačního koeficientu a vzhledem k opakovaným měřením provedeným v jednotlivci 95% intervaly spolehlivosti pomocí bootstrappingu. Vyšetřovatelé také otestují asociace pomocí regresí hlavních komponent mezi klinickými hodnoceními a kvantitativními americkými texturními parametry.

Interpretace dat Vyšetřovatelé očekávají, že naše podrobná analýza textury obrazu tří typů amerických obrázků odhalí nové biomarkery, které rozlišují jednotlivce, kteří jsou přítomni s akutní, chronickou nebo žádnou bolestí. Statistické analýzy našeho komplexního datového souboru (tabulka 1) zvýší znalosti o tom, jak jsou regionální zobrazovací rysy potenciálně spojeny s bolestí a funkcí.

Specifický cíl 2: Rozvíjejte klasifikační algoritmus strojového učení (ML), který spolehlivě rozlišuje abnormální myofasciální tkáň v akutní versus chronické bolesti od zdravé tkáně. S využitím datových sad získaných v konkrétním cíli 1 budou vyšetřovatelé automatizovat identifikaci TLF z okolních tkání v amerických obrázcích pomocí segmentace obrazu. Vyšetřovatelé pak vyvinou techniky výběru funkcí spojené s akutními a chronickými stádii myofasciální bolesti. A konečně, vyšetřovatelé budou trénovat algoritmus ML, aby klasifikoval (náhodný les a zrychlil robustní vlastnosti (surf)) a identifikoval americké obrazové charakteristiky, které jsou spojeny s akutními a chronickými stádii myofasciální bolesti. Nakonec vyšetřovatelé trénují algoritmus ML, aby klasifikovali americké obrazy TLF do tří tříd: 1) akutní bolest, 2) chronická bolest a 3) zdravá tkáň. Vyšetřovatelé se snaží dosáhnout minimální přesnosti klasifikace 90%. Všechny navrhované analýzy v AIM 2 budou založeny na de-identifikovaných ultrazvukových obrazech.

Segmentace obrazu Pro automatizaci identifikace a izolace TLF v amerických obrázcích budou vyšetřovatelé používat jak komerční segmentační software, tak i algoritmy segmentace hlubokého učení. S aplikací MATLAB Image Segmenter budou vyšetřovatelé aplikovat shlukování K-Means a segmentaci v regionu k identifikaci hranice TLF a identifikaci hyperechoických a hypoechoických oblastí/kuliček v každém obrázku. Vyšetřovatelé také použijí přenosové učení k přizpůsobení plně konvolučních sítí (FCN), které byly vyškoleny pro segmentování přírodních obrázků. Vyšetřovatelé budou trénovat tyto FCN pomocí Pytorch Deep Learning Library pro Python a podskupinu TLF obrázků ručně segmentované na úrovni pixelů vyškoleným lékařem. Výsledky každého algoritmu budou ověřeny manuální identifikací TLF vyškoleným lékařem.

Pro každý obrázek bude hranice TLF identifikovaná algoritmem segmentace použita v technice texturní analýzy QUS místo ručního definování návratnosti investic pro pixelovou analýzu. Vyšetřovatelé vyhodnotí kvalitu segmentace měřením metriky průsečíku (IOU), která porovnává část obrazu identifikovaného jako ROI jak lékařem, tak algoritmem. Cílem vyšetřovatelů je identifikovat algoritmus, který dosáhne nejméně 75% IOU, což je těsně pod nejvyšší skóre IOU dosaženo velkými přirozenými datovými sadami obrazu.

Výběr funkcí Algoritmus Random Forest (RF) bude aplikován na knihovnu obrázků získanou z obrázků získaných v AIM 1 za účelem určení sady obrazových charakteristik, které jsou biomarkery pro 1) akutní myofasciální bolest a 2) chronická myofasciální bolest ve srovnání s zdravá tkáň. Knihovna funkcí se bude skládat ze 7 kritérií klinického třídění a 12 funkcí textury obrazu získaných na 9 anatomických místech a 2 orientacích sondy, jakož i z prvků obrazu identifikovaných prostřednictvím zrychleného algoritmu (surfování). Naše nedávná studie úspěšně použila surf k identifikaci „zájmových bodů“ (např. Rohy, okraje a kuličky) v obrazech šlachy, které byly poté použity v klasifikačním algoritmu podpůrných vektorů (SVM) k rozlišení obrazů tendinopatických šlach z obrazů zdravých šlach s 77,5% přesností.

Obrázky budou rozděleny do tréninkových a testovacích sad, se dvěma třetinami obrázků přidělených na trénink a jednu třetinu přidělenou k testování. Z obrázků budou extrahovány funkce (klinické třídění, parametry textury a prvky surfování). Algoritmus RF poté vyškolí více rozhodovacích stromů pomocí tréninkového souboru. Každý strom bude vyškolen na náhodně vybrané podmnožině funkcí. Algoritmus RF bude trénovat stromy, aby klasifikovaly obrazy jako jednu ze tří tříd: 1) zdravá tkáň, 2) chronická myofasciální bolest nebo 3) akutní myofasciální bolest. Algoritmus RF pak poskytuje hodnocení toho, jak často se funkce používají ve vyškolených stromech. Hodnocení funkcí bude použito k určení 10 nejlepších funkcí, které svědčí o každé třídě, a proto mohou sloužit jako biomarkery. Vyškolený algoritmus RF bude poté spuštěn na testovací sadě obrázků a přesnost predikce modelu bude použita k posouzení účinnosti vybraných funkcí. Pro měření účinnosti výběru prvků budou vyšetřovatelé porovnávat přesnost testu klasifikátorů pomocí všech funkcí k klasifikátorům pomocí pouze vybraných funkcí. Pokud jsou vybrané funkce skutečně nejdůležitější, měla by být přesnost modelu vyškoleného na nich podobná nebo lepší než u modelu vyškoleného na celé sadě funkcí. Naším cílem je dosáhnout alespoň 90% přesnosti modelu vyškoleného bez výběru funkcí.

Klasifikace obrazu Vyšetřovatelé nejprve aktualizují naše dva existující klasifikační algoritmy ML (SVM a CNN), aby spolehlivě rozlišily abnormální myofasciální tkáň v chronické vs. stádii akutní bolesti od zdravé tkáně pomocí GS, SWE a Power Dopplerovy obrazy AIM 1. být rozdělen do tréninkových a testovacích sad, se dvěma třetinami obrázků přidělených na trénink a jednu třetinu přidělených na testování a všechny obrázky od každého pacienta udržované ve stejné sadě. Tréninková sada bude označena jako zdravá tkáň, chronická myofaskální bolest nebo akutní myofasciální bolest na základě klinického hodnocení. CNN bude trénovat přímo na tréninkové sadě obrázků, zatímco pro SVM budou obrázky předem zpracovány pomocí surfů k extrahování obrázků (např. rohy, okraje a kuličky). SVM pak bude trénovat na těchto extrahovaných funkcích. Přesnost, specificita a citlivost každého algoritmu budou hlášeny jako matice zmatení porovnáním klasifikace testovacích obrázků algoritmu s jejich skutečnou třídou.

Vyšetřovatelé poté zlepší přesnost algoritmu SVM prostřednictvím nových technik ML a začleněním prvků identifikovaných prostřednictvím našeho algoritmu výběru funkcí. Pro optimalizaci našich klasifikačních algoritmů budou vyšetřovatelé nadále zkoumat další klasické metody ML a hlubokého učení. Nedávné výsledky prokázaly sílu modelů nervové pozornosti pro sémantickou segmentaci. Vyšetřovatelé navíc budou používat slabě pod dohledem metod učení k začlenění funkcí identifikovaných prostřednictvím našich algoritmů výběru funkcí do procesu učení. Tyto slabě dohlížené metody učení pomohou řešit výzvu ML školení s omezeným označeným příkladem, což je problém běžný v mnoha lékařských zobrazovacích úkolech.

Specifický cíl 3: Posoudit terapeutickou účinnost hydrodisces jako nové léčby bolesti TLF pomocí kvantitativního amerického zobrazování a ML nástrojů.

Vyšetřovatelé provedou pilot, prospektivní studii perkutánní, ultrazvukového vedené hydrodisce jako účinku léčby v průběhu času. Subjekty s chronickým LBP podstoupí americké zobrazování a funkční hodnocení, jak je popsáno v AIM 1 před a po hydrodisci TLF na 2 místech bilaterálně. Vyšetřovatelé budou používat vyškolené algoritmy SVM a CNN vyvinuté v AIM 2 k klasifikaci podélných amerických obrazů získaných po ošetření hydrodissection do zdravých, akutních nebo chronických bolesti. Vyšetřovatelé předpokládají, že pacienti léčeni hydrodissekcí budou vykazovat snížení LBP, obnovení funkční schopnosti a americké zobrazovací biomarkery v souladu se stavem bez bolesti (versus akutní nebo chronická bolest).

Klinicky CO-IS Kozar a Brolinson využili několik let hydrodiskové techniky pro léčbu šlachy, nervu a zad. Konkrétně se zdá, že hydrodisekce fasciálních tkání, jako je iliotibiální (IT) pás (IT) a TLF, poskytuje významnou a dlouhodobé reliéfy syndromů bolesti (nepublikovaná klinická zkušenost CO-IS). Literatura o hydrodisci šlach (škrábání šlachy) a nervové hydrodisce se v posledních letech rychle rozšiřovala; Existuje však jen málo údajů o použití hydrodissection jako léčby bolesti dolních zad. Hydrodissection nabízí výhodu pro pacienty, kteří nemusí reagovat na manuální terapie (masážní terapie a manipulace s páteří) a standardní přístupy fyzikální terapie. Navrhovaná studie by byla mezi prvními, kdo by prozkoumal účinek hydrodiscee na TLF a LBP.

ML a statistické analýzy Vyšetřovatelé budou používat vyškolené algoritmy SVM a CNN vyvinuté v AIM 2 k klasifikaci de-identifikovaných, podélných amerických obrázků získaných po ošetření hydrodissection do kategorií CLBP, ALBP a WLBP. Vyšetřovatelé porovná tuto predikci se skutečnou třídou subjektů na základě klinického posouzení a stanoví přesnost, specificitu a citlivost našeho algoritmu při monitorování reakce na hydrodissection ošetření. Vyšetřovatelé budou také trénovat samostatné modely SVM a CNN, aby předpovídali bolest po léčbě a skóre klinických funkcí na základě zobrazení předběžného ošetření, bolesti a skóre klinických funkcí. Tato strategie umožní vývoj ML nástroje, který může předvídat reakci pacienta na hydrodisku před léčbou.

Vyšetřovatelé budou využívat lineární smíšené modely k testování změn v průběhu času ve skóre bolesti a zobrazování od základní linie do 24 týdnů. Vyšetřovatelé budou naprogramovat všechny analýzy pomocí softwaru SAS 9.4 a R Analysis (4.1.2), Úspora a dokumentování veškeré syntaxe, aby se umožnila reprodukci a replikaci všech výsledků. Očekává se, že údaje z tohoto pilotního vyšetřování prokáží asociaci zobrazovacích charakteristik s LBP, poskytnou předběžné důkazy o úlevě od bolesti z hydrodisce a odhadují komponenty klíčových rozptylů, které jsou všechny potřebné k vývoji dobře napájené a oprávněné randomizované studie.

Vyšetřovatelé shrnují všechny demografické a klinické výsledkové proměnné pomocí popisných měření centrální tendence a rozptylu. U kontinuálních proměnných budou vyšetřovatelé měřit centrální umístění pomocí průměru vzorku a disperze standardní odchylkou. Pro kategorické proměnné budou vyšetřovatelé shrnout pomocí proporcí. Pro nepřetržité výsledky, jako je skóre bolesti, dosažení testu a kvantifikovaných zobrazovacích dat budou lineární smíšené modely použity k měření účinku léčby v průběhu času. Pečlivá pozornost bude věnována předpokladu normality, který bude zkoumán pomocí histogramů a normálních grafů pravděpodobnosti. Pokud se zdá, že se předpoklad normality zdá být porušen nebo jsou přítomny odlehlé hodnoty, vyšetřovatelé použijí transformace. Cohen's D bude vypočítáno pro všechny výsledky pro kvantifikaci velikosti účinku léčby a pro pomoc s návrhem budoucích studií.

Vyšetřovatelé budou používat nástroje psychosociálního průzkumu jako rozchod:

• 1. test by pomohl vytvořit základní linii (předtest)
• Po testovacích průzkumech se zaměřujeme na to, zda subjekty ukazují zlepšení úzkosti, deprese a sociálního fungování, protože (doufejme) vidí zlepšení jejich biologické léčby
• Demografický dotazník položí jednu otázku každého subjektu a jednoduše se ptá, zda již vidí/využívají terapeuta duševního zdraví (psychiatr, psycholog nebo poradce). Vyšetřovatelé budou předpokládat, že by tyto subjekty byly nebo se učí nástroje k lepšímu řízení jakékoli úzkosti, deprese nebo jiného sociálního fungování. Vyšetřovatelé porovnávají odpovědi průzkumu mezi těmi, kteří mají pre-terapii s těmi, kteří nemají předterapii, pokud jsou čísla přiměřená.