Визуализирующие биомаркеры миофасциальной боли

Определение предлагаемого составного мультимодального биомаркера. Исследователи предлагают разработать количественный классификатор на уровне ткани, основанный на количественных показателях (признаках), полученных с помощью ультразвуковой эластографии, допплерографии, биоимпедансной спектроскопии и электромиографии высокой плотности, в качестве индикатора нормального биологического процесса в миофасциальном процессе. тканей и патогенного процесса в активной и латентной фазах миофасциальной боли.

Общий подход и научная строгость: в рамках цели 1 исследователи разработают методы получения воспроизводимых показателей (признаков) на основе измерений на уровне необработанных тканей и определят минимальное обнаруживаемое изменение этих характеристик в пилотном исследовании. В рамках цели 2 исследователи проведут продольное обсервационное исследование с двумя группами субъектов (контрольная группа и миофасциальная боль). Исследователи разработают алгоритм классификации, который оптимально различает активную и скрытую фазы миофасциальной боли и нормальную миофасциальную ткань.

Изучите популяцию и анатомический участок. Выбранное болевое состояние — хроническая боль в шее и плечах. Исследователи наберут две группы субъектов: группа 1: хроническая миофасциальная боль, определенная в ходе базового клинического обследования с использованием критериев Травелла и Саймона7, и группа 2: контрольная группа без боли. Исследователи сосредоточатся на двух стандартизированных анатомических местах (рис. 4). Это позволит визуализировать медиальную верхнюю часть трапециевидной мышцы и подостную мышцу, которые являются обычными местами расположения MTrPs55, а также мышцу, поднимающую лопатку. Эти три мышцы имеют совершенно разную морфологию и фасции45. Леватор представляет собой веретенообразную мышцу с четко выраженной фасцией, которая включает в себя мышцу, в то время как трапециевидная мышца имеет более тонкую фасцию, на которой перегородки перимизия пересекают брюшко мышцы. Подостная мышца имеет несколько фасциальных слоев на своей поверхности и имеет четкие сегментарные связи с сегментом C5-656. Критерии отбора: Исследователи наберут взрослых в возрасте 18-65 лет. Критерии исключения: (1) диагноз фибромиалгии, синдрома хронической усталости или хронической болезни Лайма; (2) Диагностика шейной радикулопатии, нейропатии или неврита; (3) История операций на голове, шее, шейном отделе позвоночника или плечевом поясе; (4) Атипичная лицевая невралгия; (5) Новое лекарство или изменение лекарства за последние 6 недель; (6) Текущая инфекция горла или уха.

Маскирование и сопоставление: Это одинарное слепое продольное обсервационное исследование. Команда, выполняющая сбор и анализ данных, не будет знать групповое распределение субъектов и не будет знать результатов клинических оценок. Обе группы будут сопоставимы по возрасту и полу с использованием парной стратегии набора57. Исследователи определят группу подходящих субъектов контрольной группы, у которых в анамнезе не было боли, и разделят их на половые и возрастные группы (18–30; 31–50 и >50). Для каждого субъекта группы 1, включенного в группу, исследователи набирают соответствующего субъекта группы 2 из пула.

Пол как биологическая переменная: Миофасциальная боль широко распространена в обществе и затрагивает как мужчин, так и женщин. Трапециевидная миалгия чаще встречается у женщин58. Исследователи будут использовать группы, соответствующие возрасту и полу, и проверят эффективность классификатора как для объединенной популяции, так и отдельно по полу, чтобы выявить любые гендерные различия в показателях биомаркеров.

Измерения результата: Первичным показателем результата будет составной классификатор, основанный на количественных биомаркерах на уровне ткани. Следователи будут проводить повторный сбор данных каждый месяц в течение 3 месяцев. Клинический фенотип субъектов (нормальный, латентный, эпизодически активный и постоянный активный) будет определяться протоколом комплексного физического обследования12. Исследователи будут использовать общие элементы данных NIH HEAL о хронической боли у взрослых для сбора самоотчетов. Чтобы дополнительно охарактеризовать клинический фенотип в качестве вторичного показателя результата, исследователи будут использовать приложение экологической моментальной оценки (EMA) (Metricwire) на смартфоне, чтобы получить ежедневный рейтинг боли, вызываемый в случайные моменты в течение дня, и собирать автоматический мониторинг активности от датчики смартфона. Исследователи также будут еженедельно собирать данные об интенсивности боли и помехах по трем критериям59.

Процедуры сбора данных. Управление данными: Это исследование на одном объекте. Все процедуры исследования будут проводиться в Мейсоне. Специалист по биостатистике (Розенбергер) установит соответствующие средства контроля маскировки и электронные формы отчетов о случаях заболевания (eCRF) в системе электронного сбора данных (REDCap). Все данные исследования будут введены в REDCap с использованием eCRF. Исследовательский персонал будет иметь соответствующие средства управления доступом на основе ролей в REDCap. Проверка источника будет выполняться с использованием встроенных проверок REDCap.

Маскирование: один врач (Гербер) получит согласие каждого субъекта, проведет анамнез и физическое обследование. Может присутствовать дополнительный врач (ДеСтефано), а также научный сотрудник, который будет делать записи и вводить данные. Инженерная группа под руководством ИП (Сикдар) и помощника исследователя Читниса соберет результаты измерений в отдельной комнате и будет скрыта от истории болезни пациента и результатов физического осмотра. Для исследования будет разработано руководство по операционным процедурам.

Процедуры анализа данных. Весь анализ данных будет выполняться научным сотрудником с высшим образованием в области биостатистики под руководством специалиста по данным (Ли) и специалиста по биостатистике (Розенбергер).

Первичный анализ: исследователи создадут и тщательно проверят алгоритм многоклассовой классификации, основанный на функциональных временных рядах и статистических методах обучения. Здесь временной ряд биомаркеров можно представить как комбинацию уникальных временных паттернов/сигналов или базисных функций. Эти функции включают в себя неизменяемые во времени собственные базисные функции80, сглаживающие сплайны81, вейвлеты82 или функциональные главные компоненты83. Используя функциональный анализ данных, будет создана составная предикторная переменная, которая суммирует соответствующую информацию, содержащуюся во временных рядах биомаркеров. Затем будет построен метод многоклассовой классификации с использованием подходов обучения с учителем, таких как машины опорных векторов84, дискриминантный анализ85,86, нейронные сети87,88, деревья регрессии89. Алгоритм классификации будет использовать составной предиктор для классификации субъектов по четырем соответствующим категориям (боль — эпизодическая, боль — активная, контрольно-эпизодическая и контрольно-активная). K-кратная перекрестная проверка будет использоваться для оценки точности классификатора на основе чувствительности, специфичности, показателя F1 и площади под кривой ROC для сценариев с несколькими классами90,91.

Вторичный анализ: Будет проведено несколько вторичных анализов, включая: (1) определение нормативных значений биомаркеров в контрольной группе (группа 2); (2) Оценить конвергентную достоверность первичных и вторичных биомаркеров. Поскольку основную истину невозможно измерить напрямую, первичные и вторичные биомаркеры будут использоваться для оценки конвергентной достоверности; (3) Корреляция с соответствующим клиническим показателем (объемом движений, болевым порогом при надавливании).