筋膜性疼痛のイメージングバイオマーカー

提案された複合マルチモーダルバイオマーカーの定義 - 研究者らは、筋膜における正常な生物学的プロセスの指標として、超音波エラストグラフィー、ドップラー、生体インピーダンス分光法、および高密度筋電図検査から得られる定量的メトリクス（特徴）に基づいた定量的組織レベル分類器を開発することを提案しています。筋膜性疼痛の活動期および潜伏期における組織、および病原性プロセス。

全体的なアプローチと科学的厳密さ: 目的 1 では、研究者は生の組織レベルの測定値から再現可能な指標 (特徴) を生成し、パイロット研究でこれらの特徴の検出可能な最小変化を決定する方法を開発します。 目的 2 では、研究者は 2 つの被験者グループ (対照痛と筋筋膜痛) を対象に縦断的観察研究を実施します。 研究者らは、筋膜性疼痛の活動期と潜伏期、および正常な筋膜組織を最適に区別する分類アルゴリズムを開発する予定です。

集団と解剖学的部位を研究します。 選択された痛みの状態は慢性的な首と肩の痛みです。 研究者らは、被験者の 2 つのグループを募集します。グループ 1: Travell と Simon の基準 7 を使用したベースライン臨床検査によって決定された慢性筋筋膜性疼痛、およびグループ 2: 痛みのない対照です。 研究者らは、2 つの標準化された解剖学的位置に焦点を当てます (図 4)。 これにより、MTrPs55 および肩甲挙筋の一般的な位置である内側上部僧帽筋および棘下筋の画像化が可能になります。 これら 3 つの筋肉は、かなり異なる形態と筋膜を持っています45。 挙筋は、筋肉を含む明確な筋膜を備えた紡錘状の筋肉ですが、僧帽筋は筋周囲隔壁が筋腹と交差する部分から薄い筋膜を持っています。 棘下筋の表面には複数の筋膜層があり、C5-6 セグメントとの明確な分節結合があります 56 適格基準: 研究者は 18 ～ 65 歳の成人を募集します。 除外基準：（1）線維筋痛症、慢性疲労症候群または慢性ライム病の診断。 (2) 頸部神経根症、神経障害、または神経炎の診断。 (3) 頭頸部、頸椎、肩帯の手術歴。 (4) 非定型顔面神経痛。 (5) 過去 6 週間以内に新しい薬または薬を変更した。 (6) 現在喉または耳の感染症を患っている。

マスキングとマッチング: これは単一盲検縦断観察研究です。 データ収集と分析を実行するチームは被験者のグループ割り当てを知らず、臨床評価の結果が分からなくなります。 2 つのグループは、ペア採用戦略を使用して年齢と性別を一致させます57。 研究者らは、痛みの既往がない適格な対照被験者のプールを特定し、性別と年齢層（18～30歳、31～50歳、50歳以上）に分ける。 括弧内に募集されたグループ 1 の被験者ごとに、研究者は、該当するグループ 2 の被験者をプールから募集します。

生物学的変数としての性別: 筋筋膜性疼痛は地域社会に広く蔓延しており、男性と女性の両方に影響を及ぼします。 僧帽筋痛は女性に多く見られます58。 研究者らは、年齢と性別を一致させたグループを利用し、プールされた集団の両方と性別ごとに分類器のパフォーマンスをテストして、バイオマーカー測定における性別特有の違いを特定します。

結果の尺度: 主な結果の尺度は、組織レベルの定量的バイオマーカーに基づく複合分類子になります。 研究者は、3 か月間にわたって毎月データ収集を繰り返し実行します。 被験者の臨床表現型（正常、潜伏、一時的な活動性、および持続的な活動性）は、包括的な身体検査プロトコル 12 によって決定されます。 研究者らは、成人慢性疼痛に関する NIH HEAL 共通データ要素を利用して自己報告を収集します。 臨床表現型をさらに特徴付けるため、副次的結果の尺度として、研究者らはスマートフォン上の生態学的瞬間評価（EMA）アプリケーション（Metricwire）を利用して、日中のランダムな時点でトリガーされる毎日の痛みの評価を取得し、自動活動モニタリングを収集します。スマホのセンサー。 研究者はまた、毎週 3 項目の痛みの強さと干渉を収集します59。

データ収集手順 データ管理: これは単一サイトの調査です。 すべての学習手順はメイソンで行われます。 研究生物統計学者 (Rosenberger) は、電子データ キャプチャ システム (REDCap) に適切なマスキング コントロールと電子症例報告フォーム (eCRF) を設定します。 すべての研究データは、eCRF を使用して REDCap に入力されます。 研究担当者は、REDCap で適切な役割ベースのアクセス制御を行うことになります。 ソースの検証は、REDCap の組み込みチェックを使用して実行されます。

マスキング: 1 人の臨床医 (ガーバー) が各被験者の同意を得て、病歴と身体検査を実施します。 追加の臨床医 (DeStefano) が支援のために同席する場合があり、研究助手がメモを取ったりデータを入力したりするために同席します。 エンジニアリングチームはPI（Sikdar）と共同研究員のChitnisによって監督され、転帰測定値を別室で収集し、患者の病歴と身体検査の結果はマスクされる。 研究のために操作手順のマニュアルが作成されます。

データ分析手順。 すべてのデータ分析は、データサイエンティスト (Lee) および研究生物統計学者 (Rosenberger) の監督の下、生物統計学大学院研究助手によって実行されます。

一次分析: 研究者は、関数時系列と統計的学習方法に基づいて、マルチクラス分類アルゴリズムを構築し、厳密に検証します。 ここで、バイオマーカー時系列は、固有の時間的パターン/信号、または基底関数の組み合わせとして表すことができます。 これらの関数には、時間不変固有基底関数 80、平滑化スプライン 81、ウェーブレット 82、または関数主成分 83 が含まれます。 機能データ分析を使用して、バイオマーカー時系列に含まれる関連情報を要約する複合予測変数が構築されます。 次に、サポートベクターマシン84、判別分析85、86、ニューラルネットワーク87、88、回帰ツリー89などの教師あり学習アプローチを使用して、マルチクラス分類方法が構築されます。 分類アルゴリズムは、複合予測子を使用して、被験者を 4 つの関連カテゴリ (疼痛 - 一時的、疼痛 - 活動的、制御 - 一時的、および制御 - 活動的) に体系化します。 K 分割相互検証は、感度、特異度、F1 スコア、およびマルチクラス シナリオの ROC 曲線下の面積に基づいて分類器の精度を評価するために使用されます 90,91。

二次分析: (1) 対照群 (グループ 2) におけるバイオマーカーの基準値を決定する。 (2) 一次バイオマーカーと二次バイオマーカーの収束妥当性を評価します。 基礎となるグラウンド トゥルースを直接測定することはできないため、一次バイオマーカーと二次バイオマーカーを利用して収束妥当性を評価します。 （３）対応する臨床測定値（可動域、圧痛閾値）との相関。