Op MRI gebaseerd diagnostisch protocol en risicovoorspelling voor epidurale lipomatose bij degeneratieve lumbale spondylolisthesis

Samenvatting

Dit protocol beschrijft een gestandaardiseerde methode op basis van magnetic resonance imaging voor het diagnosticeren van epidurale lipomatose en het voorspellen van het risico daarop bij patiënten met degeneratieve lumbal spondylolisthesis.

Samenvatting

Dit protocol presenteert een gestandaardiseerde diagnostische benadering op basis van magnetic resonance imaging (MRI) voor epidurale lipomatose bij patiënten met degeneratieve lumbal spondylolisthesis (DLS) en beschrijft de ontwikkeling van een klinisch risicovoorspellingsmodel. Opeenvolgende patiënten met DLS ondergingen een gestandaardiseerde MRI-evaluatie, inclusief T1-gewogen sequenties voor de detectie van epidurale lipomatose, Goutallier-gradatie van vetinfiltratie van de musculus multifidus en radiografische beoordeling. De studiecohort werd onderverdeeld in een modelleringscohort (n = 248) en een validatiecohort (n = 106). Onafhankelijke predictoren werden geïdentificeerd via univariate screening gevolgd door multivariabele binaire logistische regressie. Voor een transparante rapportage worden de effecten van leeftijd en body mass index (BMI) respectievelijk uitgedrukt per toename van 10 jaar en per 5 kg/m². De voorspellingsvergelijking voor klinisch gebruik wordt gepresenteerd met algebraïsch equivalente ruwe-eenheidscoëfficiënten, zodat leeftijd (jaren) en BMI (kg/m²) rechtstreeks kunnen worden ingevoerd. Vijf onafhankelijke predictoren werden geïdentificeerd: leeftijd (odds ratio [OR] = 1,510 per toename van 10 jaar), vrouwelijk geslacht (OR = 2,354), BMI (OR = 1,874 per toename van 5 kg/m²), betrokkenheid van het L5-segment (OR = 3,766) en Goutallier-graad 3-4 (OR = 3,184). Het model behaalde area under the receiver operating characteristic curve-waarden van 0,834 in het modelleringscohort en 0,815 in het validatiecohort. Kalibratie- en decision curve-analyses ondersteunden het model als een verkennend instrument voor klinische beslissingsondersteuning; externe validatie is echter vereist voordat brede klinische implementatie kan plaatsvinden. Dit protocol biedt een reproduceerbaar MRI-gebaseerd kader voor de beoordeling van epidurale lipomatose met een geïntegreerde voorspellingstool die klinische en radiografische parameters combineert om gestandaardiseerde evaluatie en geïndividualiseerde risicovoorspelling bij patiënten met DLS te faciliteren.

Inleiding

Degeneratieve lumbale spondylolisthesis (DLS) treft 4%–8% van de algemene bevolking, waarbij de prevalentie aanzienlijk stijgt na het vijfde decennium van het leven^1,2. DLS wordt gedefinieerd door een anterieure wervelverschuiving ten opzichte van de onderliggende wervel met een intacte posterieure neurale boog en leidt frequent tot spinale kanaalstenose en neurogene claudicatio, wat de mobiliteit, spierkracht en kwaliteit van leven van de patiënt aanzienlijk beperkt³. Onder de geassocieerde beeldvormingskenmerken is het teken van epidurale lipomatose — gekenmerkt door een bandvormig hyperintens vetsignaal op midsagittale T1-gewogen MRI-beelden op het niveau van de verschuiving — een belangrijke radiografische indicator die de herkenning van de aandoening en de beoordeling van de ernst kan vergemakkelijken. Epidurale lipomatose werd traditioneel geassocieerd met het toedienen van glucocorticoïden, blootstelling aan epidurale steroïden of endocriene stoornissen zoals het syndroom van Cushing^4,5,6. Echter, het wordt steeds vaker gedocumenteerd bij personen met obesitas of metabool syndroom zonder steroïdblootstelling^7,8,9,10, wat suggereert dat metabole en biomechanische factoren een aanzienlijke etiologische rol spelen. Een recente systematische review vatte diverse etiologieën en klinische uitkomsten samen in gerapporteerde casussen¹¹, en symptomatische verbetering na gewichtsverlies is eveneens gedocumenteerd¹². Er zijn eerder MRI-gebaseerde graderings- en kwantitatieve beoordelingsmethoden voor spinale epidurale lipomatose beschreven, waaronder benaderingen op basis van de axiale ratio tussen epiduraal vet en de thecale zak, en locoregionale graderingssystemen^13,14. Desalniettemin is er nog geen gestandaardiseerd MRI-gebaseerd protocol vastgesteld specifiek voor de systematische evaluatie van epidurale lipomatose bij patiënten met DLS. De interpretatie blijft daarom afhankelijk van de operateur, zonder consistente diagnostische criteria die zijn afgestemd op deze patiëntenpopulatie; de klinische determinanten die getroffen personen onderscheiden van niet-getroffen personen zijn onvolledig gekarakteriseerd, en clinici beschikken niet over een praktisch instrument voor risicoschatting tijdens de initiële evaluatie.

Om deze tekortkomingen aan te pakken, stelt het huidige protocol een gestandaardiseerd, klinisch toepasbaar kader vast voor MRI-gebaseerde beoordeling van epidurale lipomatose bij patiënten met DLS. Het protocol integreert klinische parameters, vooraf gedefinieerde MRI-diagnostische criteria met specifieke beeldacquisitieparameters, beoordeling van de paraspinale musculatuur met behulp van een op de wervelkolom aangepaste Goutallier-graderingsmethode, axiale bevestigende beoordeling van compressie van de thecaalsac en een voorspellend model voor risicostratificatie aan het bed. Het Manjila-graderingssysteem wordt erkend als een belangrijk locoregionaal referentiekader omdat het de craniocaudale uitbreiding op sagittale beelden en de axiale ernst evalueert met behulp van een beoordeling op basis van een 3 × 3 grid, wat kan bijdragen aan de chirurgische planning en het onderscheid kan vergemakkelijken tussen dorsale, ventrale en circumferentiële epidurale vetdistributie^14,15,16. Het huidige protocol is niet bedoeld om bestaande graderingssystemen voor spinale epidurale lipomatose te vervangen; in plaats daarvan biedt het een gerichte workflow voor DLS-gerelateerde slipped levels, terwijl axiale en locoregionale kenmerken worden gedocumenteerd wanneer dit klinisch relevant is. Deze aanpak is bedoeld om een meer reproduceerbare evaluatie van epidurale lipomatose te bevorderen, terwijl gestandaardiseerde beeldbeoordeling en geïndividualiseerde klinische risicoschatting bij patiënten met DLS worden ondersteund.

Protocol

Dit MRI-protocol is ontworpen voor een supergeleidende scanner van 1,5 Tesla, uitgerust met een speciale 16-kanaals wervelkolomoppervlakspoel. Het protocol kan worden aangepast aan andere 1,5 of 3,0 T-systemen met equivalente hardware. Alle procedures zijn uitgevoerd in overeenstemming met de Verklaring van Helsinki en zijn goedgekeurd door de Institutional Review Board van het Tianjin Union Medical Center (goedkeuringsnummer: 2024-IRB-089).

1. Patiëntselectie en klinische evaluatie

1. Vraag goedkeuring aan bij de Institutional Review Board en de ethische commissie vóór de inschrijving van patiënten. Zorg ervoor dat alle procedures met menselijke participanten voldoen aan de Verklaring van Helsinki. Documenteer het goedkeuringsnummer (2024-IRB-089) in alle studierekords.
   ​OPMERKING: De vereiste voor individuele geïnformeerde toestemming kan worden geschrapt wanneer de studie gebruikmaakt van volledig gedeïdentificeerde, reeds bestaande klinische gegevens en beeldvormingsdatasets, mits deze vrijstelling voldoet aan het institutionele beleid en de nationale regelgeving voor het secundaire gebruik van klinische gegevens. Vraag expliciete goedkeuring voor de vrijstelling aan bij de ethische commissie. Verkrijg ethische goedkeuring voordat u overgaat tot de inschrijving van patiënten.
2. Screen opeenvolgende patiënten die zich melden bij de afdeling wervelkolomschirurgie met een bevestigde diagnose van DLS. Beoordeel staande laterale of flexie-extensieradiografieën om anterieure vertebrale glijding van ≥3 mm of ≥10% van de breedte van het wervellichaam te bevestigen.
   1. Verifieer degeneratieve veranderingen op het betreffende niveau, inclusief intervertebrale schijfdegeneratie en facetgewrichtshypertrofie¹⁷. Bevestig de afwezigheid van een pars interarticularis defect op laterale radiografieën en sagittale MRI.
   2. Schrijf patiënten in in de leeftijd van 18–85 jaar die binnen 2 weken na de klinische beoordeling een standaard lumbale MRI hebben ondergaan (sagittale T1-gewogen, sagittale T2-gewogen en axiale T2-gewogen sequenties). Sluit patiënten uit die in de voorafgaande 6 maanden een spinale operatie of epidurale steroïdeninjectie hebben ondergaan.
   3. Meet de anterieure vertebrale glijding op staande laterale of flexie-extensieradiografieën met behulp van de methode van de posterieure wervellichaamslijn. Trek een verticale referentielijn langs de posterieure cortex van het caudale wervellichaam en meet vervolgens de loodrechte afstand van deze lijn tot de postero-inferieure hoek van de gegleden craniale wervel. Noteer de verplaatsing in millimeters en, indien vereist, als een percentage van de anteroposterieure breedte van het caudale wervellichaam.
3. Sluit patiënten uit met niet-degeneratieve spondylolisthesis (isthmische, traumatische, pathologische, postoperatieve, of ontwikkelings- of anatomische nabootsingen zoals een hypoplastisch L5-wervellichaam en L5–S1 pseudolisthesis), glucocorticoidgebruik gedurende >3 cumulatieve maanden in het voorgaande jaar, of bevestigd endogeen hypercortisolisme (syndroom van Cushing, adrenocorticaal adenoom of hypofyse-adrenocorticotrope hormoon-secreterende tumor).
   1. Sluit patiënten uit die in de voorafgaande 6 maanden anabole steroïden of testosteronsuppletietherapie hebben ontvangen. Sluit MRI-onderzoeken uit met onvoldoende beeldkwaliteit, inclusief bewegingsartefacten graad II of hoger of onvolledige lumbosacrale dekking.
   2. Sluit patiënten uit met ernstig cardiopulmonaal of renaal insufficiëntie (American Society of Anesthesiologists Physical Status Class IV–V), actieve infectie of contra-indicaties voor MRI.
      ​WAARSCHUWING: Voer een volledige MRI-veiligheidsscreening uit vóór het betreden van de scanner. Sluit patiënten uit met MRI-incompatibele geïmplanteerde apparaten.
   3. Gradeer bewegingsartefacten met behulp van een beeldkwaliteitsschaal met vier niveaus: graad 0 = geen zichtbaar artefact; graad I = mild artefact zonder diagnostische beperking; graad II = matig artefact dat anatomische marges of meetpunten maskeert; en graad III = ernstig artefact waardoor de sequentie niet-diagnostisch is. Sluit onderzoeken uit met graad II of III artefacten in enige sequentie die vereist is voor de uitkomstclassificatie, of herhaal de betreffende sequentie voordat het onderzoek in de studie wordt opgenomen.
4. Extraheer klinische gegevens uit de database van het elektronisch medisch dossier (EMR) en het Picture Archiving and Communication System (PACS) met behulp van een gestandaardiseerd REDCap-gegevensverzamelingsformulier, ingevuld door twee getrainde onderzoeksassistenten.
   1. Noteer leeftijd (jaren), geslacht (man/vrouw), body mass index (BMI; kg/m²) en het gegleden segment (L3, L4 of L5).
   2. Noteer de duur van de symptomen, de aanwezigheid van neurogene claudicatio en eerdere conservatieve behandelingen.
   3. Laat twee getrainde onderzoeksassistenten onafhankelijk klinische variabelen uit het EMR en PACS extraheren naar dubbele REDCap-formulieren. Vergelijk de twee formulieren na de data-extractie en los inconsistenties op door naar de brondocumenten te verwijzen. Leg onopgeloste inconsistenties voor aan een senior onderzoeker voor besluitvorming.
   4. Identificeer ontbrekende of onvolledige variabelen tijdens REDCap-bereik- en volledigheidscontroles. Verifieer ontbrekende waarden aan de hand van het EMR, PACS en de oorspronkelijke beeldvormingsrapporten. Sluit een patiënt alleen uit van modelontwikkeling wanneer een vereiste predictor, uitkomstvariabele of essentiële MRI-sequentie niet kan worden teruggevonden. Voer geen statistische imputatie uit voor vereiste modelvariabelen.
5. Wijs geschikte patiënten willekeurig toe aan de modelleringscohort (n = 248) en de validatiecohort (n = 106) met een allocatieratio van 7:3 in SPSS versie 27.0 met een random seed van 42.
   1. Classificeer patiënten binnen de modelleringscohort in groepen met epidurale lipomatose en zonder lipomatose volgens de consensusdiagnose van twee senior rugradiologen met >10 jaar ervaring, volgend het MRI-interpretatieprotocol beschreven in Stap 3.
   2. Stel in SPSS versie 27.0 de random seed in op 42, selecteer Transform > Compute Variable en genereer een uniforme willekeurige variabele met behulp van RV.UNIFORM(0,1). Sorteer de gevallen in oplopende volgorde volgens deze variabele, wijs de eerste 70% van de geschikte gevallen toe aan de modelleringscohort en de overige 30% aan de validatiecohort, en behoud de allocatievariabele ongewijzigd voor alle daaropvolgende analyses.
   3. Gebruik eenvoudige willekeurige allocatie in plaats van gestratificeerde randomisatie. Forceer geen balans van baseline demografische, radiografische of MRI-variabelen tijdens de cohorttoewijzing.
   4. Vergelijk na willekeurige allocatie de baseline demografische, klinische, radiografische en MRI-variabelen tussen de modellerings- en validatiecohorten met behulp van de Student t-toets of de chi-kwadraattoets, naar gelang van toepassing. Beschouw de allocatie als acceptabel wanneer er geen klinisch betekenisvolle onbalans wordt geïdentificeerd, en rapporteer de beoordeling van de cohortvergelijkbaarheid in Tabel 1.
      OPMERKING: Voltooi de cohortallocatie nadat alle geschiktheidscriteria zijn geverifieerd.

Variabele	Modelleringscohort (n = 248)	Validatiecohort (n = 106)	t/χ2	P-waarde
Leeftijd (jaar)	67,87 ± 11,39	68,16 ± 11,93	0,216	0,829
Geslacht, n (%)			0,002	0,966
Man	96 (38,71)	42 (39,62)
Vrouw	152 (61,29)	64 (60,38)
Body mass index (kg/m²)	24,88 ± 3,62	24,91 ± 3,48	0,077	0,939
Gesublimeerd segment, n (%)			0,564	0,754
L3	31 (12,50)	14 (13,21)
L4	149 (60,08)	67 (63,21)
L5	68 (27,42)	25 (23,58)
Pfirrmann-graad, n (%)			0,104	0,991
Graad II	18 (7,26)	8 (7,55)
Graad III	74 (29,84)	33 (31,13)
Graad IV	93 (37,50)	38 (35,85)
Graad V	63 (25,40)	27 (25,47)
Goutallier-graad, n (%)			3,022	0,388
Graad 1	78 (31,45)	27 (25,47)
Graad 2	86 (34,68)	33 (31,13)
Graad 3	52 (20,97)	28 (26,42)
Graad 4	32 (12,90)	18 (16,98)
Distale facetgewrichtshoek (°)	55,26 ± 6,42	55,18 ± 6,39	0,111	0,912
Distale facetgewrichteffusie (mm)	0,94 ± 0,21	0,93 ± 0,20	0,444	0,657
Distale schijfhoogte (mm)	9,16 ± 1,92	9,20 ± 1,88	0,193	0,847
Proximale facetgewrichtshoek (°)	49,95 ± 6,03	50,03 ± 5,99	0,115	0,908
Proximale facetgewrichteffusie (mm)	0,84 ± 0,26	0,83 ± 0,25	0,237	0,813
Proximale schijfhoogte (mm)	8,05 ± 1,52	8,08 ± 1,50	0,156	0,876
Pelvische incidentie (PI, °)	52,18 ± 7,94	52,35 ± 7,85	0,188	0,851
Pelvische tilt (PT, °)	24,35 ± 7,17	24,28 ± 7,23	0,080	0,936
Sacrale slope (SS, °)	44,91 ± 6,83	45,01 ± 6,79	0,129	0,898
Thoracale kyfose (TK, °)	21,18 ± 7,67	21,25 ± 7,62	0,075	0,940

Tabel 1: Basiskenmerken van de modellerings- en validatiecohorten. Continue variabelen worden weergegeven als gemiddelde ± standaarddeviatie (SD), en categorische variabelen worden weergegeven als aantal (%). Demografische, klinische, radiografische en MRI-basiskenmerken werden vergeleken tussen de modelleringscohort (n = 248) en de validatiecohort (n = 106) om de vergelijkbaarheid van de cohorten te beoordelen. Afkortingen: BMI, body mass index; PI, pelvic incidence; PT, pelvic tilt; SS, sacral slope; TK, thoracale kyfose.

2. MRI-acquisitieprotocol

1. Voer een MRI-veiligheidsscreening uit met behulp van een gestandaardiseerde vragenlijst. Identificeer contra-indicaties, waaronder zwangerschap, geïmplanteerde elektronische apparaten, ferromagnetische vreemde lichamen, claustrofobie en een geschiedenis van allergische reacties op gadoliniumhoudende contrastmiddelen.
   1. Instrueer de patiënt om alle metalen voorwerpen te verwijderen, inclusief sieraden, horloges, piercings en gehoorapparaten. Positioneer de patiënt in rugligging op de MRI-tafel.
   2. Plaats een zacht kussen onder de knieën om een flexie van ongeveer 20°–30° te bereiken en de fysiologische lumbale lordose te verminderen. Positioneer de wervelkolomspoel gecentreerd op het niveau van wervel L3 om dekking van T12 tot S3 te bieden.
   3. Bevestig de spoel met direct huidcontact en elimineer zichtbare luchtspleten. Plaats schuimrubberen kussens aan beide zijden om patiëntbeweging te minimaliseren en zorg voor een MRI-compatibel noodoproepsysteem.
   4. Dien geen intraveneuze gadoliniumhoudende contrastmiddelen toe. De diagnostische workflow maakt gebruik van sagittale T1-gewogen, sagittale T2-gewogen en axiale T2-gewogen sequenties zonder contrast.
2. Verkrijg een three-plane scout (localizer) sequentie met behulp van een gradient-echo sequentie met TR = 8 ms, TE = 4 ms, plakdikte = 8 mm en field of view = 400 mm × 400 mm.
   1. Verifieer de volledige dekking van de lumbale wervelkolom van T12/L1 tot aan het sacrum. Positioneer de patiënt opnieuw als de lumbosacrale overgang niet volledig in beeld is.
3. Verkrijg sagittale T1-gewogen turbo spin-echo beelden met TR = 500 ms, TE = 12 ms, field of view = 280 × 280 mm, matrix = 512 × 256, plakdikte = 4 mm, plakafstand = 0,4 mm en NEX = 2.
   1. Stel de plakken parallel aan de processus spinosi in. Verkrijg minimaal 11 sagittale plakken om volledige dekking van links naar rechts te bieden.
      ​OPMERKING: T1-gewogen beeldvorming is de primaire sequentie voor het identificeren van epidurale lipomatose, omdat vetweefsel een intrinsiek hoge signaalintensiteit vertoont ten opzichte van omliggende structuren. De geselecteerde acquisitieparameters maximaliseren de T1-weging terwijl een adequate signaal-ruisverhouding en ruimtelijke resolutie behouden blijven. De typische acquisitietijd bedraagt ongeveer 3–4 min.
   2. Bij het aanpassen van het protocol aan een equivalent 1,5 of 3,0 T platform, dient de vereiste anatomische dekking, sequentietype, plakoriëntatie, plakdikte, interslice gap en de diagnostische vlakken te worden behouden. Optimaliseer de field of view, matrix, het aantal excitaties, de echo train length en de parallel imaging factor indien nodig, mits het epiduraal vet, de randen van de thecaalszak en de anatomie van het verschoven niveau duidelijk zichtbaar blijven voor diagnostische interpretatie.
4. Verkrijg sagittale T2-gewogen turbo spin-echo beelden met TR = 3.500-4.000 ms, TE = 100-120 ms, field of view = 280 mm × 280 mm, matrix = 512 × 256, plakdikte = 4 mm, plakafstand = 0,4 mm en NEX = 2.
   1. Stem de plakpositionering af op de sagittale T1-gewogen acquisitie om een directe vergelijking van de beelden mogelijk te maken.
      ​OPMERKING: T2-gewogen beeldvorming biedt complementaire anatomische informatie door de visualisatie van het cerebrospinal vloeistof (CSF), de thecaalszak en de morfologie van de intervertebrale schijven te verbeteren. Deze sequentie wordt ook gebruikt voor de Pfirrmann-gradatie van intervertebrale schijfdegeneratie. De typische acquisitietijd bedraagt ongeveer 4–5 min.
5. Verkrijg axiale T2-gewogen fast spin-echo beelden op elk lumbaal intervertebraal schijfniveau van L1/L2 tot L5/S1 met TR = 4.000 ms, TE = 112 ms, field of view = 180 mm × 180 mm, matrix = 320 × 256, plakdikte = 4 mm, plakafstand = 0,4 mm en NEX = 3.
   1. Stel axiale plakken in parallel aan elke intervertebrale schijfruimte. Verkrijg 6-8 plakken door het verschoven segment om volledige anatomische dekking te garanderen.
      ​OPMERKING: Axiale T2-gewogen beeldvorming maakt beoordeling van de epidurale vetverdeling en de morfologie van de thecaalszak mogelijk. De combinatie van sagittale T1-gewogen, sagittale T2-gewogen en axiale T2-gewogen sequenties biedt complementaire anatomische informatie voor een uitgebreide evaluatie. De totale acquisitietijd voor alle lumbale niveaus bedraagt ongeveer 15–20 min. Het volledige onderzoek, inclusief positionering van de patiënt en scout-beeldvorming, vereist ongeveer 30–35 min.
6. Evalueer de beeldkwaliteit voordat het onderzoek wordt beëindigd. Bevestig de afwezigheid van bewegingsartefacten graad II of hoger, volledige visualisatie van de lumbosacrale overgang, een adequate signaal-ruisverhouding en de afwezigheid van significante wrap-around artefacten.
   1. Herhaal elke sequentie die niet voldoet aan de beeldkwaliteitscriteria. Exporteer alle Digital Imaging and Communications in Medicine (DICOM) beelden naar het PACS met behoud van de metadata.
   2. Definieer een acceptabele beeldkwaliteit als volledige dekking van T12/L1 tot aan het sacrum, scherpe visualisatie van de posterieure cortices van het wervellichaam en de randen van de thecaalszak, afwezigheid van wrap-around artefacten die zich uitstrekken in het spinale kanaal, en een voldoende signaal-ruisverhouding om epiduraal vet te onderscheiden van CSF en paraspinale spieren. Herhaal elke sequentie die niet aan deze criteria voldoet.
   3. Gebruik hetzelfde vierpunts gradatiesysteem voor bewegingsartefacten zoals beschreven in Stap 1.3.3. Herhaal sequenties met graad II of III bewegingsartefacten voordat de patiënt wordt ontslagen, of sluit het onderzoek uit als herhaalde beeldvorming niet kan worden uitgevoerd.
      OPMERKING: Verifieer de beeldkwaliteit voordat de patiënt uit de scanner wordt ontslagen.

3. Interpretatie van MRI-beelden bij epidurale lipomatose

OPMERKING: Epidurale lipomatose wordt gedefinieerd als pathologische overgroei van niet-ingekapseld volwassen adipose weefsel binnen de spinale epidurale ruimte. Bij DLS draagt deze aandoening bij aan spinale kanaalstenose en kan dit een gecombineerde decompressie tijdens de fusiechirurgie noodzakelijk maken. Een nauwkeurige diagnose vereist een systematische evaluatie over meerdere beeldsequenties en vlakken.

1. Voer de beeldinterpretatie uit op een speciaal hiervoor bestemd PACS-workstation, uitgerust met een diagnostische monitor van medische kwaliteit (minimaal 3 megapixels; DICOM Part 14 Grayscale Standard Display Function). Houd de omgevingsverlichting gecontroleerd (≤50 lux).
   1. Laad het volledige MRI-onderzoek. Toon sagittale T1-gewogen en sagittale T2-gewogen beelden naast elkaar in het bovenste weergavevenster en axiale T2-gewogen beelden in het onderste weergavevenster met gesynchroniseerde anatomische cross-referencing.
   2. Gebruik de institutionele PACS-viewer met DICOM-gekalibreerde meetinstrumenten en ingeschakelde gesynchroniseerde sagittale-axiale cross-referencing. Pas consistente window- en level-instellingen toe voor de zij-aan-zij beeldvergelijking tijdens elke lees sessie. Noteer de PACS-leverancier en softwareversie in de Tabel van Materialen.
2. Identificeer het niveau van de wervelkring op het midsagittale T1-gewogen beeld door anterior wervelverplaatsing waar te nemen. Trek een referentielijn langs de posterieure cortex van het ondergelegen wervellichaam.
   1. Meet de loodrechte afstand van de referentielijn tot de posterior-inferieure hoek van de verschoven wervel. Bevestig dat de gemeten verplaatsing ≥3 mm of ≥10% van de breedte van het wervellichaam is.
      ​OPMERKING: Nauwkeurige lokalisatie van het verschoven niveau is essentieel omdat epidurale lipomatose specifiek op het niveau van de wervelverschuiving wordt geëvalueerd.
   2. Voer metingen van de wervelverschuiving uit met behulp van het ingebouwde gekalibreerde elektronische schuifmaat-instrument op het PACS-workstation. Verifieer de pixelkalibratie vanuit de DICOM-metadata vóór de meting en noteer alle afstanden tot op 0,1 mm nauwkeurig.
3. Onderzoek de posterieure epidurale ruimte op het verschoven niveau op het midsagittale T1-gewogen beeld. Identificeer een bandvormig of halvemaanvormig hyperintens signaal, gelegen tussen de thecale zak anterieur en het ligamentum flavum of het doornfortuiterieur posterieur.
   1. Vergelijk de signaalintensiteit van de laesie direct met subcutaan vet op hetzelfde beeld. Indien vet-onderdrukkingssequenties beschikbaar zijn, bevestig dan de signaalonderdrukking om de vette aard van de laesie te verifiëren.
      ​OPMERKING: Differentieer epidurale lipomatose van andere T1-hyperintense epidurale laesies, waaronder subacuut epiduraal hematoom en eiwitrijke vochtcollecties. Bevestig epidurale lipomatose alleen wanneer de laesie signaalkenmerken vertoont die identiek zijn aan subcutaan vet en zich conformeert aan de epidurale ruimte.
   2. Gebruik de in het protocol gedefinieerde sagittale criteria als primaire screeningsmethode voor het verschoven niveau en doe een cross-referentie van positieve of twijfelachtige bevindingen op axiale T2-gewogen beelden. Documenteer bij prospectieve implementatie de verdeling van het epidurale vet, de vervorming van de thecale zak en de compatibiliteit met gevestigde MRI-gebaseerde beoordelingsmethoden, inclusief benaderingen voor de axiale ratio van epiduraal vet tot thecale zak en het locoregionale Manjila-graderingssysteem. In de retrospectieve cohort die werd gebruikt voor modelontwikkeling, werden deze gevestigde graderingssystemen niet toegepast als onafhankelijke referentiestandaarden, en de oorspronkelijke binaire uitkomst werd niet retrospectief geclassificeerd.
4. Meet de craniocaudale omvang van de epidurale vetafzetting met behulp van elektronische schuifmaten op het PACS-workstation. Plaats de schuifmaten bij de superieure en inferieure randen van de aaneengesloten epidurale vetafzetting en noteer de maximale meting.
   1. Bevestig dat de craniocaudale omvang ≥5 mm meet in hetzelfde sagittale vlak. Gebruik zichtbaarheid op ten minste twee aangrenzende sagittale coupes uitsluitend om mediolaterale continuïteit te bevestigen en partial-volume artefacten te verminderen; gebruik aangrenzende sagittale coupes niet om de craniocaudale omvang te schatten.
   2. Doe een cross-referentie van de laesie op sagittale T2-gewogen beelden om de signaalkenmerken te evalueren. Beoordeel de overeenkomstige axiale T2-gewogen beelden om de circumferentiële verdeling van het epidurale vet en de anterieur-posterieure reductie van de thecale zak te beoordelen.
      ​OPMERKING: Gebruik een craniocaudale omvang van ≥5 mm als de operationele screeningsdrempel voor het verschoven niveau in dit protocol. Noteer de anteroposterieure diameter en het dwarsdoorsnede-oppervlak van de thecale zak op axiale beelden als continue bevestigende metingen. Gebruik in de huidige retrospectieve cohort geen vaste axiale afkapwaarden als onafhankelijke referentiestandaarden.
   3. Indien het vetsignaal slechts op één sagittale coupe zichtbaar is, classificeer de bevinding dan als onbepaald, tenzij axiale beelden een overeenkomstige epidurale vetaccumulatie vertonen en de craniocaudale omvang in hetzelfde vlak ≥5 mm blijft. Dit criterium onderscheidt de primaire craniocaudale meting van de ondersteunende beoordeling van de mediolaterale continuïteit.
   4. Meet de anteroposterieure diameter van de thecale zak op het axiale T2-gewogen beeld dat de maximale compressie op het verschoven niveau vertoont, door de afstand van de anterieure naar de posterieure rand van de durale zak te meten. Meet het dwarsdoorsnede-oppervlak door de binnenste durale begrenzing te trekken met behulp van het PACS region-of-interest-instrument of het ImageJ polygoon selectie-instrument, en noteer het oppervlak in mm².
   5. Vergelijk de sagittale omvang en axiale ernst kwalitatief met het Manjila-graderingskader. In dit op DLS gerichte protocol wordt het Manjila-graderingssysteem gebruikt als locoregionale referentie voor documentatie en niet als de primaire definitie van de uitkomst, omdat het eindpunt van de studie de aanwezigheid van epidurale lipomatose op het verschoven niveau binnen het voorspellingsmodel is.
5. Pas de vier oorspronkelijke criteria voor het verschoven niveau toe die werden gebruikt voor cohortclassificatie: (1) een bandvormig of halvemaanvormig T1-hyperintens signaal in de posterieure epidurale ruimte op het verschoven niveau; (2) signaalintensiteit identiek aan subcutaan vet; (3) een craniocaudale omvang ≥5 mm in hetzelfde sagittale vlak; en (4) reproduceerbaarheid op aangrenzende sagittale coupes. Vertrouw bij prospectieve klinische implementatie niet uitsluitend op de sagittale criteria. Bevestig de overeenkomstige epidurale vetaccumulatie en de contourdeformiteit van de thecale zak op axiale beelden, en documenteer of de vetverdeling dorsaal, ventraal of circumferentieel is.
   1. Noteer de axiale kwantitatieve bevindingen, inclusief de anteroposterieure diameter en het dwarsdoorsnede-oppervlak van de thecale zak, samen met de kwalitatieve compatibiliteit met beoordelingsmethoden op basis van de ratio van epiduraal vet tot thecale zak en het locoregionale Manjila-graderingssysteem.
      OPMERKING: De oorspronkelijke studie was niet ontworpen als een diagnostische accuratesse-studie met een gevestigde MRI-referentiestandaard, en de oorspronkelijke DICOM-beelden werden niet opnieuw geanalyseerd tijdens de revisie van het manuscript. Daarom zijn sensitiviteit, specificiteit en inter-methode overeenstemming niet opnieuw berekend. Deze aanvullende axiale descriptoren zijn bedoeld om de prospectieve klinische implementatie te ondersteunen en veranderen de oorspronkelijke studieuitslag of het voorspellingsmodel niet.
6. Laat alle onderzoeken onafhankelijk interpreteren door twee senior spine-radiologen (≥10 jaar ervaring). Vul een gestandaardiseerd gestructureerd rapportageformulier in waarop de aanwezigheid of afwezigheid van elk diagnostisch criterium, het verschoven wervelniveau, de maximale craniocaudale omvang (mm) en de algehele diagnose worden gedocumenteerd.
   1. Los onenigheid op via consensus met een derde senior spine-radioloog (>15 jaar ervaring) die geblindeerd is voor de initiële beoordelingen. Bereken de interobserver-overeenkomst met behulp van de Cohen's kappa-statistiek.
   2. Gebruik een gestructureerd rapportageformulier om het verschoven niveau, de verdeling van het epidurale vet (dorsaal, ventraal of circumferentieel), de maximale craniocaudale omvang, de sagittale meting in hetzelfde vlak, de zichtbaarheid op aangrenzende coupes, de axiale bevestiging, de diameter van de thecale zak, het dwarsdoorsnede-oppervlak van de thecale zak, de definitieve diagnose en het vertrouwen van de lezer te documenteren. Kalibreer vóór de formele beeldinterpretatie alle waarnemers met behulp van 20 representatieve trainingscasussen, inclusief negatieve, borderline en positieve onderzoeken.
      OPMERKING: Voltooi alle consensusinterpretaties voordat u overgaat tot de statistische analyse.

4. Beoordeling van degeneratie van de tussenwervelschijf

1. Beoordeel de sagittale T2-gewogen MRI-beelden ter hoogte van het verschoven segment. Scroll door alle sagittale coupes en selecteer het beeld dat de duidelijkste visualisatie van de nucleus pulposus biedt.
   1. Gradeer de degeneratie van de intervertebrale schijf met behulp van het Pfirrmann-graderingssysteem¹⁸. Ken Graad I toe aan schijven met een homogeen hyperintens signaal dat identiek is aan CSF, een normale schijfhoogte en een duidelijk onderscheid tussen nucleus en annulus.
   2. Ken Graad II toe aan schijven met een inhomogeen hyperintens signaal met horizontale banden van laag signaal, behouden schijfhoogte en een duidelijk onderscheid tussen nucleus en annulus. Ken Graad III toe aan schijven met een intermediair grijs signaal, een onduidelijke grens tussen nucleus en annulus en een normale of licht verminderde schijfhoogte.
   3. Ken Graad IV toe aan schijven met een inhomogeen hypointens donkergrijs signaal, volledig verlies van het onderscheid tussen nucleus en annulus en een matig tot ernstig verminderde schijfhoogte. Ken Graad V toe aan schijven met een inhomogeen hypointens signaal, een ingestorte schijfruimte, volledig verlies van het onderscheid tussen nucleus en annulus en een uitgesproken vernauwing van de schijfruimte.
2. Laat twee gecertificeerde radiologen met ≥5 jaar ervaring in musculoskeletale beeldvorming onafhankelijk de Pfirrmann-graden toekennen. Noteer de toegekende graad voor elke beoordeelde schijf.
   1. Los verschillen in gradering op via adjudicatie door een derde gecertificeerde radioloog. Bereken de interobserver-overeenkomst met behulp van de gewogen Cohen’s kappa-statistiek.
   2. Houd de radiologen blind voor klinische symptomen, behandelgeschiedenis, de status van epidurale lipomatose, variabelen van het predictiemodel en elkaars beoordelingen tijdens de onafhankelijke Pfirrmann-gradering.
   3. Voer de Pfirrmann-gradering uit met gebruik van dezelfde monitoren van diagnostische kwaliteit en gestandaardiseerde weergavecondities zoals beschreven in Stap 3.1.
      OPMERKING: Voltooi de consensusgradering voordat u overgaat naar de beoordeling van vetinfiltratie van de paraspinale spieren.

5. Beoordeling van vetinfiltratie in de paraspinale spieren

1. Beoordeel axiale T2-gewogen fast spin-echo beelden op het middenpunt van de verschoven intervertebrale schijf. Identificeer de m. multifidus bilateraal als de diepe paraspinale spieren direct lateraal van het spinous proces en de lamina.
   1. Beoordeel de sagittale beelden om de zijde van de predominante vertebrale verschuiving te bepalen. Selecteer de m. multifidus aan de overeenkomstige zijde voor beoordeling.
   2. Gebruik een op de ruggenmerg aangepaste Goutallier-gradatiebenadering afgeleid van de oorspronkelijke classificatie van vetachtige spierdegeneratie en eerdere toepassingen op de lumbale m. multifidus^19,20. Ken Graad 0 toe aan spieren die een homogene lage signaalintensiteit vertonen, een volledige afwezigheid van vetstrepen en een goed behouden spiermassa.
   3. Ken Graad 1 toe aan spieren die kleine lineaire high-signal vetstrepen bevatten die <5% van het dwarsdoorsnedevlak beslaan. Ken Graad 2 toe aan spieren die duidelijk zichtbare vetinfiltratie vertonen die 5%–50% van het dwarsdoorsnedevlak beslaat. Ken Graad 3 toe aan spieren die ≥50% vetinfiltratie vertonen met residueel spierweefsel.
   4. Ken Graad 4 toe aan spieren waarbij het gehele dwarsdoorsnedevlak is vervangen door vet zonder waarneembaar spierweefsel. Dichotomiseer de resultaten voor statistische analyse als Graden 0-2 en Graden 3-4.
      ​OPMERKING: De m. multifidus is de grootste en meest mediale paraspinale spier en dient als de primaire dynamische stabilisator van het lumbale segment. Ernstige vetinfiltratie (Graden 3-4) duidt op aanzienlijke vetvervanging en wordt behandeld als de klinisch ernstige categorie voor modellering, omdat het een drempel weerspiegelt waarbij vet ongeveer de helft van het dwarsdoorsnedevlak van de spier beslaat.
   5. Specificeer dat het oorspronkelijke Goutallier-gradatiesysteem is aangepast voor de beoordeling van de lumbale m. multifidus op axiale MRI. Dichotomiseer Graden 0–2 en Graden 3–4 om afwezige-tot-matige vetinfiltratie te onderscheiden van ernstige vetvervanging, waardoor de modelcomplexiteit wordt verminderd terwijl een adequate ratio van events-per-variabele in het voorspellingsmodel behouden blijft. Behandel de gebruikte percentage-drempelwaarden in dit protocol als operationele MRI-gebaseerde criteria en niet als een letterlijke reproductie van de oorspronkelijke Goutallier-classificatie via computed tomography van de schouder.
   6. Bepaal de zijde van predominante vertebrale verschuiving door axiale en sagittale beelden te beoordelen op asymmetrische vertebrale translatie, rotationele verplaatsing of een grotere vernauwing van de laterale recessus. Indien er geen zijde domineert, beoordeel dan de zijde met de grootste vetinfiltratie van de m. multifidus. Indien beide zijden symmetrisch zijn, beoordeel dan de rechter m. multifidus en documenteer deze beslissing.
2. Exporteer het axiale T2-gewogen fast spin-echo DICOM-beeld uit het PACS. Open het beeld in de ImageJ-software (versie 1.53t).
   1. Selecteer het polygoon-selectiehulpmiddel en trek de fasciale grens van de doel-m. multifidus na. Identificeer de fasciale grens als de dunne donkere lijn die de spier omringt.
   2. Open Image > Adjust > Threshold. Stel de lower threshold in op 120 arbitraire eenheden en de upper threshold op de maximale pixelwaarde.
   3. Selecteer Rood als weergavekleur om de identificatie van vette gebieden te verifiëren. Klik op Apply om het binaire masker te genereren.
   4. Gebruik een drempelwaarde van 120 arbitraire eenheden als een scanner- en sequentie-specifiek startpunt in plaats van als een universele drempel. Kalibreer de drempel opnieuw met representatieve lokale beelden wanneer het scannerplatform, de radiofrequentiespoel, de magnetische veldsterkte of de beeldacquisitieparameters afwijken van die in het afleidingsprotocol.
   5. Interpreteer de drempelwaarde niet als histologisch gevalideerd voor alle beeldsystemen. Gebruik deze als een reproduceerbaar hulpmiddel voor beeldverwerking en verifieer elk binair masker visueel aan de hand van het oorspronkelijke axiale T2-gewogen beeld voordat kwantitatieve metingen worden uitgevoerd.
3. Open Analyze > Measure in ImageJ. Activeer Area, Area Fraction, Limit to Threshold en Display Label voordat de meting wordt uitgevoerd.
   1. Noteer de %Area-waarde als het kwantitatieve intramusculaire vetpercentage.
   2. Herhaal de meting na een interval van ten minste 24 u door dezelfde operator. Bereken de intraclass correlatiecoëfficiënt (ICC) om de intraoperator-betrouwbaarheid te beoordelen.
      ​OPMERKING: Een ICC >0,90 duidt op een uitstekende intraoperator-betrouwbaarheid.
   3. Blindeer tijdens herhalingsmetingen de operator voor de initiële meting door de oorspronkelijke waarde op te slaan in een vergrendeld REDCap-veld en het DICOM-beeld na een interval van ten minste 24 u opnieuw te openen als een nieuwe meetsessie.
4. Laat twee board-gecertificeerde radiologen onafhankelijk Goutallier-graden toekennen en de ImageJ-gebaseerde kwantitatieve metingen uitvoeren. Zorg voor gestandaardiseerde training met een referentiebeeldset voorafgaand aan de beoordelingen van de studie.
   1. Los onenigheid op via consensus met een derde senior musculoskeletale radioloog. Bereken de kappa van Cohen voor de Goutallier-classificatie en de intraclass correlatiecoëfficiënt voor het kwantitatieve vetpercentage.
   2. Gebruik een trainingsdataset van 20 casussen vóór de studiebeoordeling, inclusief vijf casussen die elk minimale, lichte, matige en ernstige vetinfiltratie vertegenwoordigen. Voer een kalibratiesessie uit om referentiebeelden, de plaatsing van de region-of-interest, drempelwaarde-aanpassingen en procedures voor het oplossen van discrepanties te beoordelen voordat de onafhankelijke beeldgradatie begint.
      OPMERKING: Als de interobserver kappa van Cohen onder 0,70 zakt of de intraclass correlatiecoëfficiënt onder 0,85, voer dan een herkalibratiesessie uit voordat de analyse wordt hervat.

6. Ontwikkeling en toepassing van het risicovoorspellingsmodel

1. Stel alle studievariabelen samen in een gestructureerde dataset met behulp van REDCap. Definieer de uitkomstvariabele als binair: 1 = epidurale lipomatose aanwezig (alle vier de diagnostische criteria in stap 3.5 vervuld) en 0 = epidurale lipomatose afwezig.
   1. Codeer de predictoren als volgt: leeftijd (jaren); geslacht (0 = man, 1 = vrouw); BMI (kg/m²); verschoven segment (0 = L3/L4, 1 = L5); en Goutallier-graad (0 = graad 0–2; 1 = graad 3–4, representatief voor ernstige vette infiltratie). Geef bij rapportage het effect van leeftijd per toename van 10 jaar en het effect van BMI per toename van 5 kg/m² weer. Gebruik in de voorspellingsvergelijking voor aan het bed coëfficiënten in ruwe eenheden die algebraïsch gelijkwaardig zijn aan de gerapporteerde coëfficiënten op basis van toenames.
   2. Voer datacleaning uit door ontbrekende waarden te identificeren, uitschieters te verifiëren en te bevestigen dat alle variabelen binnen de verwachte bereiken vallen.
   3. Sluit patiënten met ontbrekende vereiste uitkomst- of predictorenvariabelen uit na verificatie van de brongegevens. Controleer continue variabelen met behulp van bereikcontroles en spreidingsdiagrammen, corrigeer geverifieerde invoerfouten aan de hand van de brongegevens, behoud biologisch plausibele uitschieters en voer geen imputatie uit voor vereiste modelvariabelen.
2. Open SPSS versie 27.0 en stel de random seed in op 42 om reproduceerbaarheid te waarborgen. Voer univariate screening uit met de Student t-toets voor continue variabelen en de chi-kwadraattoets voor categorische variabelen.
   1. Selecteer variabelen met P < 0,05 voor multivariabele analyse. Pas een multivariaabel binair logistisch regressiemodel toe met behulp van backward stepwise eliminatie op basis van minimalisatie van het Akaike Information Criterion (AIC).
   2. Beoordeel de goodness-of-fit van het model met de Hosmer-Lemeshow-toets. Bereken de variance inflation factor (VIF) voor alle behouden predictoren en bevestig dat alle VIF-waarden <5 zijn.
   3. Exponentieer de regressiecoëfficiënten om gecorrigeerde odds ratio's (OR's) met 95% betrouwbaarheidsintervallen (BI's) te verkrijgen. Genereer een forest plot met het forestplot-pakket in R om de effectgroottes te visualiseren (Figuur 1). Rapporteer het effect van leeftijd per toename van 10 jaar en het effect van BMI per toename van 5 kg/m².
   4. Gebruik univariate screening gevolgd door backward stepwise selectie als explorerende modelboustrategie voor deze single-center dataset. Interpreteer het uiteindelijke model als een hypothese-genererende tool voor klinische beslissingsondersteuning, aangezien stepwise selectie kan leiden tot onstabiele coëfficiëntschattingen en een te optimistische modelprestatie. Bevestig de modelprestaties via externe validatie vóór klinische implementatie.
   5. Exporteer de opgeschoonde SPSS-dataset als een comma-separated values (.csv) bestand waarbij de variabelelabels zijn verwijderd en de codering is behouden. Genereer de forest plot in R versie 4.3.1 met het forestplot-pakket. Bevestig dat de variabelecodering in R overeenstemt met het SPSS-coderingswoordenboek vóór het plotten.
3. Evalueer de modeldiscriminatie door de area under the receiver operating characteristic curve (AUC) te berekenen voor de modelleringscohort. Schat de standaardfout met de DeLong-toets.
   1. Evalueer de modelkalibratie met behulp van kalibratieplots die voorspelde en geobserveerde waarschijnlijkheden vergelijken over gegroepeerde intervallen van voorspeld risico in zowel de modellerings- als de validatiecohort (Figuur 2). Interpreteer de kalibratiecurve van de validatiecohort voorzichtig, omdat er minder observaties beschikbaar zijn aan de extremen van het voorspelde risico.
   2. Voer een decision curve analysis uit met het rmda-pakket (versie 1.6) in R versie 4.3.1. Vergelijk het voorspellingsmodel met de 'treat-all' en 'treat-none' strategieën over een reeks drempelwaarschijnlijkheden (Figuur 3).
   3. Valideer het uiteindelijke model met behulp van de apart gehouden interne validatiecohort (n = 106). Rapporteer de validatie-AUC, kalibratieplot en decision curve beschrijvend. Interpreteer de overeenstemming tussen de modellerings- en validatiecohort als bewijs van interne consistentie en niet als bewijs van externe validiteit.
   4. Voer de receiver operating characteristic-analyse, kalibratieplotting en decision curve analysis uit in R versie 4.3.1. Archiveer de R-scripts, pakketversies, inputdataset, coderingswoordenboek en outputfiguren bij het verslag van de statistische analyse.
   5. Gebruik geen vaste drempels, zoals een AUC-verschil ≤0,05 of een kalibratieslope van 0,8–1,2, als formele validatiecriteria. Rapporteer deze waarden beschrijvend als indicatoren van interne modelstabiliteit en vermeld dat multicenter externe validatie vereist is vóór brede klinische toepassing.
      OPMERKING: Voltooi de interne validatie voordat het model wordt toegepast op externe klinische datasets.
4. Verzamel de vijf predictorenvariabelen voor een nieuwe patiënt met DLS: leeftijd (jaren), geslacht, BMI (kg/m²), verschoven segment (L3/L4 of L5) en de Goutallier-graad van de musculus multifidus op het niveau van de verschuiving.
   1. Bereken de voorspelde waarschijnlijkheid met de logistische regressievergelijking uitgedrukt in ruwe klinische eenheden:
      
      Hierbij is  z = -5,521 + (0,0412 × leeftijd) + (0,856 × geslacht) + (0,1256 × BMI) + (1,326 × verschoven segment) + (1,158 × Goutallier-graad). Voer de leeftijd in jaren in; codeer geslacht als 0 = man en 1 = vrouw; voer BMI in kg/m² in; codeer het verschoven segment als 0 = L3/L4 en 1 = L5; en codeer de Goutallier-graad als 0 = graad 0–2 en 1 = graad 3–4. De coëfficiënten in ruwe eenheden voor leeftijd en BMI zijn algebraïsch gelijkwaardig aan coëfficiënten uitgedrukt per toename van respectievelijk 10 jaar en 5 kg/m².
   2. Interpreteer de voorspelde waarschijnlijkheid beschrijvend als volgt: <20% duidt op een lage geschatte waarschijnlijkheid, 20%–50% duidt op een gemiddelde geschatte waarschijnlijkheid, en >50% duidt op een hoge geschatte waarschijnlijkheid van epidurale lipomatose. Gebruik deze categorieën voor risicocommunicatie en workflow-prioritering, niet voor de keuze van de behandeling.
      OPMERKING: Gebruik het voorspellingsmodel uitsluitend als hulpmiddel voor klinische besluitvorming. Gebruik het model niet ter vervanging van klinisch oordeel of radiologische interpretatie. Pas het model zonder aanvullende validatie niet toe op populaties buiten de afleidingscohort, inclusief patiënten met isthmische spondylolisthesis, postoperatieve spinale aandoeningen of steroïde-geïnduceerde epidurale lipomatose.
   3. Voer de ruwe waarden voor leeftijd en BMI direct in de voorspellingsvergelijking in. Algebraïsche herschaling van de leeftijd- en BMI-coëfficiënten verandert enkel de presentatie van de vergelijking en wijzigt de voorspelde waarschijnlijkheden, odds ratio's, receiver operating characteristic-curves, kalibratieplots of resultaten van de decision curve analysis niet.
   4. Rapporteer odds ratio's consistent als volgt: leeftijd per toename van 10 jaar; BMI per toename van 5 kg/m²; geslacht, vrouw versus man; verschoven segment, L5 versus L3/L4; en Goutallier-graad, graad 3–4 versus graad 0–2.
   5. Gebruik de categorieën voor lage, gemiddelde en hoge waarschijnlijkheid als pragmatische klinische communicatiegroepen, afgeleid van de door het model voorspelde waarschijnlijkheidsdistributie en de decision curve analysis. Interpreteer deze categorieën niet als gevalideerde behandelingsdrempels, aangezien prospectieve externe validatie vereist is om optimale beslisdrempels vast te stellen.

Figuur 1. Forest plot van onafhankelijke predictoren voor epidurale lipomatose bij patiënten met degeneratieve lumbal spondylolyse. Forest plot die de gecorrigeerde odds ratio's (OR's) en 95% betrouwbaarheidsintervallen (CI's) toont voor de vijf onafhankelijke predictoren geïdentificeerd door multivariabele binaire logistische regressie. Rode vierkantjes geven de gecorrigeerde OR's aan, horizontale blauwe lijnen vertegenwoordigen de overeenkomstige 95% CI's, en de verticale stippellijn geeft de nulwaarde aan (OR = 1). Het effect van leeftijd wordt gerapporteerd per toename van 10 jaar, en het effect van de bodymassindex (BMI) wordt gerapporteerd per toename van 5 kg/m². Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2. Kalibratiecurves van het logistische regressievoorspellingsmodel. (A) Kalibratiecurve voor de modelleringscohort (n = 248). (B) Kalibratiecurve voor de validatiecohort (n = 106). De x-as vertegenwoordigt de voorspelde waarschijnlijkheid van epidurale lipomatose en de y-as vertegenwoordigt de geobserveerde frequentie. De ononderbroken zwarte diagonale lijn geeft de ideale kalibratie aan, de gekleurde lijnen met symbolen vertegenwoordigen de schijnbare modelprestatie en de gearceerde gebieden geven de 95% betrouwbaarheidsintervallen (B.I.) aan. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3. Receiver operating characteristic-curve en decision curve-analyse van het voorspellingsmodel. (A) Receiver operating characteristic (ROC)-curves voor de modelleringscohort (area under the curve [AUC] = 0,834) en de validatiecohort (AUC = 0,815). De grijze diagonale lijn vertegenwoordigt de referentielijn voor een niet-discriminerende classifier. (B) Decision curve-analyse die het netto voordeel van het voorspellingsmodel laat zien over verschillende drempelwaarschijnlijkheden. De rode ononderbroken lijn vertegenwoordigt de modelleringscohort, de blauwe gestreepte lijn vertegenwoordigt de validatiecohort, de zwarte streep-puntlijn vertegenwoordigt de 'behandel-alles'-strategie en de grijze gestippelde lijn vertegenwoordigt de 'behandel-niemand'-strategie. Klik hier om een grotere versie van deze figuur te bekijken.

Resultaten

Het protocol werd toegepast op 354 opeenvolgende patiënten met DLS. Door middel van randomisatie werden een modelleringscohort (n = 248) en een validatiecohort (n = 106) gevormd. Vergelijking van de demografische, klinische, radiografische en MRI-kenmerken bij aanvang toonde geen statistisch significante verschillen tussen de cohorten aan, wat duidt op vergelijkbare patiëntenverdelingen voor de daaropvolgende modelontwikkeling en interne validatie (Tabel 1).

Binnen de modelleringscohort werden 87 patiënten geclassificeerd als zijnde getroffen door epidurale lipomatose en 161 patiënten werden geclassificeerd als niet getroffen door epidurale lipomatose volgens het gestandaardiseerde MRI-protocol. Univariabele analyse toonde verschillen tussen de groepen aan wat betreft leeftijd (P = 0,014), BMI (P < 0,001), het afgegleden segment (P = 0,010) en de Goutallier-graad (P = 0,024). Vrouwelijk geslacht bevond zich op de nominale significantiedrempel (P = 0,050). Er werden geen statistisch significante verschillen waargenomen voor de Pfirrmann-graad of de overige spinopelvine en facetgewrichtsparameters (Tabel 2).

Variabele	Lipomatosegroep (n = 87)	Niet-lipomatosegroep (n = 161)	t/χ2	P Waarde
Leeftijd (jaar)	70.28 ± 10.84	66.57 ± 11.50	2.47	0.014
Geslacht, n (%)			3.844	0.05
Mannelijk	26 (29.89)	70 (43.48)
Vrouwelijk	61 (70.11)	91 (56.52)
Body mass index (kg/m²)	26.84 ± 3.68	23.82 ± 3.12	6.815	<0.001
Afgegleden segment, n (%)			9.304	0.01
L3	6 (6.90)	25 (15.53)
L4	48 (55.17)	101 (62.73)
L5	33 (37.93)	35 (21.74)
Pfirrmann-graad, n (%)			0.99	0.804
Graad II	5 (5.75)	13 (8.07)
Graad III	24 (27.59)	50 (31.06)
Graad IV	34 (39.08)	59 (36.65)
Graad V	24 (27.59)	39 (24.22)
Goutallier-graad, n (%)			9.446	0.024
Graad 1	22 (25.29)	56 (34.78)
Graad 2	26 (29.89)	60 (37.27)
Graad 3	21 (24.14)	31 (19.25)
Graad 4	18 (20.69)	14 (8.70)
Hoek van het distale facetgewricht (°)	55.38 ± 6.52	55.20 ± 6.39	0.208	0.835
Effusie van het distale facetgewricht (mm)	0.96 ± 0.22	0.93 ± 0.20	1.091	0.277
Distale discushoogte (mm)	9.08 ± 1.96	9.20 ± 1.90	0.469	0.64
Proximale facetgewrichtshoek (°)	49.82 ± 6.17	50.02 ± 5.97	0.252	0.802
Effusie van het proximale facetgewricht (mm)	0.85 ± 0.27	0.83 ± 0.25	0.584	0.56
Proximale schijfhoogte (mm)	8.02 ± 1.56	8.07 ± 1.50	0.247	0.805
Bekkenincidentie (PI, °)	52.46 ± 8.12	52.03 ± 7.86	0.404	0.687
Bekkenkanteling (PT, °)	24.58 ± 7.33	24.22 ± 7.10	0.375	0.708
sacrale hellingshoek (SS, °)	44.78 ± 6.91	44.98 ± 6.80	0.224	0.823
Thoracale kyfose (TK, °)	21.08 ± 7.79	21.24 ± 7.62	0.158	0.875

Tabel 2: Univariate analyse van factoren geassocieerd met epidurale lipomatose in de modelleringscohort. Continue variabelen worden weergegeven als gemiddelde ± standaarddeviatie (SD), en categorische variabelen worden weergegeven als aantal (%). Vergelijkingen werden uitgevoerd tussen de lipomatosegroep (n = 87) en de niet-lipomatosegroep (n = 161) om kandidaatvariabelen voor multivariabele logistische regressieanalyse te identificeren. Afkortingen: BMI, body mass index; PI, pelvic incidence; PT, pelvic tilt; SS, sacral slope; TK, thoracic kyphosis.

Multivariabele binaire logistische regressie identificeerde vijf onafhankelijke predictoren voor epidurale lipomatose: leeftijd (odds ratio [OR] = 1,510 per toename van 10 jaar), vrouwelijk geslacht (OR = 2,354), BMI (OR = 1,874 per toename van 5 kg/m²), L5 gesubluxeerd segment (OR = 3,766) en Goutallier-gradaties 3–4 (OR = 3,184). De overeenkomstige regressiecoëfficiënten, standaardfouten, Wald-statistieken, OR's en 95% BI's zijn samengevat in Tabel 3. De relatieve effectgroottes en BI's voor de behouden predictoren zijn weergegeven in het forest plot (Figuur 1).

Variabele	β	SE	Wald χ²2	p-waarde	OF	95% BI
Leeftijd	0.412	0.156	6.975	0.008	1.51	1.112-2.050
Geslacht (vrouwelijk)	0.856	0.368	5.408	0.02	2.354	1.144-4.842
Bodymassindex	0.628	0.184	11.648	0.001	1.874	1.307-2.688
Verschoven segment (L5)	1.326	0.342	15.034	<0.001	3.766	1.926-7.362
Goutallier-graad (graden 3-4)	1.158	0.316	13.421	<0.001	3.184	1.714-5.915
Constant	-5.521	1.248	19.574	<0.001	0.004	—

Tabel 3: Multivariabele binaire logistische regressieanalyse van onafhankelijke predictoren voor epidurale lipomatose. De resultaten worden weergegeven als de regressiecoëfficiënt (β), standaardfout (SE), Wald χ²-statistiek, odds ratio (OR) en het bijbehorende 95% betrouwbaarheidsinterval (CI) voor de onafhankelijke predictoren die behouden zijn in het uiteindelijke multivariabele binaire logistische regressiemodel. De gerapporteerde leeftijdscoëfficiënt komt overeen met een toename van 10 jaar, en de gerapporteerde body mass index (BMI)-coëfficiënt komt overeen met een toename van 5 kg/m². Voor directe invoer van ruwe klinische waarden in de predictievergelijking zijn de equivalente coëfficiënten 0,0412 per levensjaar en 0,1256 per kg/m² BMI. Afkortingen: β, regressiecoëfficiënt; SE, standaardfout; OR, odds ratio; CI, betrouwbaarheidsinterval.

Kalibratieplots toonden een benaderende overeenstemming tussen de voorspelde en waargenomen waarschijnlijkheden in de modellerings- en validatiecohorten, met een grotere onzekerheid bij hogere voorspelde waarschijnlijkheden in het validatiecohort (Figuur 2A,B).

Modeldiscriminatie werd geëvalueerd met behulp van receiver operating characteristic-analyse. Het voorspellende model behaalde AUC's van 0,834 in de modelleringscohort en 0,815 in de validatiecohort (Figuur 3A). Decision curve-analyse suggereerde een potentieel netto voordeel over geselecteerde drempelwaarschijnlijkheidsbereiken in vergelijking met de 'behandel-allemaal'- en 'behandel-niemand'-strategieën (Figuur 3B). Omdat de validatiecohort intern was uitgesloten van een enkele instelling, duiden deze bevindingen op interne consistentie en mogen ze niet worden geïnterpreteerd als bewijs voor brede externe generaliseerbaarheid.

De datasets die tijdens de huidige studie zijn gegenereerd en geanalyseerd, zijn op redelijk verzoek verkrijgbaar via de corresponderende auteur (R.T.). Vanwege de privacy van patiënten en het institutionele beleid voor databeheer kunnen klinische en beeldvormingsgegevens op individueel niveau niet openbaar worden gemaakt. Geanonimiseerde samenvattende gegevens, regressiecoëfficiënten, de voorspellingsvergelijking, een voorbeeld van een codeerblad en de code voor statistische analyse kunnen worden gedeeld met gekwalificeerde onderzoekers, mits goedgekeurd door de Institutional Review Board en de ethische commissie van het Tianjin Union Medical Center en na ondertekening van een overeenkomst voor datagebruik.

Discussie

Het huidige protocol integreert gestandaardiseerde MRI-acquisitie, gestructureerde beeldinterpretatie en kwantitatieve risicomodellering in een samenhangend klinisch beslissingsondersteunend instrument voor het identificeren van epidurale lipomatose bij patiënten met DLS. De workflow bestaat uit vier opeenvolgende componenten: systematische patiëntkarakterisering, inclusief demografische en antropometrische variabelen; gestandaardiseerde sagittale T1-gewogen MRI-acquisitie geoptimaliseerd voor de visualisatie van epiduraal vet; gestructureerde kwalitatieve beoordeling van epidurale vetafzetting en vette infiltratie van de paraspinale spieren met behulp van vooraf gedefinieerde diagnostische criteria; en de toepassing van een multivariabele voorspellingsvergelijking om geïndividualiseerde waarschijnlijkheidsschattingen te genereren. Kritieke stappen die de reproduceerbaarheid van het protocol ondersteunen zijn het gebruik van sagittale T1-gewogen beelden als de primaire diagnostische sequentie, de drempelwaarde van ≥5 mm craniocaudale uitstrekking in hetzelfde vlak voor het definiëren van een reproduceerbare epidurale vetafzetting op het verschoven niveau, axiale bevestiging van compressie van de thecaale zak, systematische ruggengraat-aangepaste Goutallier-gradatie van de vette infiltratie van de musculus multifidus, en de integratie van deze parameters in een kwantitatieve risicoscore.

Het protocol kan worden aangepast aan verschillende klinische omgevingen en beeldvormingsplatforms. Voor 3.0 T-systemen kunnen dunnere coupes haalbaar zijn; de echotijd moet echter zorgvuldig worden aangepast om T1 shine-through-artefacten te minimaliseren, die bij hogere veldsterktes prominenter kunnen zijn. Voor 1.5 T-systemen bieden de standaard acquisitieparameters een adequate diagnostische kwaliteit; indien de beeldruis excessief is, dient het aantal excitaties te worden verhoogd van 2 naar 3, of kunnen parallelle beeldversnellingsfactoren worden gebruikt die 2 niet overschrijden. Bij atypische vetdistributiepatronen, waaronder circumferentiële in plaats van dorsale distributie of vlekkerige in plaats van bandvormige deposits, moet het ≥5 mm-criterium worden toegepast op de grootste continue of semicontinue deposit in hetzelfde sagittale vlak, waarna de bevinding moet worden bevestigd op axiale T2-gewogen beelden. Indien onzekerheid blijft bestaan met betrekking tot pathologische epidurale lipomatose versus fysiologisch epiduraal vet, dient de vetdeposit te worden vergeleken met de anteroposterieure diameter en het dwarsdoorsnede-oppervlak van de thecaale zak op axiale beelden. In dit protocol worden axiale kwantitatieve metingen gebruikt ter ondersteuning van de bevestiging en documentatie, en niet als een onafhankelijke referentiestandaard voor het herdefiniëren van de oorspronkelijke modeluitkomst. Om inter-beoordelaarsvariabiliteit bij de Goutallier-gradatie te minimaliseren, moet de plaatsing van de region-of-interest worden gestandaardiseerd op de axiale coupe ter hoogte van het middelpunt van de verschoven intervertebrale schijfruimte. Verschillen tussen twee onafhankelijke beoordelaars worden opgelost door consensus met een derde, senior beoordelaar.

Er moet rekening worden gehouden met verschillende methodologische beperkingen. Ten eerste is de diagnose gebaseerd op kwalitatieve visuele beoordeling van MRI-signaalkenmerken en de craniocaudale omvang, in plaats van op kwantitatieve volumetrische meting. Hoewel deze aanpak praktisch en breed toepasbaar is, wordt het driedimensionale epidurale vetvolume niet vastgelegd, wat mogelijk directer correleert met de ernst van de symptomen en de chirurgische urgentie. Gevestigde MRI-graderingsmethoden, waaronder methoden gebaseerd op de verhouding tussen epiduraal vet en de thecaal zak en het locoregionale graderingssysteem van Manjila, bieden aanvullende informatie over axiale compressie van het kanaal, sagittale omvang en dorsale, ventrale of circumferentiële vetdistributie^13,14. Deze kenmerken kunnen bijzonder relevant zijn bij L5-S1, waar de geometrie van het spinale kanaal en de anatomie van de laterale recess verschillen van die op andere lumbale niveaus. Het huidige protocol documenteert prospectief de axiale compressie en vetdistributie, maar maakt geen gebruik van deze graderingssystemen als onafhankelijke referentiestandaarden, omdat de oorspronkelijke studie niet was opgezet als een diagnostische accuratesse-studie met een referentiestandaard. Bijgevolg zijn sensitiviteit, specificiteit en inter-methode overeenstemming niet opnieuw berekend, om zo post hoc herclassificatie van de uitkomst van de oorspronkelijke studie te vermijden. Geavanceerde kwantitatieve MRI-technieken, waaronder Dixon-gebaseerde vet-water separatie en volumetrische segmentatie, kunnen een nauwkeurigere vetkwantificering bieden, maar vereisen gespecialiseerde software en extra acquisitietijd. Ten tweede blijft het Goutallier-graderingssysteem semi-kwantitatief en is het onderhevig aan interobservervariabiliteit. Hoewel het schema met vijf gradaties een praktische klinische classificatie biedt, geeft het geen continue meting van vette infiltratie, wat geassocieerd is met expressie van inflammatoire cytokinen in spieren en epiduraal vetweefsel²¹ en met veranderde passieve mechanische eigenschappen van de multifidus^22,23. In deze studie werd een op de wervelkolom aangepaste toepassing van het Goutallier-concept gebruikt, waarbij Gradaties 0-2 apart werden gegroepeerd van Gradaties 3-4 om niet-ernstige van ernstige vette vervanging te onderscheiden, terwijl de eenvoud van het model behouden bleef. Ten derde bevat het voorspellingsmodel alleen klinische en beeldvormende variabelen en bevat het geen biochemische markers, zoals serumlipidenprofielen, inflammatoire markers of adipokinen, die de voorspellende prestaties in metabool gedreven gevallen kunnen verbeteren. Ten vierde kan het gebruik van univariaat screenen gevolgd door stapsgewijze logistieke regressie leiden tot selectiebias van variabelen en instabiliteit van coëfficiënten; daarom moet het model als verkennend en slechts intern gevalideerd worden beschouwd. Ten slotte blijft externe validatie in diverse klinische settings, op verschillende beeldvormingsplatformen en bij diverse patiëntenpopulaties noodzakelijk voordat brede klinische implementatie kan plaatsvinden. Omdat de validatie is uitgevoerd met een cohort van één instelling, moeten toekomstige multicentrische prospectieve studies de prestaties van het model bevestigen en klinisch bruikbare waarschijnlijkheidsdrempels vaststellen.

Het huidige protocol biedt verschillende voordelen ten opzichte van ongestructureerde klinische praktijk. De traditionele praktijk vertrouwt vaak op incidentele herkenning van epidurale lipomatose door de radioloog zonder gestandaardiseerde diagnostische criteria, wat resulteert in een inconsistente detectie. In tegenstelling hiermee biedt dit protocol expliciete diagnostische criteria en een gestructureerde interpretatieworkflow die consistent kan worden toegepast door verschillende beoordelaars en instellingen. In vergelijking met complexere multimodale beoordelingsstrategieën, die gebruikmaken van geavanceerde beeldvorming of invasieve diagnostische technieken, is de huidige aanpak operationeel praktisch omdat deze gebruikmaakt van standaard lumbale MRI-sequenties en routinematig beschikbare klinische gegevens. De belangrijkste bijdrage is de integratie van de op de wervelkolom aangepaste Goutallier-beoordeling van vette infiltratie van de musculus multifidus in een risicovoorspellingskader voor DLS-gerelateerde epidurale lipomatose. Voor de beoordeling van intervertebrale discusdegeneratie blijft het Pfirrmann-gradatiesysteem een praktische en algemeen geaccepteerde morfologische MRI-classificatie¹⁸. MR-elastografie is naar voren gekomen als een complementaire kwantitatieve techniek, omdat de stijfheid van de discus toeneemt bij voortschrijdende degeneratie en objectieve biomechanische informatie kan verschaffen die verder gaat dan ordinale Pfirrmann-gradaties²⁴. Het huidige protocol behoudt de Pfirrmann-gradatie omdat deze gemakkelijk toepasbaar is bij routinematige lumbale MRI-onderzoeken, terwijl toekomstige versies MR-elastografie kunnen integreren naarmate de technologie breder beschikbaar wordt.

Klinisch gezien kunnen de kansschattingen helpen bij het informeren van het risicobewustzijn, de beoordeling van beeldvorming, discussies over chirurgische planning en patiëntenvoorlichting. Eerder werk heeft vergelijkbare resultaten op twee jaar aangetoond tussen epidurale lipomatose en degeneratieve stenose na decompressie^25,26. Het huidige protocol evalueert echter geen behandelresultaten of vergelijkt decompressiestrategieën en mag niet worden gebruikt om open, minimaal invasieve of endoscopische decompressie te voorschrijven. In plaats daarvan is het model bedoeld om clinici te attenderen op de mogelijkheid van klinisch relevante epidurale vetafhoping en om aan te zetten tot een zorgvuldige beoordeling van axiale compressie, dorsale of ventrale vetverdeling en compressie van de thecaalzak. Hypoplasie van het L5-wervellichaam en L5-S1 pseudolisthesis zijn potentiële ontwikkelingsgerelateerde of anatomische mimicry, omdat een relatief klein anteroposterieur L5-wervellichaam en posterieur vet-vezelig weefsel een schijnbare vertebrale glijding kunnen simuleren. Om deze bron van misclassificatie te verminderen, sluit het protocol niet-degeneratieve en ontwikkelingsgerelateerde spondylolisthesis uit, bevestigt DLS middels staande röntgenfoto's en de afwezigheid van parsdefecten, en vereist correlatie van het glijningsniveau tussen sagittale en axiale MRI. Voor patiëntenvoorlichting kunnen geïndividualiseerde kansschattingen de bespreking van beeldvormingsbevindingen en verwachte intraoperatieve overwegingen faciliteren. Postoperatief kan het protocol helpen bij het identificeren van patiënten die een nauwere follow-up vereisen, hoewel deze toepassing verdere validatie behoeft. Naast DLS kan het raamwerk aanpasbaar zijn voor andere degeneratieve spinale aandoeningen waarbij epidurale vetafhoping bijdraagt aan de symptomen, waaronder lumbale spinale stenose en lumbale spondylose zonder listhesis.

Concluderend biedt dit protocol een gestructureerde en klinisch praktische benadering voor het beoordelen van epidurale lipomatose bij patiënten met DLS. Door de integratie van gestandaardiseerde MRI-interpretatie, systematische beoordeling van de paraspinale musculatuur, prospectieve axiale bevestiging van compressie van de thecaalzak en multivariabele risicomodellering, ondersteunt het protocol reproduceerbare beeldbeoordeling, risicocommunicatie, discussies over chirurgische planning en patiëntenvoorlichting met gebruik van standaard klinische MRI zonder gespecialiseerde apparatuur. De oorspronkelijke definitie van de diagnostische uitkomst en de gerapporteerde modelprestaties zijn tijdens de revisie behouden. Het model moet worden geïnterpreteerd als een intern gevalideerd hulpmiddel voor klinische besluitvorming en niet als een diagnostische referentiestandaard of een chirurgische beslisregel. Toekomstige studies zouden vergelijkingen met gevestigde MRI-referentiestandaarden, multicentrische externe validatie, geautomatiseerde beeldanalyse en geavanceerde kwantitatieve MRI-technieken zoals Dixon-imaging en MR-elastografie moeten bevatten.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
1.5 Tesla magnetische resonantie-imaging scanner	Apparatuur	Siemens Healthineers	Magnetom Aera
16-kanaals wervelkolomoppervlakspoel	Apparatuur	Siemens Healthineers	Standaardconfiguratie
DICOM Deel 14-conforme diagnostische monitor (3 megapixels)	Apparatuur	Barco NV	Nio Color 3MP, MDNC-3421CN; DICOM-kalibratie via Barco QAWeb Enterprise
forestplot R-pakket	Software	R Foundation for Statistical Computing	Versie 3.1.3
ImageJ	Software	National Institutes of Health	Versie 1.53t
PACS-werkstation	Apparatuur	Dell Inc.	Precision 3660 Tower Workstation; Windows 10, 64-bit besturingssysteem
Picture Archiving and Communication System (PACS)	Software	INFINITT Healthcare Co., Ltd.	INFINITT PACS 7.0
R	Software	R Foundation for Statistical Computing	Versie 4.3.1
REDCap	Software	Vanderbilt University	Versie 13.1
rmda R-pakket	Software	R Foundation for Statistical Computing	Versie 1.6
SPSS Statistics	Software	IBM	Versie 27.0