신경 자극 요법의 임상 의사 결정 지원 시스템(CDSS) (CDSS)

1차 목적:자기공명(MR) 영상에서 객관적으로 추출한 정량적 정보를 신경영상화하여 CDSS(Clinical Decision Support System) 피드에 통합된 예측 모델을 개발하여 전기자극 장치의 적절한 사용 및 효과를 극대화 만성 통증.

탐구 목표:

1. -만성 통증 환자의 기능적 및 해부학적 뇌 연결 패턴을 분석하여 정량적 자기 공명 신경 영상을 기반으로 만성 통증 환자에게 외과적으로 이식된 신경 자극 장치의 효과를 극대화하는 예측 모델 개발
2. -신경 영상 바이오마커와 각 환자로부터 캡처한 다양한 임상 척도 및 변수(VAS, Oswestry Disability Index, DN4, 통증 감지, Moss, SF12, 대처 척도, 낙관주의, 회복력 및 HAD) 사이의 관계를 분석합니다.

테스트 장치:1.5 Tesla MR 시스템(Philips Healthcare, Best, The Netherlands) Illumina 3D™ 소프트웨어 및 32개의 접점을 갖춘 Boston Scientific Neuromodulation(BSN) Precision Spectra™ 척수 자극 시스템.

장치 설명: Precision Spectra™ 시스템 IPG는 32개의 접점을 통해 전류를 전달할 수 있는 다중 독립 전류 제어 펄스 발생기입니다. 리드의 해부학적 위치를 고려하는 3D 프로그래밍 소프트웨어로 구동됩니다. 직경 1.3mm, 접점 길이 3mm, 접점 간격 1, 4 또는 6mm의 접점이 8개 또는 16개 있는 두 가지 모델의 SCS 리드가 제공됩니다. SCS 확장 사용은 IPG 연결을 위한 선택 사항입니다.

fMR 설명: MR 실험은 라벨 요구 사항과 일치합니다. MR 절차는 바이어스를 피하기 위해 장치 이식 전에 수행됩니다. 더욱이 미국 식품의약국(FDA)은 보안상의 이유로 이러한 종류의 장치로 환자를 검사하는 것을 권장하지 않습니다.

검사는 Quiron 병원의 1'5 Tesla MR 시스템(Philips Healthcare, Best, The Netherlands)에서 수행됩니다. 자기장의 결정은 검사의 품질을 기반으로 하며 이식된 시스템과의 상호 작용을 위해 라벨 제품 및 회사의 승인에 의존해야 합니다.

8개의 수신 채널이 있는 헤드 코일이 사용됩니다. 환자가 시스템에 배치되면 연구 연구의 MR 시퀀스를 적절하게 계획하기 위해 초기 및 빠른 현지화 이미지가 획득됩니다.

계획 후 휴식 상태의 기능적 MR(rs-fMR) 영상 시퀀스를 획득하여 환자에게 눈을 감고 조용히 파란 하늘에서 생각하도록 요청합니다. 획득 매개변수는 EPI(Echo Planar) 동적 T2* 시퀀스, 다음 매개변수로 뇌 전체를 덮는 것으로 구성됩니다. TR=2000ms; TE=30ms; 복셀 크기, 1.8 × 1.8 x 3.5mm; 뒤집기 각도, 90º; 40축 슬라이스; 획득 시간 5:20분

DTI MR 시퀀스는 다음 매개변수를 사용하여 트랙토그래피 기술로 백질 미세구조 및 연결성을 분석하기 위해 수집됩니다. SE-EPI(Spin-Echo Echo Planar Imaging) 시퀀스, 단일 샷; 전체 뇌 범위; 64개의 기울기 방향; b-값, 1300s/mm2; TR=6200ms; TE=67ms; 복셀 크기, 2 x 2 x 2mm; 60축 슬라이스; 획득 시간 9:40분

추가 해부학적 시퀀스를 통해 구조적 및 기능적 결과를 확인하고 각 뇌 영역의 체적 값을 얻을 수 있습니다. 시퀀스 매개변수는 다음과 같습니다. T1 강조 3D 그래디언트 에코 ​​시퀀스(GRE), 전체 뇌 범위; TR=11.6ms; TE=5.69; 복셀 크기, 0.48 x 0.48 x 0.50mm; 뒤집기 각도, 8º; 280축 슬라이스; 획득 시간 5:36분.

이미지 획득 후 모든 데이터 세트는 La Fe 연구소의 Biomedical Imaging Research Group(GIBI230)의 Imaging Biomarkers Platform으로 전송됩니다.

fMR 이미지는 검사 중에 발생할 수 있는 작은 환자의 머리 움직임을 수정하기 위해 정렬됩니다. 이를 위해 오픈 소스 SPM8(Statistical Parametric Mapping, http://www.fil.ion.ucl.ac.uk/spm/) 소프트웨어 도구가 사용됩니다. 이동 보정 후 슬라이스 타이밍을 최적화하는 시간 보정이 적용됩니다. 그런 다음 이미지는 개인 간의 진동을 연구할 수 있도록 표준화된 뇌 템플릿으로 정규화됩니다. 이러한 프로세스 후에 데이터는 개체 간 차이를 최소화하면서 신호 대 잡음비(SNR)를 높이기 위해 3D-Gaussian 커널에 의해 필터링됩니다. 마지막으로, 독립 구성 요소 분석(ICA) 알고리즘을 적용하면 획득하는 동안 대상에서 뇌 활성화 맵을 추출할 수 있습니다.

백질 영역 연결을 추출하기 위한 DTI MR 데이터 분석은 오픈 소스 FSL 소프트웨어 도구(http://www.fmrib.ox.ac.uk/fsl/)를 사용하여 수행됩니다. 약간의 이미지 변위 및 기하학적 왜곡을 최소화하기 위해 초기 와전류 보정이 이미지에 적용됩니다. 그런 다음 뇌는 BET 알고리즘을 사용하여 분할되고 모든 환자의 뇌 데이터는 그룹 기반 분석을 위한 공통 템플릿으로 정규화됩니다. 이 프로세스 후 분수 이방성(FA), 확산성(D) 및 방향 맵을 얻을 수 있습니다.

MR 이미지가 처리되면 관심 영역(ROI)에서 구조적 및 기능적 연결 속성을 추출해야 합니다. 이러한 지역의 위치는 기본 모드 네트워크(DMN)와 관련된 영역에서 가져옵니다. DMN은 통증 인식에 중요한 역할을 할 수 있으며 환자가 설명하는 증상과 높은 상관 관계를 보여 이 네트워크가 기능적 또는 구조적 수준에서 전기 자극 이식 후 환자 반응 예측에 유용합니다.

이미지가 공통 템플릿으로 정규화되기 때문에 자동 영역 라벨링 AAL 도구는 연구의 관심 영역을 정의하는 데 사용되며 DMN을 합성하고 내측 측두엽, 전두엽 피질, 후측 대상, 전두엽에 의해 형성됩니다. 그리고 정수리 피질. 이 영역의 연결성 매개변수를 측정한 후 임상 변수(각 환자의 척도 및 증상)와 신경 영상 정보를 결합하여 예측 모델을 개발합니다. 이 모델은 처음에 총 30명의 환자(훈련 데이터)로 조정되고 나중에 30명의 환자 그룹(유효성 데이터)에서 검증되어 이후 특이성, 민감도 및 모델 정밀도의 결과를 얻습니다.