Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Magnetresonanztomographie-basiertes Diagnoseprotokoll und Risikovorhersage für epidurale Lipomatose bei degenerativer lumbaler Spondylolisthesis

47 Aufrufe

⸱

DOI:

10.3791/72724

⸱

14. August 2026

 ,  ,  ,  , 
1School of Medicine, Nankai University, 2Department of Spine Surgery, Tianjin Union Medical Center, 3The First Affiliated Hospital of Nankai University, 4Department of Pain Treatment, Tianjin Union Medical Center

* These authors contributed equally

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt eine standardisierte, auf Magnetresonanztomographie basierende Methode zur Diagnose von epiduraler Lipomatose und zur Risikovorhersage bei Patienten mit degenerativer lumbaler Spondylolisthese.

Zusammenfassung

Dieses Protokoll stellt einen standardisierten, auf Magnetresonanztomographie (MRT) basierenden diagnostischen Ansatz für die epidurale Lipomatose bei Patienten mit degenerativer lumbaler Spondylolisthese (DLS) vor und beschreibt die Entwicklung eines klinischen Risikovorhersagemodells. Aufeinanderfolgende DLS-Patienten erhielten eine standardisierte MRT-Beurteilung, einschließlich T1-gewichteter Sequenzen zur Detektion der epiduralen Lipomatose, Goutallier-Graduierung der Fetteinlagerung im Musculus multifidus sowie radiologischer Beurteilung. Die Studienkohorte wurde in eine Modellierungsgruppe (n = 248) und eine Validierungsgruppe (n = 106) unterteilt. Unabhängige Prädiktoren wurden durch univariate Screening-Analysen gefolgt von multivariater binärer logistischer Regression identifiziert. Zur transparenten Berichterstattung werden die Effekte von Alter und Body-Mass-Index (BMI) jeweils pro 10-Jahres- und pro 5-kg/m2-Zunahme angegeben. Die bettseitige Vorhersagegleichung wird unter Verwendung algebraisch äquivalenter Koeffizienten in Rohdateneinheiten dargestellt, sodass Alter (Jahre) und BMI (kg/m2) direkt eingegeben werden können. Fünf unabhängige Prädiktoren wurden identifiziert: Alter (Odds Ratio [OR] = 1,510 pro 10-Jahres-Zunahme), weibliches Geschlecht (OR = 2,354), BMI (OR = 1,874 pro 5-kg/m2-Zunahme), Beteiligung des L5-Segments (OR = 3,766) und Goutallier-Grad 3–4 (OR = 3,184). Das Modell erreichte Flächen unter der Receiver-Operating-Characteristic-Kurve (AUC) von 0,834 in der Modellierungsgruppe und 0,815 in der Validierungsgruppe. Kalibrations- und Entscheidungskurvenanalysen stützten das Modell als exploratives klinisches Entscheidungsunterstützungswerkzeug; eine externe Validierung ist jedoch erforderlich, bevor eine breite klinische Anwendung erfolgen kann. Dieses Protokoll bietet einen reproduzierbaren, auf MRT basierenden Rahmen zur Beurteilung der epiduralen Lipomatose mit einem integrierten bettseitigen Vorhersagewerkzeug, das klinische und radiographische Parameter kombiniert, um eine standardisierte Evaluierung und individualisierte Risikovorhersage bei Patienten mit DLS zu erleichtern.

Einleitung

Die degenerative lumbale Spondylolisthese (DLS) betrifft 4–8 % der Allgemeinbevölkerung, wobei die Prävalenz nach dem fünften Lebensjahr deutlich ansteigt1,2. Sie wird definiert durch eine anteriore Verschiebung eines Wirbels gegenüber dem darunterliegenden Wirbel bei intakter hinterer neuraler Bogenstruktur und führt häufig zu einer Spinalkanalstenose und einer neurogenen Claudicatio, wodurch die Mobilität, Muskelkraft und Lebensqualität der Patienten erheblich beeinträchtigt werden3. Zu den assoziierten bildgebenden Befunden zählt das Zeichen der epiduralen Lipomatose – charakterisiert als bandförmiges, hyperintensives Fettgewebesignal im mittelsagittalen T1-gewichteten MRT-Bild (Magnetresonanztomographie) auf Höhe der Dislokation –, das ein wichtiger radiologischer Marker ist und die Erkennung der Erkrankung sowie die Einschätzung ihres Schweregrads erleichtern kann. Die epidurale Lipomatose wurde ursprünglich mit der Gabe von Glukokortikoiden, epiduralen Steroiden oder endokrinen Störungen wie dem Cushing-Syndrom in Verbindung gebracht4,5,6. Inzwischen wird sie jedoch zunehmend auch bei Personen mit Adipositas oder metabolischem Syndrom ohne Steroidexposition beschrieben7,8,9,10, was darauf hindeutet, dass metabolische und biomechanische Faktoren eine wesentliche ursächliche Rolle spielen. Eine aktuelle systematische Übersichtsarbeit fasste unterschiedliche Ätiologien und klinische Verläufe der berichteten Fälle zusammen11, und eine symptomatische Besserung nach Gewichtsreduktion wurde bereits dokumentiert12. Bisherige MRT-basierte Einteilungs- und quantifizierende Bewertungsmethoden für die spinale epidurale Lipomatose wurden bereits beschrieben, darunter das Verhältnis von epiduralem Fett zum Duralsack in axialen Schnitten sowie lokoregionale Graduierungssysteme13,14. Dennoch existiert bisher kein standardisiertes, speziell auf die systematische Beurteilung der epiduralen Lipomatose bei Patienten mit DLS ausgerichtetes MRT-Protokoll. Die Befundinterpretation bleibt daher vom Untersucher abhängig, da fehlende einheitliche diagnostische Kriterien, die auf diese Patientengruppe zugeschnitten sind, eine konsistente Diagnose erschweren. Zudem sind die klinischen Merkmale, die betroffene von nicht betroffenen Individuen unterscheiden, noch nicht vollständig charakterisiert, und Ärzte verfügen bei der Erstbeurteilung über kein praktikables Instrument zur Abschätzung des Risikos.

Um diese Lücken zu schließen, etabliert das vorliegende Protokoll einen standardisierten, klinisch anwendbaren Rahmen für die mithilfe der MRT basierende Beurteilung der epiduralen Lipomatose bei Patienten mit DLS. Das Protokoll integriert klinische Parameter, vordefinierte MRT-Diagnosekriterien mit spezifischen Bildakquisitionsparametern, die Beurteilung der paraspinalen Muskulatur mittels einer an die Wirbelsäule angepassten Goutallier-Klassifikation, eine axiale Bestätigung der Thekalsackkompression sowie ein prädiktives Modell zur risikoadaptierten Einschätzung am Krankenbett. Das Manjila-Graduierungssystem wird als wichtige lokoregionale Referenz anerkannt, da es das kraniokaudale Ausmaß in sagittaler Bildgebung und die axiale Schwere anhand einer 3 × 3-Raster-basierten Bewertung analysiert, was die chirurgische Planung unterstützen und die Unterscheidung zwischen dorsaler, ventraler und zirkumferentieller epiduraler Fettverteilung erleichtern kann14,15,16. Das vorliegende Protokoll soll bestehende Graduierungssysteme für spinale epidurale Lipomatose nicht ersetzen; vielmehr bietet es einen fokussierten Arbeitsablauf für mit DLS assoziierte verschobene Wirkelebenen, wobei axiale und lokoregionale Merkmale dokumentiert werden, wenn sie klinisch relevant sind. Dieser Ansatz zielt darauf ab, eine reproduzierbarere Beurteilung der epiduralen Lipomatose zu fördern und gleichzeitig eine standardisierte Bildbeurteilung sowie eine individualisierte klinische Risikoeinschätzung bei Patienten mit DLS zu unterstützen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Dieses MRT-Protokoll wurde für einen 1,5-Tesla-Supraleiterscanner mit einer speziellen 16-Kanal-Rücken-Matrixspule konzipiert. Das Protokoll kann an andere 1,5- oder 3,0-T-Systeme mit vergleichbarer Hardware angepasst werden. Alle Verfahren wurden gemäß der Deklaration von Helsinki durchgeführt und von der Institutional Review Board des Tianjin Union Medical Center genehmigt (Zulassungsnummer: 2024-IRB-089).

1. Patientenauswahl und klinische Beurteilung

  1. Holen Sie die Genehmigung der zuständigen Ethikkommission und des Institutional Review Board ein, bevor die Aufnahme von Patienten erfolgt. Stellen Sie sicher, dass alle Verfahren mit menschlichen Teilnehmern der Deklaration von Helsinki entsprechen. Dokumentieren Sie die Genehmigungsnummer (2024-IRB-089) in allen Studienunterlagen.
    ​HINWEIS: Die Anforderung einer individuellen informierten Einwilligung kann entfallen, wenn die Studie vollständig anonymisierte, bereits vorhandene klinische Daten und Bilddatensätze verwendet, vorausgesetzt, dass dieser Verzicht gemäß den institutionellen Richtlinien und den nationalen Vorschriften zur sekundären Nutzung klinischer Daten zulässig ist. Erlangen Sie eine ausdrückliche Genehmigung für diesen Verzicht durch den Ethikausschuss. Beschaffen Sie die ethische Zulassung, bevor Sie mit der Einbindung von Patienten beginnen.
  2. Rekrutieren Sie nacheinander vorstellig werdende Patienten in der Abteilung für Wirbelsäulenchirurgie mit einer bestätigten Diagnose einer DLS. Überprüfen Sie stehende laterale oder Flexions-Extensions-Röntgenaufnahmen, um einen anterioren Wirbelkörperverschiebung von ≥3 mm oder ≥10 % der Wirbelkörperbreite zu bestätigen.
    1. Überprüfen Sie degenerative Veränderungen auf der entsprechenden Ebene, einschließlich Bandscheibendegeneration und Facettengelenkshypertrophie.17. Bestätigen Sie das Fehlen eines Defekts des Pars interarticularis in seitlichen Röntgenaufnahmen und sagittaler MRT.
    2. Rekrutieren Sie Patienten im Alter von 18–85 Jahren, bei denen innerhalb von 2 Wochen nach der klinischen Beurteilung eine standardmäßige lumbale MRT (sagittale T1-gewichtete, sagittale T2-gewichtete und axiale T2-gewichtete Sequenzen) durchgeführt wurde. Schließen Sie Patienten aus, bei denen in den letzten 6 Monaten eine Wirbelsäulenchirurgie oder eine epidurale Steroidinjektion durchgeführt wurde.
    3. Messen Sie die anteriore Wirbelkörperverschiebung an stehenden seitlichen oder Beugungs-Streckungs-Röntgenaufnahmen mithilfe der Methode der hinteren Wirbelkörperlinie. Zeichnen Sie eine vertikale Referenzlinie entlang der hinteren Kortikalis des kaudalen Wirbelkörpers und messen Sie dann den senkrechten Abstand von dieser Linie zur posteroinferioren Ecke des verschobenen kranialen Wirbelkörpers. Notieren Sie die Verschiebung in Millimetern und, falls erforderlich, als Prozentsatz der anteroposterioren Breite des kaudalen Wirbelkörpers.
  3. Patienten mit nicht-degenerativer Spondylolisthese ausschließen (isthmisch, traumatisch, pathologisch, postoperativ oder entwicklungsbedingt beziehungsweise anatomische Mimik wie ein hypoplastischer L5-Wirbelkörper und L5–S1-Pseudolisthese) sowie Patienten mit Glukokortikoidgebrauch für >3 kumulative Monate im Vorjahr oder nachgewiesenes endogenes Hyperkortisolismus (Cushing-Syndrom, Nebennierenadenom oder hypophysärer adrenokortikotroper Hormon-produzierender Tumor).
    1. Patienten ausschließen, die in den letzten 6 Monaten eine Therapie mit anabolen Steroiden oder einer Testosteronersatztherapie erhalten haben. MRT-Untersuchungen mit unzureichender Bildqualität ausschließen, einschließlich Bewegungsartefakten vom Grad II oder höher oder unvollständiger lumbosakraler Abdeckung.
    2. Ausschluss von Patienten mit schwerer kardiopulmonaler oder renaler Insuffizienz (American Society of Anesthesiologists Physical Status Klasse IV–V), aktiver Infektion oder Kontraindikationen zur MRT.
      ​ACHTUNG: Führen Sie vor dem Betreten des Scanners eine vollständige MRT-Sicherheitsprüfung durch. Schließen Sie Patienten mit MRT-inkompatiblen implantierten Geräten aus.
    3. Bewerten Sie Bewegungsartefakte anhand einer vierstufigen Bildqualitätskala: Grad 0 = kein sichtbares Artefakt; Grad I = leichtes Artefakt ohne diagnostische Einschränkung; Grad II = mäßiges Artefakt mit Beeinträchtigung anatomischer Grenzen oder Messmarken; und Grad III = schweres Artefakt, das die Sequenz nicht-diagnostisch macht. Untersuchungen mit Artefakten vom Grad II oder III in einer für die Ergebnisklassifizierung erforderlichen Sequenz sind entweder auszuschließen oder die betroffene Sequenz ist vor Einbeziehung der Untersuchung in die Studie zu wiederholen.
  4. Klinische Daten aus der Datenbank des elektronischen Patientenakts (EMR) und des Bildarchivierungs- und Kommunikationssystems (PACS) mithilfe eines standardisierten REDCap-Erhebungsformulars extrahieren, das von zwei geschulten wissenschaftlichen Assistenten ausgefüllt wird.
    1. Erfassen Sie das Alter (Jahre), das Geschlecht (männlich/weiblich), den Body-Mass-Index (BMI; kg/m²)2) und verschobenes Segment (L3, L4 oder L5).
    2. Dokumentieren Sie die Dauer der Symptome, das Vorhandensein einer neurogenen Claudicatio und frühere konservative Behandlungen.
    3. Lassen Sie zwei geschulte wissenschaftliche Assistenten unabhängig voneinander klinische Variablen aus dem EMR und PACS in doppelte REDCap-Formulare extrahieren. Vergleichen Sie die beiden Formulare nach der Datenerfassung und klären Sie Diskrepanzen durch Rückgriff auf die Quelldaten. Leiten Sie nicht geklärte Diskrepanzen an einen leitenden Untersucher zur Entscheidung weiter.
    4. Identifizieren Sie fehlende oder unvollständige Variablen während der REDCap-Bereichs- und Vollständigkeitsprüfungen. Überprüfen Sie fehlende Werte anhand des EMR, PACS und der ursprünglichen Bildberichte. Schließen Sie einen Patienten aus der Modellentwicklung nur dann aus, wenn ein erforderlicher Prädiktor, Ergebnisparameter oder essentielle MRT-Sequenz nicht rekonstruiert werden kann. Führen Sie keine statistische Imputation für erforderliche Modellvariablen durch.
  5. Weisen Sie berechtigte Patienten mithilfe von SPSS Version 27.0 mit einem Zufallsstartwert von 42 im Verhältnis 7:3 zufällig der Modellierungsgruppe (n = 248) und der Validierungsgruppe (n = 106) zu.
    1. Klassifizieren Sie die Patienten innerhalb des Modellierungs-Kohortenkollektivs entsprechend der Konsensdiagnose zweier erfahrener Wirbelsäulenradiologen in Gruppen mit epiduraler Lipomatose und ohne Lipomatose >10 Jahre Erfahrung, gemäß dem in Schritt 3 beschriebenen MRT-Interpretationsprotokoll
    2. In SPSS Version 27.0 wird der Zufallsstartwert auf 42 gesetzt, Transformieren ausgewählt > Variable berechnen und eine gleichverteilte Zufallsvariable mithilfe von RV.UNIFORM(0,1) generieren. Die Fälle entsprechend dieser Variablen aufsteigend sortieren, die ersten 70 % der in Frage kommenden Fälle der Modellierungsgruppe und die verbleibenden 30 % der Validierungsgruppe zuweisen und die Zuordnungsvariable für alle nachfolgenden Analysen unverändert beibehalten.
    3. Verwenden Sie eine einfache zufällige Zuordnung anstelle einer stratifizierten Randomisierung. Erzwingen Sie kein Gleichgewicht der Basislinien-Demografie, radiographischen oder MRT-Variablen bei der Kohortenzuordnung.
    4. Nach zufälliger Zuordnung Vergleich der basislinienbezogenen demografischen, klinischen, radiographischen und MRT-Variablen zwischen den Modellierungs- und Validierungskohorten unter Verwendung des t-Tests nach Student t-t-Test oder Chi-Quadrat-Test, je nach Eignung. Die Zuweisung als akzeptabel betrachten, wenn kein klinisch bedeutsames Ungleichgewicht festgestellt wird, und die Bewertung der Kohortenvergleichbarkeit berichten in Tabelle 1.
      HINWEIS: Vollständige Kohortenzuordnung nach Überprüfung aller Eignungskriterien.
VariableModellierungs-Kohorte
(n = 248)		Validierungs-Kohorte
(n = 106)		t/χ2P-Wert
Alter (Jahre)67,87 ± 11,3968,16 ± 11,930,2160,829
Geschlecht, n (%)0,0020,966
  Männlich96 (38,71)42 (39,62)
  Weiblich152 (61,29)64 (60,38)
Körper-Masse-Index (kg/m²)24,88 ± 3,6224,91 ± 3,480,0770,939
Gleitsegment, n (%)0,5640,754
  L331 (12,50)14 (13,21)
  L4149 (60,08)67 (63,21)
  L568 (27,42)25 (23,58)
Pfirrmann-Grad, n (%)0,1040,991
  Grad II18 (7,26)8 (7,55)
  Grad III74 (29,84)33 (31,13)
  Grad IV93 (37,50)38 (35,85)
  Grad V63 (25,40)27 (25,47)
Goutallier-Grad, n (%)3,0220,388
  Grad 178 (31,45)27 (25,47)
  Grad 286 (34,68)33 (31,13)
  Grad 352 (20,97)28 (26,42)
  Grad 432 (12,90)18 (16,98)
Distaler Facettengelenkwinkel (°)55,26 ± 6,4255,18 ± 6,390,1110,912
Distale Facettengelenkergussmenge (mm)0,94 ± 0,210,93 ± 0,200,4440,657
Distale Bandscheibenhöhe (mm)9,16 ± 1,929,20 ± 1,880,1930,847
Proximaler Facettengelenkwinkel (°)49,95 ± 6,0350,03 ± 5,990,1150,908
Proximale Facettengelenkergussmenge (mm)0,84 ± 0,260,83 ± 0,250,2370,813
Proximale Bandscheibenhöhe (mm)8,05 ± 1,528,08 ± 1,500,1560,876
Beckeninklination (PI, °)52,18 ± 7,9452,35 ± 7,850,1880,851
Beckenneigung (PT, °)24,35 ± 7,1724,28 ± 7,230,0800,936
Sakralschräge (SS, °)44,91 ± 6,8345,01 ± 6,790,1290,898
Thorakale Kyphose (TK, °)21,18 ± 7,6721,25 ± 7,620,0750,940

Tabelle 1: Grundlegende Merkmale der Modellierungs- und Validierungskohorten. Stetige Variablen sind als Mittelwert ± Standardabweichung (SD) angegeben, kategoriale Variablen als Anzahl (%). Grundlegende demografische, klinische, radiografische und kernspintomografische Merkmale wurden zwischen der Modellierungskohorte (n = 248) und der Validierungskohorte (n = 106) verglichen, um die Vergleichbarkeit der Kohorten zu beurteilen. Abkürzungen: BMI, Body-Mass-Index; PI, Beckeninklination; PT, Beckenneigung; SS, Sakralschräge; TK, thorakale Kyphose.

2. MRT-Aufnahmeprotokoll

  1. Führen Sie eine MRT-Sicherheitsprüfung mithilfe eines standardisierten Fragebogens durch. Identifizieren Sie Kontraindikationen wie Schwangerschaft, implantierte elektronische Geräte, ferromagnetische Fremdkörper, Klaustrophobie und eine Vorgeschichte von allergischen Reaktionen auf gadoliniumbasierte Kontrastmittel.
    1. Weisen Sie den Patienten an, alle metallischen Gegenstände zu entfernen, einschließlich Schmuck, Uhren, Piercings und Hörgeräte. Bringen Sie den Patienten in Rückenlage auf dem MRT-Tisch an.
    2. Platzieren Sie ein weiches Kissen unter den Knien, um eine Beugung von etwa 20°–30° zu erreichen und die physiologische lordotische Krümmung der Lendenwirbelsäule zu verringern. Positionieren Sie die Wirbelsäulen-Spule mittig auf Höhe des L3-Wirbelkörpers, um eine Abdeckung von T12 bis S3 zu gewährleisten.
    3. Fixieren Sie die Spule mit direktem Hautkontakt und beseitigen Sie sichtbare Luftspalte. Platzieren Sie Schaumstoffpolster auf beiden Seiten, um Bewegungen des Patienten zu minimieren, und stellen Sie ein MRT-kompatibles Notrufgerät bereit.
    4. Verabreichen Sie keine intravenösen gadoliniumbasierten Kontrastmittel. Der diagnostische Workflow verwendet kontrastmittelfreie sagittale T1-gewichtete, sagittale T2-gewichtete und axiale T2-gewichtete Sequenzen.
  2. Erzeugen Sie eine Dreiplanen-Scout-(Lokaliser-)Sequenz mittels einer Gradienten-Echo-Sequenz mit TR = 8 ms, TE = 4 ms, Schichtdicke = 8 mm und Bildfeld = 400 mm × 400 mm.
    1. Überprüfen Sie die vollständige Abdeckung der Lendenwirbelsäule von T12/L1 bis zum Sakrum. Verändern Sie die Position des Patienten, falls die Lumbosakralgegend nicht vollständig sichtbar ist.
  3. Erzeugen Sie sagittale T1-gewichtete Turbo-Spin-Echo-Bilder mit TR = 500 ms, TE = 12 ms, Bildfeld = 280 × 280 mm, Matrix = 512 × 256, Schichtdicke = 4 mm, Schichtabstand = 0,4 mm und NEX = 2.
    1. Legen Sie die Schichten parallel zu den Dornfortsätzen an. Erzeugen Sie mindestens 11 sagittale Schichten, um eine vollständige laterale Abdeckung sicherzustellen.
      ​ANMERKUNG: Die T1-gewichtete Bildgebung ist die primäre Sequenz zur Identifikation einer epiduralen Lipomatose, da Fettgewebe gegenüber umgebenden Strukturen eine intrinsisch hohe Signalintensität aufweist. Die gewählten Aufnahmeparameter maximieren die T1-Gewichtung, während gleichzeitig ein ausreichendes Signal-Rausch-Verhältnis und eine adäquate räumliche Auflösung beibehalten werden. Die typische Aufnahmezeit beträgt etwa 3–4 min.
    2. Wenn das Protokoll an eine äquivalente 1,5-Tesla- oder 3,0-Tesla-Plattform angepasst wird, müssen die erforderliche anatomische Abdeckung, der Sequenztyp, die Schichtorientierung, die Schichtdicke, der Zwischenschichtabstand und die diagnostischen Ebenen beibehalten werden. Optimieren Sie Bildfeld, Matrix, Anzahl der Anregungen, Echozuglänge und Parallelbildgebungs-Faktor nach Bedarf, wobei epidurales Fett, Ränder des duralen Sacks und die Anatomie der betroffenen Wirbelebene klar sichtbar bleiben müssen, um eine diagnostische Beurteilung zu ermöglichen.
  4. Erzeugen Sie sagittale T2-gewichtete Turbo-Spin-Echo-Bilder mit TR = 3.500–4.000 ms, TE = 100–120 ms, Bildfeld = 280 mm × 280 mm, Matrix = 512 × 256, Schichtdicke = 4 mm, Schichtabstand = 0,4 mm und NEX = 2.
    1. Passen Sie die Schichtpositionierung an die sagittale T1-gewichtete Aufnahme an, um einen direkten Bildvergleich zu ermöglichen.
      ​ANMERKUNG: Die T2-gewichtete Bildgebung liefert ergänzende anatomische Informationen, indem die Visualisierung von Liquor cerebrospinalis (CSF), des duralen Sacks und der Morphologie der Bandscheiben verbessert wird. Diese Sequenz wird auch zur Pfirrmann-Bewertung der Bandscheibendegeneration verwendet. Die typische Aufnahmezeit beträgt etwa 4–5 min.
  5. Erzeugen Sie axiale T2-gewichtete Fast-Spin-Echo-Bilder auf jeder lumbalen Bandscheibenebene von L1/L2 bis L5/S1 mit TR = 4.000 ms, TE = 112 ms, Bildfeld = 180 mm × 180 mm, Matrix = 320 × 256, Schichtdicke = 4 mm, Schichtabstand = 0,4 mm und NEX = 3.
    1. Legen Sie die axialen Schichten parallel zu jedem Bandscheibenraum an. Erzeugen Sie 6–8 Schichten durch den betroffenen Segmentbereich, um eine vollständige anatomische Abdeckung sicherzustellen.
      ​ANMERKUNG: Die axiale T2-gewichtete Bildgebung ermöglicht die Beurteilung der Verteilung des epiduralen Fettgewebes und der Morphologie des duralen Sacks. Die Kombination aus sagittaler T1-gewichteter, sagittaler T2-gewichteter und axialer T2-gewichteter Sequenz liefert ergänzende anatomische Informationen für eine umfassende Beurteilung. Die gesamte Aufnahmezeit für alle lumbalen Ebenen beträgt etwa 15–20 min. Die vollständige Untersuchung, einschließlich Patientenpositionierung und Scout-Bildgebung, dauert etwa 30–35 min.
  6. Bewerten Sie die Bildqualität, bevor die Untersuchung beendet wird. Stellen Sie sicher, dass keine Bewegungsartefakte der Stufe II oder höher vorliegen, die Lumbosakralgegend vollständig sichtbar ist, das Signal-Rausch-Verhältnis ausreichend ist und keine signifikanten Wrap-around-Artefakte vorhanden sind.
    1. Wiederholen Sie jede Sequenz, die die Kriterien zur Bildqualität nicht erfüllt. Exportieren Sie alle Digital Imaging and Communications in Medicine (DICOM)-Bilder in das PACS unter Beibehaltung der Metadaten.
    2. Definieren Sie akzeptable Bildqualität als vollständige Abdeckung von T12/L1 bis zum Sakrum, scharfe Darstellung der hinteren Wirbelkörperkortikalis und der Ränder des duralen Sacks, Abwesenheit von Wrap-around-Artefakten im Spinalkanal sowie ausreichendes Signal-Rausch-Verhältnis, um epidurales Fett von CSF und paraspinaler Muskulatur unterscheiden zu können. Wiederholen Sie jede Sequenz, die diese Kriterien nicht erfüllt.
    3. Verwenden Sie das gleiche vierstufige Bewertungssystem für Bewegungsartefakte, das in Schritt 1.3.3 beschrieben ist. Wiederholen Sie Sequenzen mit Bewegungsartefakten der Stufe II oder III, bevor der Patient entlassen wird, oder schließen Sie die Untersuchung aus, falls eine Wiederholung der Bildgebung nicht möglich ist.
      ANMERKUNG: Überprüfen Sie die Bildqualität, bevor der Patient aus dem MRT-Gerät entlassen wird.

3. MRT-Bildinterpretation bei epiduraler Lipomatose

HINWEIS: Die epidurale Lipomatose ist definiert als pathologisches Überwachsen von nicht verkapseltem, reifem Fettgewebe im spinalen epiduralen Raum. Bei der DLS trägt diese Erkrankung zur Spinalkanalstenose bei und kann eine kombinierte Dekompression während der Fusionssurgery erforderlich machen. Eine genaue Diagnose erfordert eine systematische Beurteilung anhand mehrerer bildgebender Sequenzen und Ebenen.

  1. Führen Sie die Bildinterpretation an einer dedizierten PACS-Arbeitsstation durch, die mit einem medizinischen Diagnosemonitor ausgestattet ist (mindestens 3 Megapixel; DICOM-Teil 14 Graustufen-Standard-Anzeigefunktion). Halten Sie eine kontrollierte Umgebungsbeleuchtung (≤50 Lux) aufrecht.
    1. Laden Sie die vollständige MRT-Untersuchung. Zeigen Sie sagittale T1-gewichtete und sagittale T2-gewichtete Bilder nebeneinander im oberen Anzeigefenster und axiale T2-gewichtete Bilder im unteren Anzeigefenster mit synchronisierter anatomischer Querverknüpfung an.
    2. Verwenden Sie den institutionellen PACS-Betrachter mit DICOM-kalibrierten Messwerkzeugen und aktivierter synchronisierter sagittaler-axialer Querverknüpfung. Wenden Sie konsistente Fenster- und Pegel-Einstellungen für den direkten Bildvergleich während jeder Befundung an. Notieren Sie den PACS-Hersteller und die Softwareversion in der Materialtabelle.
  2. Identifizieren Sie die verschobene Wirkelebene auf dem mittelsagittalen T1-gewichteten Bild durch Beobachtung einer anterioren Wirbelverschiebung. Zeichnen Sie eine Referenzlinie entlang der hinteren Kortikalis des darunterliegenden Wirbelkörpers.
    1. Messen Sie den senkrechten Abstand von der Referenzlinie zur posteroinferioren Ecke des verschobenen Wirbels. Bestätigen Sie, dass die gemessene Verschiebung ≥3 mm oder ≥10 % der Wirbelkörperbreite beträgt.
      ​HINWEIS: Eine genaue Lokalisation der verschobenen Ebene ist entscheidend, da die epidurale Lipomatose spezifisch auf der Ebene der Wirbelverschiebung beurteilt wird.
    2. Führen Sie die Messung der Wirbelverschiebung mit dem integrierten kalibrierten elektronischen Messschieber der PACS-Arbeitsstation durch. Überprüfen Sie vor der Messung die Pixelkalibrierung anhand der DICOM-Metadaten und dokumentieren Sie alle Abstände auf 0,1 mm genau.
  3. Untersuchen Sie den posterioren epiduralen Raum auf der Ebene der Wirbelverschiebung im mittelsagittalen T1-gewichteten Bild. Identifizieren Sie ein bandförmiges oder halbmondförmiges hyperintensives Signal zwischen dem vorderen Thekalsack und dem hinteren Ligamentum flavum oder Dornfortsatz.
    1. Vergleichen Sie die Signalintensität der Läsion direkt mit der subkutanen Fettgewebsintensität im selben Bild. Falls fettunterdrückte Sequenzen verfügbar sind, bestätigen Sie die Signalunterdrückung, um die fettartige Natur der Läsion zu verifizieren.
      ​HINWEIS: Unterscheiden Sie die epidurale Lipomatose von anderen T1-hyperintensiven epiduralen Läsionen, wie subakutem epiduralem Hämatom oder proteinreichem Flüssigkeitsexsudat. Bestätigen Sie die epidurale Lipomatose nur, wenn die Läsion Signalcharakteristika aufweist, die identisch mit subkutanem Fett sind, und sich dem epiduralen Raum anpasst.
    2. Verwenden Sie die protokolldefinierten sagittalen Kriterien als primäre Screening-Methode für die verschobene Ebene und überprüfen Sie positive oder unklare Befunde anhand axialer T2-gewichteter Bilder. Dokumentieren Sie während der prospektiven Anwendung die Verteilung des epiduralen Fettgewebes, die Deformation des Thekalsacks sowie die Übereinstimmung mit etablierten MRT-basierten Beurteilungsmethoden, einschließlich axialer Verhältnisvergleiche von epiduralem Fett zum Thekalsack und des lokoregionalen Manjila-Graduierungssystems. In der retrospektiven Kohorte zur Modellentwicklung wurden diese etablierten Graduierungssysteme nicht als unabhängige Referenzstandards angewendet, und das ursprüngliche binäre Ergebnis wurde nicht retrospektiv neu klassifiziert.
  4. Messen Sie die kraniokaudale Ausdehnung der epiduralen Fettablagerung mithilfe elektronischer Messschieber an der PACS-Arbeitsstation. Setzen Sie die Messschieber an die obere und untere Grenze der kontinuierlichen epiduralen Fettablagerung und notieren Sie den maximalen Wert.
    1. Bestätigen Sie, dass die kraniokaudale Ausdehnung mindestens 5 mm auf derselben sagittalen Ebene beträgt. Nutzen Sie die Sichtbarkeit auf mindestens zwei benachbarten sagittalen Schichten lediglich zur Bestätigung der mediolateralen Kontinuität und zur Reduktion von Partialvolumenartefakten; verwenden Sie benachbarte sagittale Schichten nicht zur Schätzung der kraniokaudalen Ausdehnung.
    2. Querverknüpfen Sie die Läsion mit sagittalen T2-gewichteten Bildern zur Beurteilung der Signalcharakteristik. Prüfen Sie die entsprechenden axialen T2-gewichteten Bilder, um die zirkumferentielle Verteilung des epiduralen Fettgewebes und die anteroposteriore Reduktion des Thekalsacks zu bewerten.
      ​HINWEIS: Verwenden Sie eine kraniokaudale Ausdehnung von ≥5 mm als operationelle Screening-Schwelle für die verschobene Ebene in diesem Protokoll. Notieren Sie den anteroposterioren Durchmesser und die Querschnittsfläche des Thekalsacks in axialen Bildern als kontinuierliche Bestätigungsmessungen. Verwenden Sie in der vorliegenden retrospektiven Kohorte keine festen axialen Grenzwerte als unabhängige Referenzstandards.
    3. Falls das Fett-Signal nur auf einer sagittalen Schicht sichtbar ist, klassifizieren Sie den Befund als unbestimmt, es sei denn, axiale Bilder zeigen eine entsprechende epidurale Fettablagerung und die kraniokaudale Ausdehnung in derselben Ebene beträgt weiterhin ≥5 mm. Dieses Kriterium unterscheidet die primäre kraniokaudale Messung von der unterstützenden Beurteilung der mediolateralen Kontinuität.
    4. Messen Sie den anteroposterioren Durchmesser des Thekalsacks auf dem axialen T2-gewichteten Bild, das die maximale Kompression auf der Ebene der Wirbelverschiebung zeigt, indem Sie den Abstand von der vorderen zur hinteren Begrenzung des Durasacks messen. Bestimmen Sie die Querschnittsfläche durch Umzeichnen der inneren Dura-Grenze mithilfe des Bereichs-von-Interesse-Werkzeugs der PACS-Software oder des Polygon-Auswahlwerkzeugs in ImageJ und notieren Sie die Fläche in mm2.
    5. Vergleichen Sie die sagittale Ausdehnung und die axiale Schwere qualitativ mit dem Manjila-Graduierungsrahmen. Verwenden Sie in diesem auf DLS fokussierten Protokoll das Manjila-Graduierungssystem als lokoregionale Referenz zur Dokumentation, nicht jedoch als primäre Endpunktdefinition, da der Studienendpunkt das Vorhandensein einer epiduralen Lipomatose auf der Ebene der Wirbelverschiebung innerhalb des Vorhersagemodells ist.
  5. Wenden Sie die vier ursprünglichen Kriterien für die verschobene Ebene an, die für die Kohorteneinteilung verwendet wurden: (1) ein bandförmiges oder halbmondförmiges T1-hyperintensives Signal im posterioren epiduralen Raum auf der Ebene der Wirbelverschiebung; (2) Signalintensität identisch mit subkutanem Fett; (3) kraniokaudale Ausdehnung ≥5 mm auf derselben sagittalen Ebene; und (4) Reproduzierbarkeit auf benachbarten sagittalen Schichten. Verlassen Sie sich bei der prospektiven klinischen Anwendung nicht ausschließlich auf die sagittalen Kriterien. Bestätigen Sie das Vorhandensein entsprechender epiduraler Fettablagerung und Deformation der Thekalsackkontur in axialen Bildern und dokumentieren Sie, ob die Fettverteilung dorsal, ventral oder zirkumferentiell ist.
    1. Notieren Sie die axialen quantitativen Befunde, einschließlich des anteroposterioren Durchmessers und der Querschnittsfläche des Thekalsacks, zusammen mit der qualitativen Übereinstimmung mit fettbasierenden Beurteilungsmethoden (Verhältnis epidurales Fett/Thekalsack) und dem lokoregionalen Manjila-Graduierungssystem.
      HINWEIS: Die ursprüngliche Studie war nicht als diagnostische Genauigkeitsstudie unter Verwendung eines etablierten MRT-Referenzstandards konzipiert, und die ursprünglichen DICOM-Bilder wurden während der Manuskriptüberarbeitung nicht erneut analysiert. Daher wurden Sensitivität, Spezifität und Übereinstimmung zwischen den Methoden nicht neu berechnet. Diese zusätzlichen axialen Beschreibungen dienen der Unterstützung der prospektiven klinischen Anwendung und verändern weder das ursprüngliche Studienergebnis noch das Vorhersagemodell.
  6. Lassen Sie alle Untersuchungen von zwei erfahrenen Wirbelsäulenradiologen (≥10 Jahre Berufserfahrung) unabhängig voneinander beurteilen. Füllen Sie einen standardisierten strukturierten Befundbogen aus, der das Vorhandensein oder Fehlen jedes diagnostischen Kriteriums, die Ebene der Wirbelverschiebung, die maximale kraniokaudale Ausdehnung (mm) sowie die Gesamtdiagnose dokumentiert.
    1. Lösen Sie Uneinigkeiten durch Konsensbildung mit einem dritten erfahrenen Wirbelsäulenradiologen (>15 Jahre Berufserfahrung), der die ursprünglichen Befunde nicht kennt. Berechnen Sie die Übereinstimmung zwischen den Beobachtern mithilfe des Cohen’schen Kappa-Koeffizienten.
    2. Verwenden Sie einen strukturierten Befundbogen zur Dokumentation der verschobenen Ebene, der Verteilung des epiduralen Fettgewebes (dorsal, ventral oder zirkumferentiell), der maximalen kraniokaudalen Ausdehnung, der sagittalen Messung in derselben Ebene, der Sichtbarkeit auf benachbarten Schichten, der axialen Bestätigung, des Thekalsack-Durchmessers, der Querschnittsfläche des Thekalsacks, der endgültigen Diagnose und des Leser-Vertrauens. Kalibrieren Sie vor der formalen Bildinterpretation alle Beobachter anhand von 20 repräsentativen Trainingsfällen, die negative, grenzwertige und positive Befunde umfassen.
      HINWEIS: Schließen Sie alle konsensbasierten Befunde ab, bevor Sie mit der statistischen Analyse fortfahren.

4. Beurteilung der Bandscheiben-Degeneration

  1. Prüfen Sie die sagittalen T2-gewichteten MRT-Bilder des betroffenen Segments. Blättern Sie alle sagittalen Schichten durch und wählen Sie das Bild aus, das die klarste Visualisierung des Nucleus pulposus bietet.
    1. Bewerten Sie die Degeneration der Bandscheibe mithilfe des Pfirrmann-Graduierungssystems18. Weisen Sie Grad I Bandscheiben mit homogen hyperintenser Signaldichte, identisch mit der Liquor cerebrospinalis (CSF), normaler Bandscheiben Höhe und klarer Abgrenzung zwischen Nucleus und Annulus zu.
    2. Weisen Sie Grad II Bandscheiben mit inhomogen hyperintenser Signaldichte, die horizontale Bereiche mit niedriger Signaldichte enthält, bei erhaltener Bandscheiben Höhe und klarer Nucleus-Annulus-Abgrenzung zu. Weisen Sie Grad III Bandscheiben mit intermediär grauer Signaldichte, undeutlicher Grenze zwischen Nucleus und Annulus sowie normaler oder leicht verminderten Bandscheiben Höhe zu.
    3. Weisen Sie Grad IV Bandscheiben mit inhomogen hypointenser dunkelgrauer Signaldichte, vollständigem Verlust der Nucleus-Annulus-Abgrenzung und mäßig bis stark verminderten Bandscheiben Höhen zu. Weisen Sie Grad V Bandscheiben mit inhomogen hypointenser Signaldichte, kollabiertem Bandscheibenraum, vollständigem Verlust der Nucleus-Annulus-Abgrenzung und deutlicher Verengung des Bandscheibenraums zu.
  2. Lassen Sie zwei fachärztlich approbierte Radiologen mit mindestens fünfjähriger Erfahrung in der muskuloskelettalen Bildgebung unabhängig voneinander die Pfirrmann-Graduierungen vornehmen. Notieren Sie die vergebene Graduierung für jede beurteilte Bandscheibe.
    1. Lösen Sie Differenzen in der Graduierung durch eine Begutachtung durch einen dritten fachärztlich approbierten Radiologen. Berechnen Sie die Übereinstimmung zwischen den Beobachtern mithilfe des gewichteten Cohen’s Kappa-Koeffizienten.
    2. Stellen Sie sicher, dass die Radiologen hinsichtlich klinischer Symptome, Behandlungshistorie, Vorliegen einer epiduralen Lipomatose, Variablen des Vorhersagemodells sowie der Bewertungen des jeweils anderen Beurteilers verblindet sind, während sie die unabhängige Pfirrmann-Graduierung durchführen.
    3. Führen Sie die Pfirrmann-Graduierung unter Verwendung der gleichen diagnostischen Monitore und standardisierten Betrachtungsbedingungen durch, die in Schritt 3.1 beschrieben sind.
      HINWEIS: Führen Sie die konsensbasierte Graduierung vollständig durch, bevor Sie zur Beurteilung der fettigen Infiltration der paraspinalen Muskulatur übergehen.

5. Beurteilung der fettigen Infiltration paraspinaler Muskulatur

  1. Untersuchen Sie axiale T2-gewichtete Fast-Spin-Echo-Bilder in der Mitte der verschobenen Bandscheibe. Identifizieren Sie die Musculus-multifidus-Muskeln beidseits als tiefe paraspinalen Muskeln direkt lateral zum Dornfortsatz und zur Lamina.
    1. Untersuchen Sie die sagittalen Bilder, um die Seite mit der vorherrschenden Wirbelkörperverschiebung zu bestimmen. Wählen Sie den Musculus multifidus auf der entsprechenden Seite zur Beurteilung aus.
    2. Wenden Sie einen an die Wirbelsäule angepassten Goutallier-Graduierungsansatz an, der auf der ursprünglichen Klassifikation der fettigen Muskeldegeneration und früheren Anwendungen am lumbalen Musculus multifidus basiert19,20. Weisen Sie Grad 0 Muskeln zu, die eine homogene niedrige Signalintensität, vollständige Abwesenheit fettiger Streifen und eine gut erhaltene Muskelmasse aufweisen. Weisen Sie Grad 1 Muskeln zu, die kleine lineare fettige Streifen mit hoher Signalintensität enthalten, die <5 % der Querschnittsfläche einnehmen.
    3. Weisen Sie Grad 2 Muskeln zu, die deutlich sichtbare fettige Infiltration aufweisen, die 5–50 % der Querschnittsfläche betrifft. Weisen Sie Grad 3 Muskeln zu, die ≥50 % fettige Infiltration mit verbleibendem Muskelgewebe aufweisen.
    4. Weisen Sie Grad 4 Muskeln zu, bei denen die gesamte Querschnittsfläche durch Fett ersetzt ist und kein erkennbares Muskelgewebe mehr vorhanden ist. Differenzieren Sie die Ergebnisse für die statistische Analyse in die Gruppen Grad 0–2 und Grad 3–4.
      ​ANMERKUNG: Der Musculus multifidus ist der größte und medialste paraspinalen Muskel und fungiert als primärer dynamischer Stabilisator des lumbalen Segments. Eine schwere fettige Infiltration (Grad 3–4) weist auf einen erheblichen fettigen Ersatz hin und wird als klinisch schwere Kategorie für die Modellierung betrachtet, da sie eine Schwelle darstellt, bei der Fett mindestens etwa die Hälfte der Muskelquerschnittsfläche einnimmt.
    5. Stellen Sie klar, dass das ursprüngliche Goutallier-Graduierungssystem für die Beurteilung des lumbalen Musculus multifidus an axialem MRT angepasst wurde. Differenzieren Sie die Grade 0–2 und 3–4, um fettige Infiltration von nicht vorhanden bis mäßig von schwerer fettiger Substitution abzugrenzen, wodurch die Modellkomplexität reduziert wird, während gleichzeitig ein ausreichendes Verhältnis von Ereignissen pro Variable im Vorhersagemodell erhalten bleibt. Behandeln Sie die in diesem Protokoll verwendeten prozentualen Schwellenwerte als operationelle, MRT-basierte Kriterien und nicht als wörtliche Reproduktion der ursprünglichen Goutallier-Klassifikation mittels Computertomographie am Schultergelenk.
    6. Bestimmen Sie die Seite mit der vorherrschenden Wirbelkörperverschiebung durch Untersuchung axialer und sagittaler Bilder hinsichtlich asymmetrischer Wirbelkörpertranslation, rotationsbedingter Dislokation oder stärkerer Einengung des lateralen Rezesses. Falls keine Seite überwiegt, bewerten Sie die Seite mit stärkerer fettiger Infiltration des Musculus multifidus. Falls beide Seiten symmetrisch sind, bewerten Sie den rechten Musculus multifidus und dokumentieren Sie diese Entscheidung.
  2. Exportieren Sie das axiale T2-gewichtete Fast-Spin-Echo-DICOM-Bild aus dem PACS. Öffnen Sie das Bild in der ImageJ-Software (Version 1.53t).
    1. Wählen Sie das Polygon-Auswahlwerkzeug und umranden Sie die fasziale Begrenzung des Zielmuskels Musculus multifidus. Identifizieren Sie die fasziale Begrenzung als dünne dunkle Linie, die den Muskel umgibt.
    2. Öffnen Sie Bild > Anpassen > Schwellwert. Stellen Sie den unteren Schwellwert auf 120 beliebige Einheiten und den oberen Schwellwert auf den maximalen Pixelwert ein.
    3. Wählen Sie Rot als Anzeigefarbe, um die Identifizierung fettiger Regionen zu überprüfen. Klicken Sie auf Übernehmen, um die binäre Maske zu erzeugen.
    4. Verwenden Sie einen Schwellwert von 120 beliebigen Einheiten als geräte- und sequenzspezifischen Ausgangspunkt und nicht als universellen Schwellwert. Kalibrieren Sie den Schwellwert neu, wenn die Plattform des Scanners, die Hochfrequenzspule, die magnetische Feldstärke oder die Bildakquisitionsparameter von denen des ursprünglichen Protokolls abweichen.
    5. Interpretieren Sie den Schwellwert nicht als histologisch validiert für alle Bildgebungssysteme. Verwenden Sie ihn als reproduzierbare Hilfe zur Bildverarbeitung und überprüfen Sie visuell jede binäre Maske anhand des ursprünglichen axialen T2-gewichteten Bildes, bevor quantitative Messungen durchgeführt werden.
  3. Öffnen Sie in ImageJ Analyse > Messen. Aktivieren Sie Fläche, Flächenanteil, Beschränkung auf Schwellwert und Anzeigebezeichnung, bevor Sie die Messung durchführen.
    1. Notieren Sie den %Fläche-Wert als quantitative intramuskuläre Fettprozentzahl.
    2. Wiederholen Sie die Messung nach einem Intervall von mindestens 24 Stunden durch denselben Untersucher. Berechnen Sie den Intraklassenkorrelationskoeffizienten (ICC), um die Intrauntersucherverlässlichkeit zu beurteilen.
      ​ANMERKUNG: Ein ICC >0,90 weist auf eine ausgezeichnete Intrauntersucherverlässlichkeit hin.
    3. Blenden Sie den Untersucher bei Wiederholmessungen gegenüber dem ursprünglichen Messwert aus, indem Sie den Anfangswert in einem gesperrten REDCap-Feld speichern und das DICOM-Bild nach einem Intervall von mindestens 24 Stunden als neue Messsitzung erneut öffnen.
  4. Lassen Sie zwei fachärztlich approbierte Radiologen unabhängig voneinander die Goutallier-Grade vergeben und die quantitativen Messungen basierend auf ImageJ durchführen. Stellen Sie vor den Studienbeurteilungen eine standardisierte Schulung mithilfe eines Referenzbildsatzes bereit.
    1. Lösen Sie Uneinigkeiten durch Konsens mit einem dritten erfahrenen muskuloskeletalen Radiologen. Berechnen Sie Cohens Kappa für die Goutallier-Klassifikation und den Intraklassenkorrelationskoeffizienten für den quantitativen Fettanteil.
    2. Verwenden Sie vor der Studienbeurteilung einen Trainingsdatensatz mit 20 Fällen, der jeweils fünf Fälle mit minimaler, leichter, mittelschwerer und schwerer fettiger Infiltration umfasst. Führen Sie eine Kalibrierungssitzung durch, um Referenzbilder, die Platzierung des Interessenbereichs, die Schwellwertanpassung und die Verfahren zur Auflösung von Diskrepanzen zu besprechen, bevor die unabhängige Bildbeurteilung beginnt.
      ANMERKUNG: Falls Cohens Kappa für die Interobserver-Übereinstimmung unter 0,70 oder der Intraklassenkorrelationskoeffizient unter 0,85 liegt, führen Sie eine erneute Kalibrierungssitzung durch, bevor die Analyse fortgesetzt wird.

6. Entwicklung und Anwendung des Risikovorhersagemodells

  1. Stellen Sie alle Studienvariablen mithilfe von REDCap in einem strukturierten Datensatz zusammen. Definieren Sie die Zielvariable als binär: 1 = epidurale Lipomatose vorhanden (alle vier diagnostischen Kriterien aus Schritt 3.5 erfüllt) und 0 = epidurale Lipomatose nicht vorhanden.
    1. Kodieren Sie die Prädiktorvariablen wie folgt: Alter (Jahre); Geschlecht (0 = männlich, 1 = weiblich); BMI (kg/m2); verschobenes Segment (0 = L3/L4, 1 = L5); und Goutallier-Grad (0 = Grad 0–2; 1 = Grad 3–4, was eine schwere Fetteinlagerung darstellt). Für die Berichterstattung geben Sie den Effekt des Alters je 10 Jahre und den Effekt des BMI je 5 kg/m2 an. Verwenden Sie Koeffizienten in Rohwerteinheiten in der Gleichung zur Vorhersage am Krankenbett, die algebraisch äquivalent zu den berichteten inkrementalen Koeffizienten sind.
    2. Führen Sie eine Datensäuberung durch, indem Sie fehlende Werte identifizieren, Ausreißer überprüfen und sicherstellen, dass alle Variablen innerhalb der erwarteten Bereichsgrenzen liegen.
    3. Schließen Sie Patienten mit fehlenden erforderlichen Ziel- oder Prädiktorvariablen aus, nachdem die Quelldaten überprüft wurden. Untersuchen Sie kontinuierliche Variablen mithilfe von Bereichsprüfungen und Streudiagrammen, korrigieren Sie bestätigte Dateneingabefehler anhand der Quelldaten, behalten Sie biologisch plausible Ausreißer bei und setzen Sie keine erforderlichen Modellvariablen nach.
  2. Öffnen Sie SPSS Version 27.0 und setzen Sie den Zufallsstartwert auf 42, um die Reproduzierbarkeit zu gewährleisten. Führen Sie eine univariate Screening-Analyse durch, indem Sie für kontinuierliche Variablen den Student’s t-Test und für kategoriale Variablen den Chi-Quadrat-Test verwenden.
    1. Wählen Sie Variablen mit P < 0,05 für die multivariable Analyse aus. Erstellen Sie ein multivariables binäres logistisches Regressionsmodell unter Verwendung einer schrittweisen Rückwärtseliminierung basierend auf der Minimierung des Akaike-Informationskriteriums (AIC).
    2. Beurteilen Sie die Modellanpassungsgüte mithilfe des Hosmer-Lemeshow-Tests. Berechnen Sie den Varianzinflationsfaktor (VIF) für alle beibehaltenen Prädiktoren und stellen Sie sicher, dass alle VIF-Werte <5 sind.
    3. Exponentiieren Sie die Regressionskoeffizienten, um adjustierte Odds Ratios (ORs) mit 95 % Konfidenzintervallen (CIs) zu erhalten. Erstellen Sie ein Wald-Plot mithilfe des forestplot-Pakets in R, um die Effektgrößen zu visualisieren (Abbildung 1). Berichten Sie den Effekt des Alters je 10 Jahre und den Effekt des BMI je 5 kg/m2.
    4. Verwenden Sie eine univariate Screening-Analyse gefolgt von einer schrittweisen Rückwärtsauswahl als explorative Strategie zur Modellbildung für diesen Einzelzentrum-Datensatz. Interpretieren Sie das endgültige Modell als hypothesengenerierendes klinisches Entscheidungsunterstützungsinstrument, da die schrittweise Auswahl instabile Koeffizientenschätzungen und überoptimierte Modellleistungen erzeugen kann. Bestätigen Sie die Modellleistung durch externe Validierung, bevor das Modell klinisch eingesetzt wird.
    5. Exportieren Sie den bereinigten SPSS-Datensatz als durch Komma getrennte Werte (.csv) mit entfernten Variablenlabels, aber beibehaltener Kodierung. Erstellen Sie das Wald-Plot in R Version 4.3.1 mithilfe des forestplot-Pakets. Stellen Sie sicher, dass die Variablenkodierung in R mit dem SPSS-Kodierungswörterbuch übereinstimmt, bevor Sie plotten.
  3. Beurteilen Sie die Modell-Diskrimination, indem Sie die Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) für den Modellierungs-Kohorten berechnen. Schätzen Sie den Standardfehler mithilfe des DeLong-Tests.
    1. Beurteilen Sie die Modell-Kalibrierung mithilfe von Kalibrierungsplots, die vorhergesagte und beobachtete Wahrscheinlichkeiten über gruppierte Intervalle der vorhergesagten Risiken in den Modellierungs- und Validierungskohorten vergleichen (Abbildung 2). Interpretieren Sie die Kalibrierungskurve der Validierungskohorte mit Vorsicht, da an den Extremen der vorhergesagten Risiken weniger Beobachtungen vorliegen.
    2. Führen Sie eine Entscheidungskurvenanalyse mithilfe des rmda-Pakets (Version 1.6) in R Version 4.3.1 durch. Vergleichen Sie das Vorhersagemodell mit den Strategien „alle behandeln“ und „keinen behandeln“ über einen Bereich von Schwellenwahrscheinlichkeiten hinweg (Abbildung 3).
    3. Validieren Sie das endgültige Modell mithilfe der zurückgehaltenen internen Validierungskohorte (n = 106). Berichten Sie die Validierungs-AUC, den Kalibrierungsplot und die Entscheidungskurve beschreibend. Interpretieren Sie Übereinstimmungen zwischen Modellierungs- und Validierungskohorte als Hinweis auf interne Konsistenz, nicht als Nachweis externer Validität.
    4. Führen Sie die Receiver-Operating-Characteristic-Analyse, die Erstellung von Kalibrierungsplots und die Entscheidungskurvenanalyse in R Version 4.3.1 durch. Archivieren Sie die R-Skripte, Paketversionen, Eingabedatensätze, Kodierungswörterbücher und Ergebnisgrafiken zusammen mit der statistischen Analyseunterlage.
    5. Verwenden Sie keine festen Schwellenwerte wie eine AUC-Differenz ≤0,05 oder eine Kalibrierungssteigung von 0,8–1,2 als formale Validierungskriterien. Berichten Sie diese Werte beschreibend als Indikatoren für die interne Modellstabilität und geben Sie an, dass eine multizentrische externe Validierung erforderlich ist, bevor eine breite klinische Anwendung erfolgen kann.
      HINWEIS: Schließen Sie die interne Validierung ab, bevor Sie das Modell auf externe klinische Datensätze anwenden.
  4. Erfassen Sie die fünf Prädiktorvariablen für einen neuen Patienten mit DLS: Alter (Jahre), Geschlecht, BMI (kg/m2), verschobenes Segment (L3/L4 oder L5) und Goutallier-Grad des M. multifidus auf der Ebene der Verschiebung.
    1. Berechnen Sie die vorhergesagte Wahrscheinlichkeit mithilfe der logistischen Regressionsgleichung in Rohklinikeinheiten:
      figure-protocol-1
      Dabei ist z = -5,521 + (0,0412 × Alter) + (0,856 × Geschlecht) + (0,1256 × BMI) + (1,326 × verschobenes Segment) + (1,158 × Goutallier-Grad). Geben Sie das Alter in Jahren ein; kodieren Sie das Geschlecht als 0 = männlich und 1 = weiblich; geben Sie den BMI in kg/m2 ein; kodieren Sie das verschobene Segment als 0 = L3/L4 und 1 = L5; und kodieren Sie den Goutallier-Grad als 0 = Grad 0–2 und 1 = Grad 3–4. Die Koeffizienten in Rohwerteinheiten für Alter und BMI sind algebraisch äquivalent zu den Koeffizienten, die je 10 Jahre bzw. je 5 kg/m2 angegeben werden.
    2. Interpretieren Sie die vorhergesagte Wahrscheinlichkeit wie folgt: <20 % weist auf eine niedrige geschätzte Wahrscheinlichkeit hin, 20–50 % auf eine mittlere geschätzte Wahrscheinlichkeit und >50 % auf eine hohe geschätzte Wahrscheinlichkeit für eine epidurale Lipomatose. Verwenden Sie diese Kategorien zur Risikokommunikation und zur Priorisierung klinischer Abläufe, nicht zur Therapieentscheidung.
      HINWEIS: Verwenden Sie das Vorhersagemodell ausschließlich als klinisches Entscheidungsunterstützungsinstrument. Ersetzen Sie damit weder die klinische Beurteilung noch die radiologische Befundung. Wenden Sie das Modell nicht auf Populationen außerhalb der Herleitungsstichprobe an, einschließlich Patienten mit isthmischer Spondylolisthese, postoperativen Wirbelsäulenerkrankungen oder steroidinduzierter epiduraler Lipomatose, ohne zusätzliche Validierung.
    3. Geben Sie die Rohwerte für Alter und BMI direkt in die Vorhersagegleichung ein. Eine algebraische Umrechnung der Koeffizienten für Alter und BMI verändert lediglich die Darstellung der Gleichung, nicht jedoch die vorhergesagten Wahrscheinlichkeiten, Odds Ratios, ROC-Kurven, Kalibrierungsplots oder Ergebnisse der Entscheidungskurvenanalyse.
    4. Berichten Sie die Odds Ratios einheitlich wie folgt: Alter je 10 Jahre; BMI je 5 kg/m2; Geschlecht, weiblich im Vergleich zu männlich; verschobenes Segment, L5 im Vergleich zu L3/L4; und Goutallier-Grad, Grad 3–4 im Vergleich zu Grad 0–2.
    5. Verwenden Sie die Kategorien niedrige, mittlere und hohe Wahrscheinlichkeit als pragmatische klinische Kommunikationsgruppen, abgeleitet von der modellvorhergesagten Wahrscheinlichkeitsverteilung und der Entscheidungskurvenanalyse. Interpretieren Sie diese Kategorien nicht als validierte Therapieschwellen, da eine prospektive externe Validierung erforderlich ist, um optimale Entscheidungsschwellen festzulegen.

figure-protocol-2
Abbildung 1. Forest-Plot der unabhängigen Prädiktoren für epidurales Lipomatose bei Patienten mit degenerativer lumbaler Spondylolisthese. Forest-Plot, das die adjustierten Odds-Ratios (ORs) und 95%-Konfidenzintervalle (CIs) für die fünf unabhängigen Prädiktoren zeigt, die mittels multivariater binärer logistischer Regression identifiziert wurden. Rote Quadrate kennzeichnen die adjustierten ORs, horizontale blaue Linien repräsentieren die entsprechenden 95%-CIs, und die vertikale gestrichelte Linie zeigt den Nullwert (OR = 1). Der Einfluss des Alters wird pro 10-Jahres-Zunahme angegeben, und der Einfluss des Body-Mass-Index (BMI) pro 5 kg/m2 Zunahme. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-protocol-3
Abbildung 2. Kalibrierungskurven des logistischen Regressionsvorhersagemodells. (A) Kalibrierungskurve für die Modellierungsgruppe (n = 248). (B) Kalibrierungskurve für die Validierungsgruppe (n = 106). Die x-Achse zeigt die vorhergesagte Wahrscheinlichkeit einer Epiduralfettansammlung, die y-Achse die beobachtete Häufigkeit. Die durchgezogene schwarze Diagonale zeigt die ideale Kalibrierung an, farbige Linien mit Symbolen repräsentieren die beobachtete Modellleistung, und schattierte Bereiche kennzeichnen die 95 %-Konfidenzintervalle (C.I.). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-protocol-4
Abbildung 3. ROC-Kurve und Entscheidungskurvenanalyse des Vorhersagemodells. (A) ROC-Kurven (Receiver Operating Characteristic) für die Modellierungsgruppe (Fläche unter der Kurve [AUC] = 0,834) und die Validierungsgruppe (AUC = 0,815). Die graue diagonale Linie stellt die Referenzlinie für einen nicht diskriminierenden Klassifikator dar. (B) Entscheidungskurvenanalyse, die den Nettogewinn des Vorhersagemodells über verschiedene Schwellenwahrscheinlichkeiten hinweg zeigt. Die durchgezogene rote Linie repräsentiert die Modellierungsgruppe, die gestrichelte blaue Linie die Validierungsgruppe, die strichpunktierte schwarze Linie die „Behandele-alle“-Strategie und die gepunktete graue Linie die „Behandele-keinen“-Strategie. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Das Protokoll wurde an 354 aufeinanderfolgenden Patienten mit DLS angewendet. Durch eine zufällige Zuordnung entstand eine Modellierungsgruppe (n = 248) und eine Validierungsgruppe (n = 106). Der Vergleich der demografischen, klinischen, radiographischen und MRT-Charakteristika zu Studienbeginn zeigte keine statistisch signifikanten Unterschiede zwischen den Gruppen, was auf vergleichbare Patientenverteilungen für die anschließende Modellentwicklung und interne Validierung hinweist (Tabelle 1).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Das vorliegende Protokoll integriert standardisierte MRT-Aufnahmen, strukturierte Bildinterpretation und quantitative Risikomodellierung in ein kohärentes klinisches Entscheidungsunterstützungswerkzeug zur Identifizierung von epiduraler Lipomatose bei Patienten mit DLS. Der Arbeitsablauf umfasst vier sequenzielle Komponenten: systematische Patientencharakterisierung, einschließlich demografischer und anthropometrischer Variablen; standardisierte sagittale T1-gewichtete MRT-Aufnahme, optimiert zur Visualisierung epidurale...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass sie keine konkurrierenden finanziellen oder nichtfinanziellen Interessen haben.

Danksagungen

Die Autoren danken Shiwu Zhang für technische Unterstützung. Diese Arbeit wurde durch das Tianjin Key Medical Discipline Construction Project (Förderkennzeichen Nr. TJYXZDXK-3-005A-4) unterstützt. Die Finanzierungsstelle hatte keinerlei Einfluss auf das Studiendesign, die Datenerhebung, die Datenanalyse, die Entscheidung zur Veröffentlichung oder die Vorbereitung des Manuskripts.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
1,5-Tesla-MagnetresonanztomographAusstattungSiemens HealthineersMagnetom Aera
16-Kanal-Rückenmark-Oberflächen-SpuleAusstattungSiemens HealthineersStandardkonfiguration
DICOM-Teil-14-konformer Diagnosemonitor (3 Megapixel)AusstattungBarco NVNio Color 3MP, MDNC-3421CN; DICOM-Kalibrierung über Barco QAWeb Enterprise
forestplot R-PaketSoftwareR Foundation for Statistical ComputingVersion 3.1.3
ImageJSoftwareNational Institutes of HealthVersion 1.53t
PACS-ArbeitsplatzrechnerAusstattungDell Inc.Precision 3660 Tower Workstation; Windows 10, 64-Bit-Betriebssystem
Bildarchivierungs- und Kommunikationssystem (PACS)SoftwareINFINITT Healthcare Co., Ltd.INFINITT PACS 7.0
RSoftwareR Foundation for Statistical ComputingVersion 4.3.1
REDCapSoftwareVanderbilt UniversityVersion 13.1
rmda R-PaketSoftwareR Foundation for Statistical ComputingVersion 1.6
SPSS StatisticsSoftwareIBMVersion 27.0

Referenzen

  1. García-Ramos CL, et al. Espondilolistesis degenerativa lumbar II: tratamiento y controversias. Acta Ortop Mex. 2020;34(6):433-440.
  2. Rangwalla K, et al. Degenerative lumbar spondylolisthesis: review of current classifications and proposal of a novel classification system. Eur Spine J. 2024;33(5):1762-1772.
  3. Nava-Bringas TI, et al. Association of strength, muscle balance, and atrophy with pain and function in patients with degenerative spondylolisthesis. J Back Musculoskelet Rehabil. 2014;27(3):371-376.
  4. Ahmad S, et al. Spinal epidural lipomatosis: a rare association of Cushing’s disease. Endocrinol Diabetes Metab Case Rep. 2020;2020:20-0136.
  5. Al-Omari AA, et al. Is there a relationship between lumbosacral epidural spinal injections and lumbosacral epidural lipomatosis? A retrospective study. Neurochirurgie. 2025;71(2):101636.
  6. Jaimes R III, Rocco AG. Multiple epidural steroid injections and body mass index linked with occurrence of epidural lipomatosis: a case series. BMC Anesthesiol. 2014;14:70.
  7. D’Agostino V, et al. Could spinal epidural lipomatosis be the hallmark of metabolic syndrome on the spine? A literature review with emphasis on etiology. Diagnostics (Basel). 2023;13(2):322.
  8. Ishihara S, et al. Spinal epidural lipomatosis is a previously unrecognized manifestation of metabolic syndrome. Spine J. 2019;19(3):493-500.
  9. Abe T, et al. Spinal epidural lipomatosis is associated with liver fat deposition and dysfunction. Clin Neurol Neurosurg. 2019;185:105480.
  10. Marrone N, et al. Spinal epidural fat as an imaging biomarker of visceral obesity: an MRI-based quantitative analysis. Diagnostics (Basel). 2025;15(19):2490.
  11. Alomari S, et al. Etiologies and outcomes of spinal epidural lipomatosis: systematic review of the literature and meta-analysis of reported cases. Clin Spine Surg. 2022;35(9):383-387.
  12. Haggerty T, et al. Significant symptom resolution of spinal lipomatosis with weight loss. Clin Case Rep. 2023;11(9):e7126.
  13. Borré DG, et al. Lumbosacral epidural lipomatosis: MRI grading. Eur Radiol. 2003;13(7):1709-1721.
  14. Manjila S, et al. Spinal epidural lipomatosis causing lumbar canal stenosis: a pictorial essay on radiological grading and the role of bariatric surgery versus laminectomy. Cureus. 2022;14(7):e26492.
  15. Ben Salah MH, Ziaka M. Holothoracic spinal epidural lipomatosis: report of a rare presentation and review of literature. SAGE Open Med Case Rep. 2025;13:2050313X251339051.
  16. Liu Z, et al. Case report: technical description and clinical evaluation of three cases of unilateral biportal endoscopic decompression for symptomatic spinal epidural lipomatosis. Front Surg. 2024;11:1309202.
  17. Zhou X, et al. The correlation between radiographic and pathologic grading of lumbar facet joint degeneration. BMC Med Imaging. 2016;16:27.
  18. Pfirrmann CW, et al. Magnetic resonance classification of lumbar intervertebral disc degeneration. Spine (Phila Pa 1976). 2001;26(17):1873-1878.
  19. Goutallier D, et al. Fatty muscle degeneration in cuff ruptures. Pre- and postoperative evaluation by CT scan. Clin Orthop Relat Res. 1994;304:78-83.
  20. Duan PG, et al. Is the Goutallier grade of multifidus fat infiltration associated with adjacent-segment degeneration after lumbar spinal fusion? J Neurosurg Spine. 2021;34(2):190-195.
  21. James G, et al. Fat infiltration in the multifidus muscle is related to inflammatory cytokine expression in the muscle and epidural adipose tissue in individuals undergoing surgery for intervertebral disc herniation. Eur Spine J. 2021;30(4):837-845.
  22. Liu Y, et al. Fat infiltration in the multifidus muscle as a predictor of prognosis after decompression and fusion in patients with single-segment degenerative lumbar spinal stenosis: an ambispective cohort study based on propensity score matching. World Neurosurg. 2019;128:e989-e1001.
  23. Shahidi B, et al. The effect of fatty infiltration, revision surgery, and sex on lumbar multifidus passive mechanical properties. JOR Spine. 2023;6(3):e1266.
  24. Walter BA, et al. MR elastography-derived stiffness: a biomarker for intervertebral disc degeneration. Radiology. 2017;285(1):167-175.
  25. Bayerl SH, et al. Treatment results for lumbar epidural lipomatosis: does fat matter? Eur Spine J. 2019;28(1):69-77.
  26. Ulrich NH, et al. Two-year outcome comparison of decompression in 14 lipomatosis cases with 169 degenerative lumbar spinal stenosis cases: a Swiss prospective multicenter cohort study. Eur Spine J. 2020;29(9):2243-2253.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

MRT DiagnoseprotokollRisikovorhersagemodellT1 gewichtete SequenzenGoutallier Graduierungfettige Infiltration des Musculus multifiduslogistische RegressionReceiver Operating Characteristic
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.