神经刺激疗法中的临床决策支持系统 (CDSS) (CDSS)

主要目标：通过从磁共振 (MR) 图像中客观提取的神经成像定量信息，开发集成在临床决策支持系统 (CDSS) 馈送中的预测模型，最大限度地提高通过手术植入选定患者的电刺激装置的适当使用和有效性慢性疼痛。

探索目标：

1. -分析慢性疼痛患者的功能和解剖大脑连接模式，开发基于定量磁共振神经成像的预测模型，最大限度地提高通过手术植入慢性疼痛患者的神经刺激装置的有效性。
2. -分析神经影像学生物标志物与从每位患者获取的不同临床量表和变量（VAS、Oswestry 残疾指数、DN4、疼痛检测、Moss、SF12、应对量表、乐观、复原力和 HAD）之间的关系。

测试设备：1.5 Tesla MR 系统（Philips Healthcare，Best，荷兰） Boston Scientific Neuromodulation (BSN) Precision Spectra™ 脊髓刺激系统，带 Illumina 3D™ 软件和 32 个触点。

设备描述：Precision Spectra™ 系统 IPG 是一种多重独立的电流控制脉冲发生器，能够通过 32 个触点输送电流。 它由考虑导线解剖位置的 3D 编程软件提供支持。 将提供两种型号的 SCS 引线，具有 8 或 16 个触点，直径为 1.3 毫米，触点长度为 3 毫米，触点间距为 1、4 或 6 毫米。 SCS 扩展的使用将是可选的以连接 IPG。

fMR 描述：MR 实验将与标签上的要求一致。 MR 程序将在设备植入之前执行以避免偏差。 更重要的是，出于安全原因，美国食品药品监督管理局 (FDA) 不建议使用此类设备对患者进行检查。

检查将在 Quiron 医院的 1'5 Tesla MR 系统（Philips Healthcare，Best，The Netherlands）中进行。 磁场的决定是基于检查的质量，必须依赖标签产品和公司对与植入系统交互的批准。

将使用具有 8 个接收通道的头部线圈。 患者在系统中定位后，将获取初始和快速定位图像，以便正确规划研究的 MR 序列。

计划好后，将获取静息态功能磁共振（rs-fMR）成像序列，要求患者闭眼静思，在蓝天中思考。 采集参数将包括回波平面 (EPI) 动态 T2* 序列，具有以下参数的全脑覆盖：TR=2000 ms； TE=30毫秒；体素大小，1.8 × 1.8 × 3.5 毫米；翻转角，90º； 40个轴向切片；采集时间 5:20 分钟。

将获取 DTI MR 序列，以便通过具有以下参数的纤维束成像技术分析白质微观结构和连通性：自旋回波回波平面成像 (SE-EPI) 序列，单次；全脑覆盖； 64个渐变方向； b值，1300 s/mm2； TR=6200 毫秒； TE=67 毫秒；体素大小，2 x 2 x 2 mm； 60个轴向切片；采集时间 9:40 分钟。

额外的解剖序列将允许覆盖结构和功能结果，此外，还可以获得每个大脑区域的体积值。 序列参数为：T1加权3D梯度回波序列（GRE），全脑覆盖； TR=11.6 毫秒； TE=5.69；体素尺寸，0.48 x 0.48 x 0.50 mm；翻转角，8º； 280个轴向切片；采集时间 5 分 36 秒

图像采集完成后，所有数据集将被发送到拉菲研究所生物医学影像研究组（GIBI230）的影像生物标记平台。

fMR 图像将对齐，以纠正检查过程中可能出现的微小患者头部运动。 为此，将使用开源 SPM8（统计参数映射，http://www.fil.ion.ucl.ac.uk/spm/）软件工具。 运动校正后，将应用时间校正来优化切片时间。 然后图像将被标准化为标准化的大脑模板，以便研究个体之间的振荡。 在这样的过程之后，数据将被 3D-Gaussian 内核过滤，以增加信噪比 (SNR)，同时最小化受试者间的差异。 最后，独立成分分析 (ICA) 算法的应用将允许在采集过程中提取受试者的大脑激活图。

将使用开源 FSL 软件工具 (http://www.fmrib.ox.ac.uk/fsl/) 对用于提取白质束连接的 DTI MR 数据进行分析。 将对图像应用初始涡流校正，以尽量减少轻微的图像位移和几何变形。 然后将使用 BET 算法对大脑进行分割，所有患者的大脑数据将被标准化为用于基于组的分析的通用模板。 在此过程之后，将获得分数各向异性 (FA)、扩散率 (D) 和方向图。

处理完 MR 图像后，必须从感兴趣区域 (ROI) 中提取结构和功能连接属性。 这些区域的定位将从默认模式网络（DMN）中涉及的区域中获得。 DMN 可能在疼痛感知中发挥重要作用，并与患者描述的症状高度相关，这使得该网络可用于预测植入电刺激后患者在功能或结构水平上的反应。

由于图像将标准化为通用模板，因此将使用自动区域标记 AAL 工具来定义研究感兴趣的区域，这些区域与 DMN 混合并由内侧颞叶、前额叶皮层、后扣带回、楔前叶形成和顶叶皮层。 在测量这些区域的连接参数后，将通过结合临床变量（每个患者的量表和症状）和神经影像学信息来开发预测模型。 这些模型最初将用总共 30 名患者（训练数据）进行调整，然后在一组 30 名患者（验证数据）中进行验证，然后获得特异性、敏感性和模型精度的结果。