Fysisk undersøgelse, statisk og dynamisk ultralydsvurdering og behandling af thoracolumbar fascia (TLF) medierede lændesmerter

Før man udvikler et randomiseret forsøg ved hjælp af sonografisk TLF -billeddannelse guidet hydrodissektion eller brugen af ​​OMT til TLF -medieret LBP, skal efterforskerne demonstrere sammenhængen mellem billeddannelsesegenskaber med TFL -medieret LBP.

Undersøgere ønsker også at data mine amerikanske billeder af TFL for at videreudvikle ikke-kliniske amerikanske billedvurderingsmetoder gennem tekstur- og maskinlæringsanalyse.

Efterforskerne udfører to forskellige pilot, prospektive undersøgelser (enkelt faktor, gentagne måldesign), der vil dele en fælles asymptomatisk population og lignende billedvurdering (klinisk og forskningsbaseret) og funktionel vurderingsevalueringsprotokoller for at se efter biomarkører for TLF i akut & Kronisk LBP. CLBP -patienterne i hver undersøgelse (forskellige populationer) vil gennemgå en pilotbehandlingsarm i AIM 3:

1. Hydrodissektion (DOD -undersøgelse) til behandling af TLF Glide -svækkelse i CLBP
2. OMT (AOA -undersøgelse) til behandling af TLF Glide -svækkelse i CLBP

Begge undersøgelser vil udnytte det synergistiske potentiale ved kvantitativ billeddannelse (inklusive gråskala ultralyd, forskydningsbølgelastografi og beregningsmetoder såsom teksturanalyse) kombineret med kunstig intelligens for at etablere TLF-billeddannelsesbiomarkører, der er kritiske til vurdering af effektiviteten af ​​OMT eller hydrodissektion i CLBP. Disse værktøjer kan tjene som klinisk beslutningsstøtte i identifikation, diagnose, behandling og overvågning af lændesmerter.

Efterforskerne vil karakterisere den sonografiske præsentation af TLF, statisk og dynamisk i begge undersøgelsespopulationer:

1. Symptomatisk (CLBP) og asymptomatiske individer (AIM 1 AOA) og
2. I Symptomatic (CLBP & ALBP) og asymptomatiske individer (AIM 1 DOD)

Alle emner vil være en bekvemmelighedsprøve af mænd og kvinder i alderen 18-50 år gamle.

Efter at der er opnået informeret samtykke, i begge undersøgelser, udfylder emner følgende standardiserede smerterelaterede spørgeskemaer og IRB-godkendte undersøgelsesspecifikke demografiske/historie-spørgeskemaer, inden vi gennemgår os billeddannelse:

1. Undersøgelsesspecifik, IRB godkendte demografisk spørgeskema for demografi og medicinsk historie;
2. Baeke fysisk aktivitetsspørgeskema;
3. Oswestry Lændesmerter Handicapspørgeskema;

4. Visual Analog Pain Scale: Wong-Baker står over for Pain Rating Scale

   Biopsykosocial vurdering:

5. 7-punkts generaliseret angstlidelse vurdering (GAD-7) for at vurdere angst;
6. 9-punkts patientens sundhedsspørgeskema (PHQ-9) for at vurdere depression.
7. 8-punkts sociale funktionsspørgeskema (SFQ) for at vurdere social funktion af emner.

Alle tre værktøjer er selvrapporterende spørgeskemaer, der er gratis, pålidelige og etablerede screeningsværktøjer.

Disse undersøgelsesinstrumenter administreres ved baseline (AIM 1) og ved 2, 4, 6, 12 og 24 uger efter behandling (AIM 3: klinisk forsøg). Alle disse instrumenter bruges ofte i LBP -undersøgelser.

Det demografiske spørgeskema, der er afsluttet af emnet, men gennemgået af forskeren med emnet, vil få fra alle emner Følgende information: alder, sex, kropsmasseindeks (BMI), MSK -skade eller kirurgi af rygsøjlen og/eller overkroppen, Abdominal kirurgisk historie, historie med lav rygskade, graviditetshistorie, LBP's historie og niveauet for daglig fysisk aktivitet (se vedhæftet demografisk spørgeskema). Det demografiske spørgeskema administreres kun i begyndelsen af ​​undersøgelsen efter at have fået informeret samtykke.

Alle forsøgspersoner i begge undersøgelser vil afslutte følgende funktionelle eksamensvurderinger 1. Sid og nå test (for at kvantificere fleksibiliteten af ​​hamstrings og korsryggen);

Personer vil derefter gennemgå statisk amerikansk billeddannelse af deres TLF. Den amerikanske billeddannelse udføres af co-er Dr. Kozar assisteret af en sportsmedicinsk stipendiat (PGY4 eller 5) eller osteopatisk neuromuskuloskeletalt medicin bosiddende (PGY4 eller 5).

Personer vil derefter gennemgå dynamisk amerikansk billeddannelse af deres TLF. Den amerikanske billeddannelse vil blive udført af Dr. Kozar assisteret af en sportsmedicinsk stipendiat (PGY4 eller 5) eller osteopatisk neuromuskuloskeletalt medicin bosiddende (PGY4 eller 5).

TLF glide vurderes ved ultralyd i tre positioner:

1. Tilbøjelig flexion på et motoriseret bord
2. Tilbøjelig aktiv lige ben hævelse

Alle ultralydsvurderinger administreres ved baseline (AIM 1) og ved 2, 4, 6, 12 og 24 uger efter behandling (AIM 3: klinisk forsøg).

Ultralydafbildningsprotokolmålinger: Statisk billedvurdering:

• Billeder blev opnået under anvendelse af supersonisk Mach 30 (Hologic Inc, Frankrig) under anvendelse af ultrahurtig billedbehandling Sonicsoftware med lineær 50 mm bred, 5-18 MHz-sonde.
• Under hver billeddannelsessession vil gråskala (GS), Power Doppler (PD) & Sheer-Wave Elastography (SWE) ultralydstilstande blive anvendt og registreret samtidig ved hjælp af Supersonics trivu-softwareteknologi til at opnå langsgående og tværgående syn på 31 sondepositioner, der genpræsenterer nøglen Overgangszoner af forsøgspersoner TLF (figur 2). Disse placeringer blev valgt til at de bedste prøve flere nøgleområder med belastningsoverførsel og funktionel stabilisering inden for overgangszoner af forskellige tilknytninger af TLF. Hver sondeposition har 1 grå skala (B-mode), 1 Power Doppler og 2 forskydningsbølgelastografibilleder (efter en 5 sekunders ækvilibreringstid). I alt får efterforskerne 124 statiske billeder pr. Scanningssession pr. Patient. (Se figur 2)

Kliniske amerikanske klassificeringskriterier vil blive brugt til at vurdere alle statiske billeder:

1. TLF -ekkogenicitet (kun GS -billeder)
2. TLF -tykkelse (kun GS -billeder)
3. Marginal sløring (kun GS -billeder)
4. Fascial Herniation (kun GS -billeder)
5. Fascia linearitet (kun GS -billeder)
6. Doppler -positivitet (kun PD -billeder)
7. Stivhed (kun SWE -billeder)

Tekstural analyse og maskinlæringsanalyse vil blive brugt til at vurdere alle billeder:

1. 1. ordre, 2. ordre og højere orden (f.eks. BLOB -analyse og kørelængdeanalyse) Teksturparametre beregnes for hvert billede
2. Maskinindlæringsalgoritmer trænes til at identificere TLF i hvert billede og skelne det fra tilstødende væv/strukturer
3. Maskinindlæringsalgoritmer trænes til at udtrække kvantitative funktioner fra hvert billede og identificere, hvilke funktioner og teksturparametre der kan bruges til at skelne billeder fra patienter med akut vs. kronisk smerte vs. sundt væv
4. Maskinindlæringsalgoritmer vil blive trænet til 1) Klassificer billederne som kroniske kontra akutte smerter vs. sundt væv, og 2) forudsiger et individs efterbehandlingssmerter og kliniske funktionsresultater baseret på forbehandlingsafbildning, smerte og kliniske funktionsresultater

Ultralydafbildningsprotokolmålinger: Dynamisk billedvurdering:

... Alle dynamiske Cine-løkker opnået på GE LOGIQ S8 US, lineær matrix ML6-15 sonde @15MHz, med 3 fokuspunkter inden for TLF. Ultralyd Cine -optagelser af posterior TLF -lag blev opnået bilateralt som beskrevet nedenfor:

1. Fem cyklusser med 20 graders tilbøjelige bagagerum (PTF) induceret af et motoriseret tabel blev registreret, med sonde centreret lodret over L3-L4 paraspinalmuskler.
2. Fem cyklusser med 12 "tilbøjelige aktive lige benforhold (PASLR), kontralaterale & ipsilaterale, blev registreret med sonde centreret lodret over T12-L1 paraspinalmuskler.

En enkelt forsker analyserede Cine -optagelser ved hjælp af tracker -software. Maksimal relativ bevægelse blev beregnet i Cranio-Caudal og anterior-posterior retninger, gennemsnit og rapporteret som gennemsnitligt glid og gennemsnitlig lagseparation. En lineær blandet effektmodel blev anvendt til at sammenligne smertestatus, køn, alder, kropsside, BMI og bevægelsestype. T-test blev anvendt til at evaluere gennemsnitlige/maksimale glidesammenligninger.

Alle TLF-dynamiske ultralydsvurderinger administreres ved baseline (AIM 1) og ved 2, 4, 6, 12 og 24 uger efter behandling (AIM 3: klinisk forsøg).

De forsøgspersoner, der går ind i AIM 3, vil også have følgende kliniske eksamensvurderinger: Common Clinical LB -eksamensmanøvrer, der består af:

• SURING: Straight Ben Raug (SLR - Passiv), lårhydrende (TT), Active Straight Leg Raug (ASLRS) og Duel Legged Sænkning (DLL)
• Tilsat: hofteudvidelse (HE), Youmans Test (Y), passiv lændeudvidelse (PLE - via hvert ben), tilbøjelig presse op (PPU - Active Lumbar Extension) og Active Straight Leg Raug (ASLRP) W & W/O TLF Pre-stress; Tilbøjelig hofteforlængelsesmotor fyringsmønster af den dybe sacral gluteus maximus (DSG), tilbøjelig hofteforlængelsesstyrke (phes) w & s/out lift/list pre-stress, tilbøjelig hofte evig rotationsstyrke (phers) w & s/out lift/ Liste over pre-stress.
• Kun AOA-undersøgelse: Osteopatisk strukturel vurdering, der består af areal med den største screeningsundersøgelse af begrænsning, efterfulgt af segmentdiagnose af somatisk dysfunktion i 3-5 regioner.

Alle forsøgspersoner vil have kliniske eksamensvurderinger ved baseline. De forsøgspersoner, der kommer ind i AIM 3, vil have kliniske eksamensvurderinger ved hver behandlingssession (X3) og ved 2, 4, 6, 12 og 24 uger efter behandling.

Da dette er en pilotundersøgelse, vil efterforskerne ikke blive blændet for foranstaltninger.

2.6 Dataanalyse: Statistiske analyser, som efterforskerne vil opsummere de kvantitative egenskaber ved billederne ved hjælp af hovedkomponenter for at reducere dimensionaliteten og skabe uafhængige ortogonale resume fra billederne. Ved hjælp af den vigtigste komponent vil efterforskerne foretage variansanalyse (ANOVA) -test for at bestemme, om middelværdien (f.eks. Hver af teksturparametrene) adskiller sig fra smertegruppe. Desuden vil efterforskerne estimere korrelationer af kvantitative amerikanske teksturparametre på tværs af modaliteter (GS, SWE og Power Doppler). Efterforskerne opsummerer disse foreninger ved hjælp af Pearsons korrelationskoefficient og på grund af de gentagne målinger, der er foretaget inden for et individ, 95% konfidensintervaller ved hjælp af bootstrapping. Undersøgere vil også teste for foreninger ved hjælp af hovedkomponenter regressioner mellem kliniske vurderinger og kvantitative amerikanske teksturparametre.

Datatolkning Undersøgere forventer, at vores detaljerede billedteksturanalyse af tre typer amerikanske billeder vil afsløre nye biomarkører, der adskiller individer, der er til stede med akut, kronisk eller ingen smerter. Statistiske analyser af vores omfattende datasæt (tabel 1) vil fremme viden om, hvordan regionale billeddannelsesfunktioner er potentielt forbundet med smerte og funktion.

Specifikt mål 2: Udvikle en maskinlæring (ML) klassificeringsalgoritme til pålideligt at skelne unormalt myofascialvæv i akutte kontra kroniske smerter fra sundt væv. Ved hjælp af de datasæt, der er erhvervet i specifikt mål 1, vil efterforskerne automatisere identifikationen af ​​TLF fra omgivende væv i amerikanske billeder ved hjælp af billedsegmentering. Undersøgere vil derefter udvikle funktionsvalgsteknikker forbundet med akutte og kroniske stadier af myofascial smerte. Til sidst vil efterforskerne træne en ML-algoritme til at klassificere (tilfældig skov og hurtige robuste funktioner (SURF) algoritmer) og identificere amerikanske billedegenskaber, der er forbundet med akutte og kroniske stadier af myofascial smerte. Til sidst vil efterforskerne træne en ML -algoritme til at klassificere amerikanske billeder af TLF i tre klasser: 1) akut smerte, 2) kronisk smerte og 3) sundt væv. Efterforskerne søger at opnå en minimum klassificeringsnøjagtighed på 90%. Alle de foreslåede analyser i AIM 2 vil være baseret på de-identificerede ultralydsbilleder.

Billedsegmentering For at automatisere identifikationen og isoleringen af ​​TLF i amerikanske billeder, vil efterforskerne bruge både kommerciel segmenteringssoftware såvel som dyb læringssegmenteringsalgoritmer. Med MATLAB-billedsegmenter-appen vil efterforskerne anvende K-middel-klynger og regionens voksende segmentering for at identificere grænsen til TLF og til at identificere hyperechoiske og hypoechoiske regioner/klatter inden for hvert billede. Undersøgere vil også bruge overførselslæring til at tilpasse fuldt sammenviklingsnetværk (FCNS), der er trænet til at segmentere naturlige billeder. Undersøgere vil træne disse FCN'er ved hjælp af Pytorch Deep Learning Library til Python og en undergruppe af TLF-billeder, der manuelt er segmenteret på pixel-niveau af en uddannet kliniker. Resultaterne af hver algoritme valideres ved manuel identifikation af TLF af den uddannede kliniker.

For hvert billede vil TLF-grænsen, der er identificeret ved segmenteringsalgoritmen, blive brugt i QUS-strukturalanalyseteknikken i stedet for manuelt at definere ROI til pixel-vis analyse. Undersøgere vil evaluere kvaliteten af ​​segmenteringen ved at måle krydset over-union (IOU) metrisk, hvilket sammenligner den del af det billede, der identificeres som ROI af både klinikeren og algoritmen. Undersøgere -målet er at identificere en algoritme, der når mindst 75% IOU, hvilket er lige under de højeste IOU -scoringer opnået med store naturlige billeddatasæt.

Funktionsvalg Den tilfældige skov (RF) algoritme vil blive anvendt på billedfunktionsbiblioteket opnået fra de erhvervede billeder i AIM 1 for at bestemme sættet af billedegenskaber, der er biomarkører for 1) akut myofascial smerte og 2) kronisk myofascial smerte sammenlignet med sundt væv. Funktionsbiblioteket vil bestå af de 7 kliniske klassificeringskriterier og 12 billedteksturfunktioner opnået på 9 anatomiske placeringer og 2 sondeorienteringer samt billedfunktioner identificeret via de hurtige robuste funktioner (SURF) algoritme. Vores nylige undersøgelse brugte Surf med succes til at identificere "interessepunkter" (f.eks. Hjørner, kanter og klatter) inden for senebilleder, som derefter blev brugt i en supportvektormaskine (SVM) klassificeringsalgoritme til at skelne billeder af tendinopatiske sener fra billeder af sunde sener med en 77,5% nøjagtighed.

Billeder vil blive opdelt i trænings- og testsæt, med to tredjedele af billederne, der er tildelt træning og en tredjedel, der er tildelt til test. Funktioner (klinisk klassificering, teksturparametre og surffunktioner) ekstraheres fra billederne. RF -algoritmen træner derefter flere beslutningstræer ved hjælp af træningssættet. Hvert træ trænes på en tilfældigt valgt undergruppe af funktionerne. RF -algoritmen træner træer til at klassificere billederne som en af ​​tre klasser: 1) sundt væv, 2) kronisk myofascial smerte eller 3) akut myofascial smerte. RF -algoritmen giver derefter en rangering af, hvor ofte funktioner bruges i de trænede træer. Funktionsrangeringen vil blive brugt til at bestemme de 10 bedste funktioner, der er tegn på hver klasse, og kan således fungere som biomarkører. Den trænede RF -algoritme køres derefter på testsættet med billeder, og forudsigelsesnøjagtigheden af ​​modellen vil blive brugt til at vurdere effektiviteten af ​​de valgte funktioner. For at måle effektiviteten af ​​funktionsvalg vil efterforskerne sammenligne testnøjagtigheden af ​​klassifikatorer ved hjælp af alle funktioner til klassifikatorer, der kun bruger de valgte funktioner. Hvis de valgte funktioner faktisk er den mest relevante, skal nøjagtigheden af ​​en model, der er trænet på dem, være ens eller bedre end en model, der er trænet på det fulde funktionssæt. Vores mål er at opnå mindst 90% af nøjagtigheden af ​​en model, der er trænet uden valg af funktion.

Billedklassificering Undersøgere opdaterer først vores to eksisterende ML -klassificeringsalgoritmer (SVM og CNN) for pålideligt at skelne unormale myofasciale væv i kroniske vs. akutte smerter fra sundt væv ved hjælp af GS, SWE og Power Doppler -billeder af AIM 1. billeder vil. Bliv opdelt i trænings- og testsæt, med to tredjedele af de billeder, der er tildelt træning og en tredjedel, der er tildelt til test, og alle billeder fra hver patient opretholdes inden for det samme sæt. Træningssættet vil blive mærket som sundt væv, kronisk myofascial smerte eller akut myofascial smerte baseret på klinisk vurdering. CNN træner direkte på træningssættet med billeder, mens billederne for SVM vil blive forbehandlet ved hjælp af Surf til at udtrække billedfunktioner (f.eks. Hjørner, kanter og klatter). SVM træner derefter på disse ekstraherede funktioner. Nøjagtigheden, specificiteten og følsomheden af ​​hver algoritme vil blive rapporteret som en forvirringsmatrix ved at sammenligne algoritmens klassificering af testbillederne med deres sande klasse.

Efterforskerne vil derefter forbedre nøjagtigheden af ​​SVM -algoritmen gennem nye ML -teknikker og inkorporering af de funktioner, der er identificeret gennem vores funktionsudvælgelsesalgoritme. For at optimere vores klassificeringsalgoritmer vil efterforskerne fortsætte med at undersøge yderligere klassiske ML og dybe læringsmetoder. Nylige resultater har vist kraften i neurale opmærksomhedsmodeller til semantisk segmentering. Derudover vil efterforskerne bruge svagt overvågede læringsmetoder til at inkorporere de funktioner, der er identificeret gennem vores funktionsudvælgelsesalgoritmer i læringsprocessen. Disse svagt overvågede læringsmetoder vil hjælpe med at tackle ML -udfordringen med træning med begrænsede mærket eksempler, et problem, der er almindeligt i mange medicinske billeddannelsesopgaver.

Specifikt mål 3: Evaluer den terapeutiske effektivitet af hydrodissektion som en ny behandling af TLF -smerte ved hjælp af kvantitative amerikanske billeddannelses- og ML -værktøjer.

Efterforskerne vil udføre en pilot, prospektiv undersøgelse af perkutan, ultralydstyret hydrodissektion som en behandlingseffekt over tid. Personer med kronisk LBP vil gennemgå os billeddannelse og funktionelle vurderinger som beskrevet i AIM 1 før og efter hydrodissektion af TLF på 2 placeringer bilateralt. Efterforskerne vil bruge de trænede SVM- og CNN -algoritmer udviklet i AIM 2 til at klassificere langsgående amerikanske billeder, der er erhvervet efter hydrodissektionsbehandling til sunde, akutte eller kroniske smerte -kategorier. Undersøgere antager, at patienter, der er behandlet med hydrodissektion, udviser en reduktion i LBP, restaurering af funktionel kapacitet og amerikanske billeddannelsesbiomarkører, der er i overensstemmelse med en smertefri tilstand (versus akut eller kronisk smerte).

Klinisk har co-er Kozar og Brolinson anvendt hydrodissektionsteknikker til behandling af sen, nervesmerter i flere år. Specifikt ser hydrodissektion af fasciale væv såsom Iliotibial (IT) bånd og TLF ud til at give betydelig og langvarig lindring af smertesyndromer (upubliceret klinisk oplevelse af co-IS). Litteraturen om hydrodissektion af sener (senskrapning) og nerveshydrodissektion er hurtigt udvidet i de senere år; Imidlertid findes der kun få data om brugen af ​​hydrodissektion som behandling af lændesmerter. Hydrodissektion giver en fordel for patienter, der muligvis ikke reagerer på manuelle terapier (massageterapi og spinalmanipulation) samt standard fysioterapi -tilgange. Den foreslåede undersøgelse ville være blandt de første til at undersøge virkningen af ​​hydrodissektion på TLF og LBP.

ML og statistiske analyser, som efterforskerne vil bruge de uddannede SVM- og CNN-algoritmer, der er udviklet i AIM 2 til at klassificere de-identificerede, langsgående amerikanske billeder, der er erhvervet efter hydrodissektionsbehandling til CLBP, Albp og WLBP-kategorier. Undersøgere vil sammenligne denne forudsigelse med forsøgspersonernes ægte klasse baseret på klinisk vurdering og bestemme nøjagtigheden, specificiteten og følsomheden af ​​vores algoritme i overvågning af respons på hydrodissektionsbehandling. Undersøgere vil også træne separate SVM- og CNN-modeller for at forudsige et individs smerte efter behandlingen og kliniske funktionsresultater baseret på forbehandlingsafbildning, smerter og kliniske funktionsresultater. Denne strategi vil muliggøre udvikling af et ML -værktøj, der kan forudsige en patients respons på hydrodissektion inden behandling.

Undersøgere vil bruge lineære blandede modeller til at teste for ændringer over tid i smerteresultater og billeddannelse fra baseline til 24 uger. Undersøgere vil programmere alle analyser ved hjælp af SAS 9.4 og R -analysesoftware (4.1.2), Gemme og dokumentere al syntaks for at muliggøre reproduktion og replikation af alle resultater. Det er vores forventning, at dataene fra denne pilotundersøgelse vil demonstrere sammenhængen mellem billeddannelsesegenskaber med LBP, give foreløbige beviser for smertelindring fra hydrodissektion og estimere nøglevarianskomponenter, der alle er nødvendige for at udvikle et veldrevet og berettiget randomiseret forsøg.

Efterforskerne opsummerer alle demografier og kliniske udgangsvariabler ved hjælp af beskrivende mål for central tendens og spredning. For kontinuerlige variabler vil efterforskerne måle den centrale placering ved hjælp af prøvehjælp og spredning ved standardafvigelse. For kategoriske variabler opsummeres efterforskerne ved hjælp af proportioner. For kontinuerlige resultater sådanne smertescore, rækkevidde test såvel som kvantificerede billeddannelsesdata, vil lineære blandede modeller blive brugt til at måle behandlingseffekt over tid. Omhyggelig opmærksomhed vil blive lagt på den normalitetsantagelse, der vil blive undersøgt ved hjælp af histogrammer og normale sandsynlighedsdiagrammer. Hvis normalitetsantagelsen ser ud til, at krænkede eller outliers er til stede, vil efterforskerne anvende transformationer. Cohens D beregnes for alle resultater for at kvantificere behandlingseffektstørrelse og hjælpe med design af fremtidige studier.

Efterforskerne bruger værktøjerne Psychosocial Survey som en måler:

• 1. test ville hjælpe med at etablere baseline (for-test)
• Efter test af undersøgelser sigter mod at måle, hvis emner viser forbedring af angst, depression og social funktion, da de (forhåbentlig) ser forbedring i deres biologiske behandlinger
• Det demografiske spørgeskema stiller et spørgsmål om hvert emne, der blot spørger, om de allerede ser/bruger en mental sundhedsterapeut (psykiater, psykolog eller rådgiver). Efterforskerne antager, at disse emner ville have været eller undervises i værktøjer til bedre at styre enhver angst, depression eller anden social funktion. Efterforskerne vil foretage en sammenligning af undersøgelsesresponser mellem dem med før-terapi til dem uden før terapi, hvis antallet er tilstrækkelige.