Ruhezustands-fMRT bei Bewusstseinsstörungen

Bewusstseinsstörungen (DoC) sind Zustände veränderten Bewusstseins, die aus einer erworbenen Verletzung von Gehirnnetzwerken stammen, die Erregung und Bewusstsein regulieren, gekennzeichnet durch einen Verlust der exzitatorischen neuralen Aktivität über kortikokortikale, thalamokortikale und thalamostriatale Verbindungen. DoC kann auf mehrere Ursachen zurückzuführen sein, darunter traumatische Hirnverletzung, anoxische Hirnverletzung durch Herzstillstand, Schlaganfall, schwere Hirninfektionen, anhaltende Anfälle oder andere. Eine primäre Herausforderung bei der klinischen Behandlung von DoC ist die genaue Bestimmung des DoC-Typs und des Bewusstseinsgrades sowie des Genesungspotenzials. Dies ist entscheidend für die Entscheidungsfindung und das klinische Management, mit Fehldiagnoseraten von bis zu 40 % aufgrund von Einschränkungen der klinischen Bewertung. Jüngste Untersuchungen haben gezeigt, dass bei bis zu 15-20 % der Patienten mit DoC ein Bewusstsein vorhanden sein kann, das bei der Untersuchung am Krankenbett nicht nachweisbar ist. Um die klinische Bewertung von DoC zu verbessern und letztendlich gezielte Interventionen zur Förderung der neurologischen Genesung zu entwickeln, müssen daher bessere Methoden zur Bewertung von DoC bei einzelnen Patienten entwickelt, validiert und in die klinische Anwendung überführt werden. Die Verwendung von rs-fMRI bei der Untersuchung von DoC hat zu wichtigen Erkenntnissen über die biologischen Mechanismen des Komas sowie zur Wiederherstellung des Bewusstseins geführt, die Übertragung von rs-fMRI auf die klinische Behandlung einzelner Patienten mit Bewusstseinsstörungen wurde jedoch durch behindert mehrere Faktoren. Erstens spiegelt BOLD fMRI eine komplexe Kombination von Signalen wider, die nicht nur von neuronaler Aktivität, sondern auch von nicht-neurologischen Quellen stammen, die letztendlich bis zu 25 % des BOLD-Signals ausmachen, wodurch die echte neuronale Konnektivität verschleiert und falsche Konnektivität eingeführt wird. Diese Einschränkung wurde normalerweise umgangen, indem fMRI auf Gruppenebene analysiert wurde, wobei die statistischen Vorteile der Mittelung von Daten über Einzelpersonen genutzt wurden. Bessere Strategien zur Unterscheidung zwischen neuralen und nicht-neuronalen Beiträgen zum BOLD-Signal sind erforderlich, um rs-fMRI in den klinischen Einsatz bei einzelnen Patienten zu überführen. Darüber hinaus hat sich gezeigt, dass herkömmliche Erfassungs- und Analysestrategien im Allgemeinen nur zu klinisch schwer zu handhabenden Scanzeiten zuverlässige Schätzungen der funktionellen Konnektivität liefern. Jüngste Erkenntnisse deuten darauf hin, dass hochzuverlässige Messungen der funktionellen Konnektivität auf individueller Ebene zu klinisch machbaren Scanzeiten unter Verwendung fortschrittlicherer Bildgebungsprotokolle erhalten werden können, die sogar mehrfach längere herkömmliche Akquisitionen übertreffen. Das gemessene BOLD-Signal kann als Funktion der Signalintensität bei Anregung (S0), der Echozeit und der Signalabklingkonstante dargestellt werden. Die neurale Aktivität beeinflusst das BOLD-Signal, indem sie eine Erhöhung des Blutflusses induziert, was die lokale Konzentration von Desoxyhämoglobin verringert und wiederum die lokale magnetische Suszeptibilität verringert, wodurch die Rate des Abfalls der Quermagnetisierung verringert wird. Durch Untersuchen des Signalabfalls über mehrere Echozeiten können Änderungen in T2* von Änderungen in S0 unterschieden werden, wodurch neuronale und nicht-neurale Signale von BOLD-Daten unterschieden werden können. Da die Empfindlichkeit für das BOLD-Signal in der Nähe von T2* maximal ist, können Multi-Echo-Akquisitionen auch die BOLD-Empfindlichkeit verbessern, indem sie den Echos, die dem T2* eines bestimmten Voxels am nächsten liegen, größeres Gewicht beimessen ("optimales Kombinieren"), von denen bekannt ist, dass sie zwischen den Echos variieren das Gehirn. Schließlich hat der Vorgang des Kombinierens von BOLD-Daten über Echos hinweg den Vorteil, dass thermisches Rauschen gedämpft wird, das zufällig organisiert ist und dazu neigt, sich bei Mittelung aufzuheben. In Kombination mit zusätzlichen Strategien zum Entfernen globaler bewegungsbezogener Signale kann der Einfluss von Bewegung auf BOLD-Daten nahezu eliminiert werden. Erst seit kurzem ist es durch die Integration anderer technischer Fortschritte wie simultaner Multi-Slice möglich, Multi-Echo-RS-fMRI ohne größere Kompromisse bei der Erfassung der räumlichen oder zeitlichen Auflösung zu erfassen. Zu den praktischen Herausforderungen bei der Erzielung einer fortschrittlichen MRT bei kritisch kranken Patienten gehört die Notwendigkeit, Patienten zu Forschungs-MRT-Instrumenten zu transportieren, die mit den neuesten Aufnahmemethoden ausgestattet sind und sich traditionell auf anderen Stockwerken oder sogar in anderen Gebäuden als Intensivstationen (ICUs) befinden. Infolgedessen wurden fortschrittliche MRT-Methoden wie Multi-Echo-RS-fMRI hauptsächlich bei gesunden Probanden angewendet. Dieses Projekt wird ein neu installiertes, forschungsorientiertes, hochmodernes 3-Tesla-MRT-System nutzen, das mit schnellen Gradienten und einem 32-Kanal-Empfängerarray ausgestattet ist, das in die Neurointensivstation (NICU) eingebettet ist. Dieses System ist in der Lage, Multi-Echo-RS-fMRT mit hoher räumlich-zeitlicher Auflösung durchzuführen, und ein Hauptziel dieses Projekts ist es zu bestimmen, ob die funktionelle Netzwerkintegrität bei Patienten mit DoC mit Multi-Echo-RS-fMRT zuverlässiger erkannt werden kann als mit Standard-RS- fMRT. Optimale Methoden wären unbeaufsichtigt, in der Lage, interindividuelle Unterschiede in der funktionellen Topologie zu berücksichtigen und komplexe Konnektivitätsdaten auf diskrete, klinisch umsetzbare Erkenntnisse zu reduzieren. Ein weiteres wichtiges Ziel dieses Projekts ist der Vergleich von drei Ansätzen zur Konstruktion und Charakterisierung von Konnektomen hinsichtlich ihrer Zuverlässigkeit auf individueller Patientenebene und des Grads der Assoziation mit klinischen Maßen der neurologischen Dysfunktion und des Ergebnisses. Der erste und traditionellste Ansatz stützt sich auf die Transformation aller Daten in einen Vorlagenraum und die Knotendefinition auf der Grundlage einer Metaanalyse auf Gruppenebene. Der zweite Ansatz wird ein zuvor beschriebenes Verfahren der Parzellierung auf Subjektebene auf der Grundlage von Konnektivitätsgradienten verwenden und schließlich über Individuen hinweg auf der Grundlage des Ähnlichkeitsgrads mit Vorlagennetzwerken verglichen werden. Der endgültige Ansatz wird ein radiologisches Interpretationsschema verwenden, bei dem erfahrene Neurobildgebungsexperten, die darauf trainiert sind, typische räumliche Muster von Netzwerken im Ruhezustand zu erkennen, eine Interpretation der Gradnetzkarten liefern, die aus einer unabhängigen Komponentenanalyse erhalten wurden.