Clinical Decision Support System (CDSS) i neurostimuleringsterapi (CDSS)

Primärt mål: Att utveckla en prediktiv modell integrerad i ett kliniskt beslutsstödssystem (CDSS) genom neuroimaging kvantitativ information som objektivt extraherats från magnetisk resonans (MR)-bilder, vilket maximerar lämplig användning och effektivitet av elektriska stimuleringsanordningar kirurgiskt implanterade i utvalda patienter med kronisk smärta.

Undersökande mål:

1. - Analysera funktionella och anatomiska hjärnanslutningsmönster hos patienter med kronisk smärta, för att utveckla en prediktiv modell baserad på kvantitativ magnetisk resonans neuroimaging som maximerar effektiviteten hos neurostimuleringsanordningar som kirurgiskt implanteras hos patienter med kronisk smärta.
2. - Analysera sambandet mellan neuroavbildningsbiomarkörer och de olika kliniska skalorna och variablerna som fångas från varje patient (VAS, Oswestry Disability Index, DN4, Pain Detect, Moss, SF12, coping-skala, optimism, resiliens och HAD).

Testenhet:1.5 Tesla MR-system (Philips Healthcare, Best, Nederländerna) Boston Scientific Neuromodulation (BSN) Precision Spectra™ Ryggmärgsstimuleringssystem med Illumina 3D™-programvara och 32 kontakter.

Enhetsbeskrivning: Precision Spectra™ system IPG är en multipel oberoende strömstyrd pulsgenerator, som kan leverera ström genom 32 kontakter. Den drivs av en 3D-programmeringsprogramvara som tar hänsyn till elektrodarnas anatomiska position. Två modeller av SCS-kablar kommer att tillhandahållas, med 8 eller 16 kontakter med 1,3 mm diameter, 3 mm kontaktlängd och kontaktavstånd på 1, 4 eller 6 mm. Användningen av SCS-tillägg kommer att vara valfri för att ansluta IPG.

fMR-beskrivning: MR-experimentet kommer att överensstämma med kraven på etiketten. MR-proceduren kommer att utföras före implantationen av enheten för att undvika partiskhet. Ännu mer rekommenderar Food and Drug Administration (FDA) inte undersökning av patienter med denna typ av enheter av säkerhetsskäl.

Undersökningar kommer att utföras i ett 1'5 Tesla MR-system (Philips Healthcare, Best, Nederländerna) på Quiron Hospital. Beslut om magnetfält baseras på kvaliteten på undersökningarna och måste förlita sig på etikettprodukter och godkännande av företaget för interaktion med implanterat system.

En huvudspole med 8 mottagningskanaler kommer att användas. När patienten väl har placerats i systemet kommer initiala och snabba lokaliseringsbilder att tas för att korrekt planera MR-sekvenserna i forskningsstudien.

Efter planering kommer en funktionell MR (rs-fMR) avbildningssekvens i vilotillstånd att inhämtas, som ber patienten att vara tyst med slutna ögon och tänka på en blå himmel. Förvärvsparametrarna kommer att bestå av en Echo Planar (EPI) dynamisk T2*-sekvens, full hjärntäckning med följande parametrar: TR=2000 ms; TE=30 ms; voxelstorlek, 1,8 × 1,8 x 3,5 mm; vändvinkel, 90º; 40 axiella skivor; anskaffningstid 5:20 min.

En DTI MR-sekvens kommer att förvärvas för att analysera vit substans mikrostruktur och konnektivitet med traktografitekniker med följande parametrar: Spin-Echo Echo Planar Imaging (SE-EPI) sekvens, enstaka skott; fullständig hjärntäckning; 64 gradientriktningar; b-värde, 1300 s/mm2; TR=6200 ms; TE=67 ms; voxelstorlek, 2 x 2 x 2 mm; 60 axiella skivor; anskaffningstid 9:40 min.

En ytterligare anatomisk sekvens kommer att möjliggöra överliggande strukturella och funktionella resultat och dessutom erhålla volymvärdena för varje hjärnregion. Sekvensparametrarna är: T1-vägd 3D gradient ekosekvens (GRE), full hjärntäckning; TR=11,6 ms; TE=5,69; voxelstorlek, 0,48 x 0,48 x 0,50 mm; vändvinkel, 8º; 280 axiella skivor; förvärvstid 5:36 min.

Efter bildinsamling kommer alla datauppsättningar att skickas till Imaging Biomarkers Platform för Biomedical Imaging Research Group (GIBI230) vid La Fe Research Institute.

fMR-bilderna kommer att justeras för att korrigera eventuella små patientens huvudrörelser under undersökningen. För detta kommer mjukvaruverktyget SPM8 (Statistical Parametric Mapping, http://www.fil.ion.ucl.ac.uk/spm/) att användas. Efter rörelsekorrigering kommer en tidskorrigering att tillämpas för att optimera skivtimingen. Bilderna kommer sedan att normaliseras till en standardiserad hjärnmall för att möjliggöra studiet av svängningarna mellan individer. Efter sådana processer kommer data att filtreras av en 3D-Gaussisk kärna för att öka signal-brusförhållandet (SNR) samtidigt som skillnaderna mellan ämnena minimeras. Slutligen kommer tillämpningen av oberoende komponentanalys (ICA) algoritmer att möjliggöra extraktion av hjärnaktiveringskartor i ämnet under förvärvet.

Analysen av DTI MR-data för att extrahera anslutningsmöjligheter för vita substanser kommer att utföras med FSL-programvaran med öppen källkod (http://www.fmrib.ox.ac.uk/fsl/). En första virvelströmskorrigering kommer att tillämpas på bilderna för att minimera små bildförskjutningar och geometriska distorsioner. Hjärnan kommer sedan att segmenteras med hjälp av BET-algoritmen och hjärndata från alla patienter kommer att normaliseras till en gemensam mall för den gruppbaserade analysen. Efter denna process kommer fraktionerad anisotropi (FA), diffusivitet (D) och orienteringskartor att erhållas.

När MR-bilderna har bearbetats måste de strukturella och funktionella anslutningsegenskaperna extraheras från regionerna av intresse (ROI). Positioneringen av dessa regioner kommer att erhållas från de zoner som är involverade i Default Mode Network (DMN). DMN kan ta en viktig roll i smärtuppfattning och visar en hög korrelation med de symtom som beskrivs av patienter, vilket gör detta nätverk användbart för att förutsäga patientrespons efter implantation av elektrisk stimulering, antingen på en funktionell eller på en strukturell nivå.

Eftersom bilderna kommer att normaliseras till en gemensam mall, kommer det automatiserade AAL-verktyget för områdesmärkning att användas för att definiera de intressanta regionerna i studien, som sammansätter DMN och som bildas av den mediala temporalloben, prefrontal cortex, posterior cingulate, precuneus och parietal cortex. Efter mätning av anslutningsparametrarna i dessa regioner kommer en prediktiv modell att utvecklas genom att kombinera kliniska variabler (skalor och symptom för varje patient) och neuroimaging information. Dessa modeller kommer initialt att justeras med totalt 30 patienter (träningsdata) och senare valideras i en grupp om 30 patienter (valideringsdata), för att därefter erhålla resultat av specificitet, sensitivitet och modellprecision.