Klinikai döntéstámogató rendszer (CDSS) a neurostimulációs terápiában (CDSS)

Elsődleges cél: Egy klinikai döntéstámogató rendszerbe (CDSS) integrált prediktív modell kidolgozása mágneses rezonancia (MR) képekből objektíven kinyert neuroimaging kvantitatív információk segítségével, amely maximalizálja a sebészeti úton beültetett elektromos stimulációs eszközök megfelelő használatát és hatékonyságát a kiválasztott betegekben krónikus fájdalom.

Kutatási célok:

1. -Elemezze a funkcionális és anatómiai agyi kapcsolódási mintákat krónikus fájdalomban szenvedő betegeknél, hogy kvantitatív mágneses rezonancia neuroimagingen alapuló prediktív modellt dolgozzon ki, amely maximalizálja a krónikus fájdalomban szenvedő betegekbe sebészileg beültetett neurostimulációs eszközök hatékonyságát.
2. -Elemezze a kapcsolatot a neuroimaging biomarkerek és az egyes betegeknél rögzített különböző klinikai skálák és változók között (VAS, Oswestry Disability Index, DN4, Pain Detect, Moss, SF12, megküzdési skála, optimizmus, reziliencia és HAD).

Teszteszköz: 1.5 Tesla MR rendszer (Philips Healthcare, Best, Hollandia) Boston Scientific Neuromodulation (BSN) Precision Spectra™ gerincvelő-stimulációs rendszer Illumina 3D™ szoftverrel és 32 érintkezővel.

Az eszköz leírása: A Precision Spectra™ rendszer IPG egy többszörösen független áramvezérelt impulzusgenerátor, amely 32 érintkezőn keresztül képes áramot szolgáltatni. Egy 3D programozó szoftver hajtja, amely figyelembe veszi a vezetékek anatómiai helyzetét. Az SCS vezetékek két modellje lesz elérhető, 8 vagy 16 érintkezővel, 1,3 mm átmérőjű, 3 mm érintkezőhosszúsággal és 1, 4 vagy 6 mm érintkezőtávolsággal. Az SCS kiterjesztések használata opcionális lesz az IPG csatlakoztatásához.

fMR leírás: Az MR-kísérlet összhangban lesz a címkén szereplő követelményekkel. Az MR-eljárást az eszköz beültetése előtt kell elvégezni a torzítás elkerülése érdekében. Ráadásul az Élelmiszer- és Gyógyszerügyi Hatóság (FDA) biztonsági okokból nem javasolja a betegek ilyen típusú készülékekkel történő vizsgálatát.

A vizsgálatokat 1'5 Tesla MR rendszerben (Philips Healthcare, Best, Hollandia) végzik a Quiron Kórházban. A mágneses tér meghatározása a vizsgálatok minőségén alapul, és a termékek címkéjén és a cég jóváhagyásán kell alapulnia a beültetett rendszerrel való interakcióhoz.

8 vételi csatornás fejtekercset használnak. Miután a pácienst elhelyezték a rendszerben, kezdeti és gyors lokalizációs képeket készítenek a kutatási vizsgálat MR-szekvenciáinak megfelelő megtervezéséhez.

A tervezést követően nyugalmi állapotú funkcionális MR (rs-fMR) képalkotó szekvencia készül, amely arra kéri a pácienst, hogy maradjon csendben csukott szemmel és kék égen gondolkodjon. Az adatgyűjtési paraméterek egy Echo Planar (EPI) dinamikus T2* szekvenciából állnak, teljes agyi lefedettséggel a következő paraméterekkel: TR=2000 ms; TE=30 ms; voxelméret, 1,8 × 1,8 × 3,5 mm; billenési szög, 90°; 40 axiális szelet; felvételi idő 5:20 perc.

DTI MR szekvenciát kell beszerezni a fehérállomány mikroszerkezetének és összekapcsolhatóságának traktográfiás technikákkal történő elemzéséhez a következő paraméterekkel: Spin-Echo Echo Planar Imaging (SE-EPI) szekvencia, egyetlen felvétel; teljes agyi lefedettség; 64 gradiens irány; b-érték, 1300 s/mm2; TR=6200 ms; TE=67 ms; voxelméret, 2 x 2 x 2 mm; 60 axiális szelet; felvételi idő 9:40 perc.

Egy további anatómiai szekvencia lehetővé teszi a túlzott szerkezeti és funkcionális eredményeket, valamint az egyes agyi régiók térfogati értékeinek meghatározását. A szekvencia paraméterei a következők: T1 súlyozott 3D gradiens visszhang szekvencia (GRE), teljes agyi lefedettség; TR=11,6 ms; TE=5,69; voxel mérete, 0,48 x 0,48 x 0,50 mm; billenési szög, 8°; 280 axiális szelet; felvételi idő 5:36 perc.

A képfelvétel után az összes adatkészletet elküldik a La Fe Research Institute Biomedical Imaging Research Group (GIBI230) Imaging Biomarkers Platformjának.

Az fMR-képek egymáshoz igazításra kerülnek, hogy a vizsgálat során kijavítsák a páciens kis fejmozgását. Ehhez a nyílt forráskódú SPM8 (Statistical Parametric Mapping, http://www.fil.ion.ucl.ac.uk/spm/) szoftvereszközt fogják használni. A mozgáskorrekció után egy időbeli korrekciót alkalmazunk a szeletidőzítés optimalizálása érdekében. A képeket ezután egy szabványos agyi sablonra normalizálják, hogy lehetővé tegyék az egyének közötti oszcillációk tanulmányozását. Az ilyen folyamatok után az adatokat egy 3D-Gauss-kernel szűri a jel-zaj arány (SNR) növelése érdekében, miközben minimalizálja a tárgyak közötti különbségeket. Végül a független komponenselemző (ICA) algoritmusok alkalmazása lehetővé teszi az alany agyi aktiválási térképeinek kinyerését az adatgyűjtés során.

A DTI MR adatok elemzése a fehérállományi traktusok kapcsolatának kinyerésére a nyílt forráskódú FSL szoftvereszközzel történik (http://www.fmrib.ox.ac.uk/fsl/). Egy kezdeti örvényáram-korrekciót alkalmazunk a képeken, hogy minimálisra csökkentsük a képek enyhe elmozdulását és a geometriai torzulásokat. Az agyat ezután a BET algoritmus segítségével szegmentálják, és az összes beteg agyadatait egy közös sablonra normalizálják a csoportalapú elemzéshez. A folyamat után frakcionált anizotrópia (FA), diffúziós (D) és orientációs térképeket kapunk.

Az MR-képek feldolgozása után a strukturális és funkcionális kapcsolódási tulajdonságokat ki kell vonni az érdekes régiókból (ROI). Ezeknek a régióknak a helymeghatározása az alapértelmezett módú hálózatban (DMN) érintett zónáktól származik. A DMN fontos szerepet játszhat a fájdalomérzékelésben, és magas korrelációt mutat a betegek által leírt tünetekkel, ami hasznossá teszi ezt a hálózatot az elektromos stimuláció beültetése utáni páciens válaszreakciójának előrejelzésében, akár funkcionális, akár strukturális szinten.

Mivel a képeket egy közös sablonra normalizálják, az automatizált területcímkéző AAL-eszközt fogják használni a vizsgálat érdeklődési körébe tartozó régiók meghatározására, amelyek a DMN-t egyesítik, és amelyeket a mediális temporális lebeny, a prefrontális kéreg, a hátsó cingulum, a precuneus alkotnak. és a parietális kéreg. A konnektivitás paramétereinek mérése után ezekben a régiókban prediktív modell kerül kidolgozásra a klinikai változók (az egyes betegek skálái és tünetei) és a neuroimaging információk kombinálásával. Ezeket a modelleket kezdetben összesen 30 beteggel igazítják (képzési adatok), majd később egy 30 betegből álló csoportban validálják (validációs adatok), majd megkapják a specifitásra, érzékenységre és a modellek pontosságára vonatkozó eredményeket.