Clinical Decision Support System (CDSS) i neurostimuleringsterapi (CDSS)

Primært mål: At udvikle en prædiktiv model integreret i et klinisk beslutningsstøttesystem (CDSS) feed ved hjælp af neuroimaging kvantitativ information, der objektivt er ekstraheret fra magnetisk resonans (MR) billeder, som maksimerer den passende brug og effektivitet af elektriske stimuleringsanordninger kirurgisk implanteret i udvalgte patienter med kronisk smerte.

Udforskende mål:

1. - Analysere funktionelle og anatomiske hjerneforbindelsesmønstre hos patienter med kroniske smerter for at udvikle en prædiktiv model baseret på kvantitativ magnetisk resonans neuroimaging, som maksimerer effektiviteten af ​​neurostimuleringsanordninger kirurgisk implanteret hos patienter med kroniske smerter.
2. -Analyser forholdet mellem neuroimaging biomarkører og de forskellige kliniske skalaer og variabler fanget fra hver patient (VAS, Oswestry Disability Index, DN4, Pain Detect, Moss, SF12, coping-skala, optimisme, resiliens og HAD).

Testenhed: 1.5 Tesla MR-system (Philips Healthcare, Best, Holland) Boston Scientific Neuromodulation (BSN) Precision Spectra™ rygmarvsstimuleringssystem med Illumina 3D™-software og 32 kontakter.

Enhedsbeskrivelse: Precision Spectra™ system IPG er en multipel uafhængig strømstyret impulsgenerator, der er i stand til at levere strøm gennem 32 kontakter. Den er drevet af en 3D-programmeringssoftware, der tager hensyn til ledningernes anatomiske position. To modeller af SCS-ledninger leveres med 8 eller 16 kontakter med 1,3 mm diameter, 3 mm kontaktlængde og kontaktafstand på 1, 4 eller 6 mm. Brugen af ​​SCS-udvidelser vil være valgfri for at forbinde IPG'en.

fMR-beskrivelse: MR-eksperimentet vil være i overensstemmelse med kravene på etiketten. MR-proceduren vil blive udført før implantation af enheden for at undgå bias. Endnu mere anbefaler Food and Drug Administration (FDA) ikke undersøgelse af patienter med denne slags enheder af sikkerhedsmæssige årsager.

Undersøgelser vil blive udført i et 1'5 Tesla MR-system (Philips Healthcare, Best, Holland) på Quiron Hospital. Beslutning om magnetfelt er baseret på kvaliteten af ​​undersøgelserne og skal baseres på mærkeprodukter og godkendelse af virksomheden for interaktion med implanteret system.

Der vil blive brugt en hovedspole med 8 modtagekanaler. Når patienten er blevet placeret i systemet, vil indledende og hurtige lokaliseringsbilleder blive erhvervet med henblik på korrekt planlægning af MR-sekvenserne i forskningsstudiet.

Efter planlægning vil en hviletilstand funktionel MR (rs-fMR) billeddannelsessekvens blive erhvervet, der beder patienten om at være stille med lukkede øjne og tænke på en blå himmel. Optagelsesparametrene vil bestå af en Echo Planar (EPI) dynamisk T2*-sekvens, fuld hjernedækning med følgende parametre: TR=2000 ms; TE=30 ms; voxelstørrelse, 1,8 × 1,8 x 3,5 mm; vippevinkel, 90º; 40 aksiale skiver; optagelsestid 5:20 min.

En DTI MR-sekvens vil blive erhvervet for at analysere hvidt stofs mikrostruktur og forbindelse ved traktografiteknikker med følgende parametre: Spin-Echo Echo Planar Imaging (SE-EPI) sekvens, enkelt skud; fuld hjernedækning; 64 gradientretninger; b-værdi, 1300 s/mm2; TR=6200 ms; TE=67 ms; voxelstørrelse, 2 x 2 x 2 mm; 60 aksiale skiver; optagelsestid 9:40 min.

En yderligere anatomisk sekvens vil tillade overliggende strukturelle og funktionelle resultater og derudover opnå volumetriværdierne for hver hjerneregion. Sekvensparametrene er: T1-vægtet 3D gradient ekkosekvens (GRE), fuld hjernedækning; TR=11,6 ms; TE=5,69; voxelstørrelse, 0,48 x 0,48 x 0,50 mm; vippevinkel, 8º; 280 aksiale skiver; erhvervelsestid 5:36 min.

Efter billedoptagelse vil alle datasæt blive sendt til Imaging Biomarkers Platform for Biomedical Imaging Research Group (GIBI230) fra La Fe Research Institute.

fMR-billederne vil blive justeret for at korrigere mulige små patientens hovedbevægelser under undersøgelsen. Til det vil open source SPM8 (Statistical Parametric Mapping, http://www.fil.ion.ucl.ac.uk/spm/) softwareværktøjet blive brugt. Efter bevægelseskorrektion vil der blive anvendt en tidsmæssig korrektion for at optimere skivetimingen. Billeder vil derefter blive normaliseret til en standardiseret hjerneskabelon for at give mulighed for undersøgelse af svingningerne mellem individer. Efter sådanne processer vil data blive filtreret af en 3D-Gaussian-kerne for at øge signal-til-støj-forholdet (SNR) og samtidig minimere forskelle mellem emner. Endelig vil anvendelsen af ​​uafhængige komponentanalyse (ICA) algoritmer give mulighed for udvinding af hjerneaktiveringskort i emnet under erhvervelsen.

Analysen af ​​DTI MR-dataene til udvinding af hvide stof-kanalers forbindelse vil blive udført med open source FSL-softwareværktøjet (http://www.fmrib.ox.ac.uk/fsl/). En indledende hvirvelstrømskorrektion vil blive anvendt på billederne for at minimere små billedforskydninger og geometriske forvrængninger. Hjernen vil derefter blive segmenteret ved hjælp af BET-algoritmen, og hjernedata fra alle patienter vil blive normaliseret til en fælles skabelon for den gruppebaserede analyse. Efter denne proces vil fraktioneret anisotropi (FA), diffusivitet (D) og orienteringskort blive opnået.

Når MR-billederne er blevet behandlet, skal de strukturelle og funktionelle forbindelsesegenskaber udvindes fra regionerne af interesse (ROI). Placeringen af ​​disse regioner vil blive opnået fra de zoner, der er involveret i Standard Mode Network (DMN). DMN kan spille en vigtig rolle i smerteopfattelse og viser en høj korrelation med symptomerne beskrevet af patienter, hvilket gør dette netværk nyttigt til forudsigelse af patientrespons efter implantation af elektrisk stimulation, enten på et funktionelt eller på et strukturelt niveau.

Da billeder vil blive normaliseret til en fælles skabelon, vil det automatiserede områdemærkning AAL-værktøj blive brugt til at definere de områder af interesse for undersøgelsen, som sammensætter DMN og dannes af den mediale temporallap, præfrontale cortex, posterior cingulate, precuneus og parietal cortex. Efter måling af forbindelsesparametrene i disse regioner vil der blive udviklet en prædiktiv model ved at kombinere kliniske variabler (skalaer og symptomer på hver patient) og neuroimaging information. Disse modeller vil i første omgang blive justeret med i alt 30 patienter (træningsdata) og senere valideret i en gruppe på 30 patienter (valideringsdata), hvorefter der opnås resultater af specificitet, sensitivitet og modelpræcision.