Investigando la relación bidireccional entre el dolor lumbar, dolor de cadera, dolor de rodilla y anomalías en la marcha: un estudio de aleatorización mendeliana

Resumen

Los análisis de la FIV sugieren que el dolor lumbar y de cadera puede estar asociado a anomalías en la marcha, mientras que el dolor de rodilla y las asociaciones inversas siguen siendo inconclusos.

Resumen

Las anomalías de la marcha se asocian a alteraciones en la biomecánica de las extremidades inferiores y a un deterioro funcional en trastornos musculoesqueléticos. Aunque el dolor lumbar, el dolor de cadera y el dolor de rodilla se han relacionado con una marcha alterada en estudios observacionales, sus relaciones causales siguen siendo inciertas. Realizamos un estudio de randomización mendeliana bidireccional (RM) para evaluar posibles asociaciones causales entre el dolor específico del lugar y las anomalías en la marcha. Se utilizaron polimorfismos independientes de un solo nucleótido a partir de estudios de asociación genómica a gran escala como instrumentos genéticos para el dolor lumbar, dolor de cadera y dolor de rodilla. Las anomalías en la marcha, definidas en el GWAS fuente como dificultad para caminar auto-reportadas, se utilizaron como resultado en análisis de resonancia magnética frontal y como exposición en análisis de resonancia magnética inversa. El método ponderado por inversa de la varianza (IVW) fue el análisis principal, respaldado por análisis de sensibilidad para heterogeneidad, pleiotropía horizontal y robustez. En análisis directos, el dolor lumbar predicho genéticamente (OR = 1,53, IC 95% = 1,058–2,219, P = 0,024) y el dolor de cadera (OR = 1,55, IC 95% = 1,067–2,252, P = 0,021) se asociaron con un mayor riesgo de anomalías en la marcha en análisis de FIV. Sin embargo, los cuatro métodos adicionales de RM no fueron estadísticamente significativos, aunque las estimaciones fueron generalmente consistentes en la dirección. El dolor de rodilla predicho genéticamente no mostró asociación significativa (OR = 2,15, IC 95% = 0,234–19,789, P = 0,498), con una incertidumbre considerable reflejada en el amplio intervalo de confianza. Los análisis de resonancia magnética inversa no encontraron evidencia de que la responsabilidad genética por anomalías en la marcha aumentara el riesgo de dolor lumbar, cadera o rodilla, aunque solo estaban disponibles cuatro SNPs de anomalías en la marcha. No se detectó heterogeneidad sustancial ni pleiotropía horizontal. En general, este estudio aporta evidencia genética limitada basada en la IVW de que el dolor lumbar y el dolor de cadera pueden estar asociados con anomalías en la marcha. Los hallazgos deben interpretarse con cautela y validarse utilizando conjuntos de datos GWAS más amplios con fenotipos refinados.

Introducción

Las anomalías en la marcha pueden deberse a alteraciones motoras o sensoriales, y sus características clínicas dependen de la localización y naturaleza de la patología subyacente. Patrones anómalos específicos de la marcha pueden proporcionar pistas diagnósticas importantes para enfermedades concretas. Cabe destacar que, en los trastornos musculoesqueléticos, las anomalías en la marcha suelen presentarse con características biomecánicas distintivas y están estrechamente relacionadas con el dolor, la disfunción articular y la movilidad^{reducida 1,2,3}. Los estudios han demostrado que las anomalías a largo plazo en la marcha pueden agravar la condición de pacientes con^{artrosis 4}. Además, la marcha anormal persistente puede aumentar la inestabilidad de las articulaciones locomotoras y alterar la carga articular; Las actividades articulares repetitivas bajo una mecánica anormal pueden agravar aún más la lesión articular, induciendo dolor, promoviendo una atrofia muscular gradual y provocando una pérdida muscular más pronunciada. Estos factores pueden interactuar para formar un círculo vicioso, contribuyendo al empeoramiento progresivo del dolor y al deterioro funcional en pacientes con trastornos^{musculoesqueléticos 5}. Por lo tanto, aclarar la dirección y la posible causalidad de las asociaciones entre el dolor musculoesquelético específico del lugar y las anomalías de la marcha puede ayudar a interpretar las relaciones observacional dolor-marcha e informar futuras investigaciones sobre la disfunción de la marcha y la rehabilitación.

Sin embargo, a pesar de acumular evidencia observacional que vincula el dolor específico del lugar —como dolor lumbar, dolor de cadera y de rodilla— con un rendimiento de la marcha deteriorado, los estudios observacionales convencionales son vulnerables a confusiones, errores de medición y causalidad inversa, lo que dificulta determinar la dirección y causalidad de estas asociaciones. Además, la relación entre dolor y marcha puede implicar adaptación del sistema nervioso central y la modulación de la información nociceptiva recibida de la periferia, lo que complica aún más la interpretación de las asociaciones observadas entre dolor y marcha. La aleatorización mendeliana (RM) es un enfoque epidemiológico diseñado para superar las limitaciones clave de los estudios observacionales y se ha aplicado ampliamente en la investigación de inferencia causal. La RM utiliza polimorfismos independientes de un solo nucleótido (SNPs) como variables instrumentales para inferir posibles relaciones causales entre exposiciones y resultados⁶. Por ejemplo, en lugar de asignar a los individuos para desarrollar dolor lumbar, la RM puede examinar si la responsabilidad genética al dolor lumbar está asociada con resultados relacionados con la marcha en grandes conjuntos de datos de estudios de asociación genómica (GWAS). Dado que las variantes genéticas se asignan aleatoriamente en la concepción, es decir, en la formación del embrión, la RM puede reducir el sesgo por factores de confusión como la edad, el índice de masa corporal, la actividad física y las condiciones musculoesqueléticas comórbidas. Este enfoque es adecuado para explorar relaciones causales a nivel poblacional cuando disponen de datos GWAS potentes e instrumentos genéticos válidos. Sin embargo, los fenotipos utilizados en este estudio fueron rasgos GWAS ampliamente autoinformados y pueden no capturar completamente la gravedad del dolor, la duración de los síntomas, los diagnósticos confirmados por clínicos o los parámetros objetivos de la marcha. Al aprovechar la asignación aleatoria de variantes genéticas en la concepción, la RM puede mitigar eficazmente el sesgo de los factores de confusión e inversar la causalidad, proporcionando así evidencia causal más plausible.

El objetivo de este estudio fue realizar un análisis de resonancia magnética bidireccional utilizando datos resumen GWAS sobre dolor lumbar, dolor de cadera y dolor de rodilla autoreportados, junto con datos GWAS sobre anomalías en la marcha de la base de datos IEU Open GWAS. En este estudio, los fenotipos del dolor representaron rasgos de dolor auto-reportados y específicos del lugar, y las anomalías en la marcha representaron dificultad autoreportada para caminar en lugar de diagnósticos confirmados por el médico, parámetros de la marcha medidos en laboratorio o puntuaciones funcionales estandarizadas. Este diseño bidireccional tenía como objetivo evaluar la dirección de posibles asociaciones causales entre el dolor musculoesquelético específico del sitio y las anomalías de la marcha utilizando estadísticas resumidas^{GWAS 7}.

Protocolo

Este estudio utilizó datos de estudio de asociación genómica a nivel general (GWAS) disponibles públicamente de la base de datos OpenGWAS del IEU y del Catálogo GWAS. No se accedió a datos individuales de participantes ni se reclutaron nuevos participantes humanos. Se obtuvo aprobación ética y consentimiento informado por escrito en los estudios GWAS originales que contribuyeron. Por lo tanto, no se requirió aprobación adicional del comité de revisión institucional para el presente análisis secundario de estadísticas resumidas disponibles públicamente.

Principio y diseño del estudio

Los pasos básicos del estudio de RM incluyen obtener datos resumen GWAS, seleccionar y evaluar SNPs, realizar análisis estadísticos e implementar medidas de control de calidad. Como se muestra en la Figura 1, la precisión del análisis de RM se basa en el cumplimiento de tres supuestos cruciales: (1) la suposición de relevancia: las IVs deben ser relevantes para los fenotipos de exposición, a saber, dolor lumbar, dolor de cadera y dolor de^{rodilla 8}; (2) la suposición de independencia: los IVs son irrelevantes para los factores de confusión que afectan al "resultado de exposición"; (3) la suposición de exclusividad: Las IVs afectan el resultado solo mediante la exposición y no por otras^{vías 9}. Los factores de exposición y las variables de resultado se intercambiarán en cada análisis para determinar si existe causalidad inversa entre ambos.

Para mejorar la reproducibilidad, el flujo de trabajo computacional completo utilizado para la importación local de estadísticas resumidas de GS, extracción de SNPs, agrupamiento de LD, extracción de SNPs de resultado, armonización de alelos, análisis de resonancia magnética, análisis de sensibilidad, gráficos diagnósticos y ahorro de salida se proporciona como Código Suplementario 1. El texto principal describe los pasos clave del protocolo, mientras que el Archivo Suplementario 1 proporciona la implementación correspondiente a nivel de comando y función R correspondiente.

Fuentes de datos

Los datos relacionados con el dolor lumbar, dolor de cadera y dolor de rodilla se obtienen de la base de datos IEU openGWAS, y la página web es: https://gwas.mrcieu.ac.uk/. Las preguntas específicas utilizadas para definir estas condiciones pueden encontrarse en el Archivo Suplementario 2. El dolor lumbar, dolor de cadera y dolor de rodilla se definieron según ítems específicos del dolor autoreportados en los conjuntos de datos originales de WAS. El número ID del conjunto de datos GWAS de dolor lumbar es: ebi-a-GCST90018797 , con un tamaño de muestra de 468269, que incluye 22.413 pacientes con dolor lumbar y 445.856 controles en la población, con un número total de SNP de 24174741. El número ID del conjunto de datos de dolor de cadera (GWAS) es: ebi-a-GCST90013968, con un tamaño de muestra de 407746 y un recuento total de SNPs de 11039206. El número ID GWAS del conjunto de datos de dolor de rodilla es: ukb-b-16254, con un tamaño de muestra de 461857, que incluye 98.704 pacientes con dolor de rodilla, así como una población de control de 363153, con un número total de SNPs de 9851867. Los datos GWAS para anomalías de la marcha también se obtienen de la base de datos IEU openGWAS. El número ID del conjunto de datos de anomalías de la marcha es: finn-b-R18 _ABNORMALITI_GAIT_MOBIL, con un tamaño de muestra de 210717, incluyendo 1348 casos de anomalías de la marcha y poblaciones 209369 control, y se identificaron un total de 1638044 loci SNPs. Los detalles se muestran en la Tabla 1.

Para la adquisición de datos reproducibles, los investigadores deben buscar cada ID GWAS mencionado anteriormente en la base de datos OpenGWAS del IEU, descargar el archivo estadístico resumido correspondiente del GWAS cuando esté disponible y guardar el archivo como un archivo local separado por texto o comas antes de importarlo a R. En el flujo de trabajo computacional utilizado en este estudio, los archivos locales de estadística resumen GWAS se importaron a R usando read.table() o read.csv(), dependiendo del formato de archivo fuente. Se adoptó el flujo de trabajo basado en archivos locales para asegurar que los mismos archivos descargados de estadística resumen GWAS pudieran procesarse repetidamente usando mapeos de columnas fijas y comandos de análisis idénticos. Los comandos exactos de R para importar y procesar los archivos locales se proporcionan en el Archivo Suplementario 1.

Selección y entrada de SNPs

Los SNPs significativamente asociados con cada fenotipo de exposición se extrajeron de los conjuntos de datos resumen GWAS utilizando un umbral de significación genómica de P < 5 × 10⁻⁸. Si en este umbral había menos de tres SNPs independientes disponibles, el umbral se relajaba a P < 5 × 10⁻⁶ para obtener instrumentos genéticos suficientes para el análisis por RM. El desequilibrio de ligamiento se evaluó usando r² < 0,001 dentro de una ventana de 10.000 kb para asegurar la independencia de las variables instrumentales.

A nivel de script, las estadísticas resumen de GWAS de exposición se importaban primero a R y se filtraban según el umbral de valor P preespecificado. Los SNPs de exposición seleccionados se guardaban entonces como un archivo de exposición y se formateaban según los requisitos del paquete TwoSampleMR. Los mapeos de columnas requeridos incluían el identificador SNP, la estimación del efecto, el error estándar, el alelo del efecto, el otro alelo y el valor P. En el flujo de trabajo reproducible R, los datos de exposición se importaban usando read_exposure_data(), y el agrupamiento LD se realizaba estableciendo clump = TRUE. La estructura de comandos correspondiente de R era: read_exposure_data(nombre de archivo = "exposure.csv", sep = ",", snp_col = "rsids", beta_col = "beta", se_col = "sebeta", effect_allele_col = "alt", other_allele_col = "ref", pval_col = "pval", agrupación = VERDADERO). Los nombres de las columnas se adaptaron según los archivos GWAS descargados realmente.

La intensidad del instrumento se evaluó utilizando la estadística F:

F = [(N − k − 1)/k] × [R²/(1 −^{R 2})],

donde N representa el tamaño de la muestra, k representa el número de variables instrumentales y R² representa la proporción de la varianza de exposición explicada por los SNPs. R² se calculó como

Σ[2 × MAF × (1 − MAF) × β²/(^{SE 2} × N)],

donde MAF es la frecuencia menor del alelo, β es la estimación del efecto del alelo y SE es el error estándar.

Se mantuvieron SNPs con estadísticas F > 10. Se identificaron SNPs asociados con posibles factores de confusión, incluyendo anomalías anatómicas congénitas e índice de masa corporal, utilizando el FenoEscáner V2 y se eliminaron.

Los SNPs de resultado se extrajeron fusionando los SNPs de exposición agrupados con el correspondiente archivo local de estadística resumida GWAS según el identificador del SNP. Si el resultado GWAS reportaba −log10(P), el valor de P se convertía usando P = 10^(−LP). Los SNPs de resultado extraídos se importaron entonces usando read_outcome_data(). Los conjuntos de datos de exposición y resultados se armonizaron usando harmonise_data() para alinear los alelos de efecto y eliminar SNPs no aptos para análisis por RM. Se excluyeron SNPs palindrómicos con orientación alelada ambigua, y se conservaron SNPs con mr_keep = TRUE para análisis RM^{posteriores 11}. El guion detallado para la extracción de SNP de resultado, conversión de valores P y armonización se proporciona en el Archivo Suplementario 1.

Análisis estadístico

Los efectos causales entre las variables de exposición y de resultado se estimaron en este estudio utilizando cinco métodos: el método de IVW, el método de regresión MR-Egger, el método de mediana ponderada, el método de modo ponderado y el método de modo^{simple 12}. El método de IVW se considera el método estándar para el análisis de RM, que asume que todas las variables instrumentales son válidas, y se basa en el principio de combinar las estimaciones de la razón de Wald, y se utiliza un modelo de efectos aleatorios si hay heterogeneidad y un modelo de efectos fijos si no existe. El método de regresión MR-Egger detecta potencial multicolinealidad y tiene en cuenta la presencia de un término de intercepción en la^{regresión 13}. El método de mediana ponderada requiere que más del 50% de las variables instrumentales sean SNPs válidos. El método de modo ponderado requiere tamaños de muestra más pequeños que otros métodos y garantiza menos sesgo y tasas de error de tipo I más bajas. El método del modo simple permite agrupar SNPs con efectos similares según si los efectos causales estimados son similares o^{no 14}.

A nivel de función, los análisis de RM se realizaron utilizando la función mr() del paquete TwoSampleMR. La lista de métodos utilizada en el análisis se especificó como c("mr_ivw", "mr_egger_regression", "mr_weighted_median", "mr_simple_mode", "mr_weighted_mode"). Se generaron razones de probabilidad e intervalos de confianza del 95% usando generate_odds_ratios(). La implementación completa de R, incluyendo la lista exacta de métodos y los comandos para guardar la salida, se proporciona en el Archivo Suplementario 1.

Control de calidad y análisis de sensibilidad

Para comprobar la estabilidad y fiabilidad de los resultados de la RM, primero se utilizó la prueba Q de Cochran para evaluar la heterogeneidad de los SNPs; si la prueba Q de Cochran era estadísticamente significativa, indicaba que había una heterogeneidad significativa en los resultados^{analizados 15}. En segundo lugar, se utilizó la prueba de intercepción MR-Egger para evaluar la posible pleiotropía horizontal. Un intercepto de MR-Egger estadísticamente significativo indica la presencia de pleiotropía horizontal direccional en el análisis de RM. En tercer lugar, se aplicó la suma residual de pleiotropía aleatorizada mendeliana y el valor atípico (MR-PRESSO) para buscar la presencia de SNPs atípicos en los resultados, y si existían, se eliminaron y^{reanalizaron 16}. En cuarto lugar, se aplicó el método de "dejar uno fuera" para probar la robustez de los resultados, y el efecto combinado de los SNPs restantes se calculó excluyendo los SNPs uno por uno para evaluar el efecto de los SNPs individuales en la asociación entre la exposición y las variables^{de resultado 17}.

A nivel de función, se evaluó la heterogeneidad usando mr_heterogeneity(), la pleiotropía direccional se evaluó usando mr_pleiotropy_test(), los efectos de SNP único se evaluaron usando mr_singlesnp(), y el análisis leave-one-out se realizó usando mr_leaveoneout(). Los gráficos diagnósticos se generaban usando mr_scatter_plot(), mr_funnel_plot() y mr_leaveoneout_plot(). MR-PRESSO se realizaba cuando el número de variables instrumentales disponibles era suficiente; si la MR-PRESSO no podía realizarse debido a un número insuficiente de SNPs, esto se registraba y reportaba. El análisis de RM y los procedimientos de control de calidad se realizaron usando la versión 4.3.2 de R y la versión 0.5.8 del paquete TwoSampleMR, con un nivel de significación de α = 0,05. Los comandos completos se proporcionan en el Archivo Suplementario 1.

Ahorro de resultados, control de calidad e informes

Todas las salidas intermedias y finales se reservaban para su reproducibilidad. Estos incluyeron los SNPs de exposición seleccionados, instrumentos de exposición agrupados, SNPs de resultados extraídos, conjuntos de datos armonizados, listas de SNP conservadas, estimaciones de RM, razones de probabilidad, resultados de heterogeneidad, resultados de intercepción MR-Egger, resultados MR-PRESSO, resultados de SNP único, resultados de dejar uno fuera, gráficos diagnósticos e información de sesiones R. Antes de informar, se comprobaron SNPs retenidos para determinar su significancia genómica, independencia de LD, estado de armonización alel, variantes palindrómicas ambiguas, fuerza del instrumento, heterogeneidad, pleiotropía horizontal direccional y SNPs atípicos. Los resultados primarios de la RM se presentaron como odds ratios con intervalos de confianza del 95% y valores P. Los resultados del análisis de sensibilidad y los gráficos diagnósticos se informaron en las tablas y figuras complementarias. Los comandos de guardado de salida y verificación de archivos se proporcionan en el Archivo Suplementario 1.

Resultados

En este estudio se analizaron datos GWAS para tres fenotipos específicos del dolor musculoesquelético, incluyendo dolor lumbar, dolor de cadera y dolor de rodilla, y un fenotipo de anomalía en la marcha. Información detallada sobre las vías intravenosas para cada factor de exposición puede encontrarse en el Archivo Suplementario 3.

Análisis por RM del dolor musculoesquelético específico del sitio en las anomalías de la marcha<...

Discusión

Las anomalías en la marcha pueden alterar las estrategias de carga y movimiento de las articulaciones de las extremidades inferiores, acelerando potencialmente 821+_osteoarthritic procesos y contribuyendo a limitaciones funcionales que perjudican notablemente la calidad de vida. Esta relevancia clínica ha atraído cada vez más la atención sobre la interacción entre la disfunción de la marcha y el dolor musculoesquelético. Los estudios observacionales sugieren que el dolor musculoesqueléti...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Base de datos IEU OpenGWAS	Unidad de Epidemiología Integrativa del MRC, Universidad de Bristol	N/A	Fuente de estadísticas resumidas GWAS para fenotipos de exposición y resultado.
Paquete MR-PRESSO R	Marie Verbanck / Paquete R	N/A	Utilizado para la detección de valores atípicos y la evaluación de la pleiotropía horizontal.
FenoEscáner V2	Universidad de Cambridge	V2	Recurso web utilizado para identificar SNPs asociados a posibles factores de confusión.
R	Fundación R para la Computación Estadística	Versión 4.3.2	Entorno de computación estadística utilizado para análisis de RM y control de calidad.
Paquete TwoSampleMR R	Unidad de Epidemiología Integrativa del MRC, Universidad de Bristol	Versión 0.5.8	Se utiliza para análisis de IVW, MR-Egger, mediana ponderada, modo ponderado y resonancia magnética en modo simple.