Dejeneratif Lomber Spondilolisteziste Epidural Lipomatoz İçin Manyetik Rezonans Görüntüleme Tabanlı Tanı Protokolü ve Risk Öngörüsü

Özet

Bu protokol, dejeneratif lomber spondilolistezisli hastalarda epidural lipomatozun teşhisi ve riskinin öngörülmesi için standardize edilmiş bir manyetik rezonans görüntüleme tabanlı yöntemi açıklamaktadır.

Özet

Bu protokol, dejeneratif lumbar spondilolistezis (DLS) olan hastalarda epidural lipomatoz için standartlaştırılmış bir manyetik rezonans görüntüleme (MRG) tabanlı tanısal yaklaşım sunmakta ve klinik bir risk tahmin modelinin geliştirilmesini açıklamaktadır. DLS tanılı ardışık hastalar; epidural lipomatoz tespiti için T1-ağırlıklı sekanslar, multifidus yağlı infiltrasyonunun Goutallier derecelendirmesi ve radyografik değerlendirmeyi içeren standartlaştırılmış MRG değerlendirmesine tabi tutulmuştur. Çalışma kohortu, bir modelleme kohortu (n = 248) ve bir doğrulama kohortu (n = 106) olarak ikiye ayrılmıştır. Bağımsız öngördürücüler, tek değişkenli taramanın ardından çok değişkenli ikili lojistik regresyon yoluyla belirlenmiştir. Şeffaf raporlama adına, yaş ve vücut kitle indeksinin (VKİ) etkileri sırasıyla her 10 yıllık ve her 5 kg/m² artış başına ifade edilmiştir. Yatak başı tahmin denklemi, yaş (yıl) ve VKİ (kg/m²) değerlerinin doğrudan girilebilmesi için cebirsel olarak eşdeğer ham birim katsayılar kullanılarak sunulmuştur. Beş bağımsız öngördürücü belirlenmiştir: yaş (olasılık oranı [OR] = her 10 yıllık artış için 1,510), kadın cinsiyet (OR = 2,354), VKİ (OR = her 5 kg/m² artış için 1,874), L5 segment tutulumu (OR = 3,766) ve Goutallier evre 3-4 (OR = 3,184). Model, modelleme kohortunda 0,834 ve doğrulama kohortunda 0,815 alıcı işletim karakteristik eğrisi altındaki alan değerlerine ulaşmıştır. Kalibrasyon ve karar eğrisi analizleri, modeli keşifsel bir klinik karar destek aracı olarak desteklemiştir; ancak geniş çaplı klinik uygulama öncesinde harici doğrulama gereklidir. Bu protokol, DLS'li hastalarda standartlaştırılmış değerlendirmeyi ve bireyselleştirilmiş risk tahminini kolaylaştırmak amacıyla klinik ve radyografik parametreleri birleştiren entegre bir yatak başı tahmin aracıyla birlikte, epidural lipomatoz değerlendirmesi için tekrarlanabilir bir MRG tabanlı çerçeve sağlamaktadır.

Giriş

dejeneratif lomber spondilolistezis (DLS), genel popülasyonun %4-8'ini etkilemektedir ve yaygınlığı yaşamın beşinci on yılından sonra belirgin şekilde artmaktadır^1,2. Posterior nöral arkın sağlam olduğu durumda, vertebra gövdesinin altındaki vertebraya göre anteriora yer değiştirmesi olarak tanımlanan DLS; sıklıkla spinal kanal stenozu ve nörojenik klaudikasyona yol açarak hastanın hareketliliğini, kas gücünü ve yaşam kalitesini önemli ölçüde bozmaktadır³. İlişkili görüntüleme özellikleri arasında, kayma seviyesindeki midsajital T1 ağırlıklı manyetik rezonans görüntülemede (MRI) bant şeklinde hiperintens yağ sinyali olarak karakterize edilen epidural lipomatoz belirtisi, hastalığın tanınmasını ve şiddetinin değerlendirilmesini kolaylaştırabilen önemli bir radyografik göstergedir. Epidural lipomatoz geleneksel olarak glukokortikoid uygulaması, epidural steroid maruziyeti veya Cushing sendromu gibi endokrin bozukluklarla ilişkilendirilmiştir^4,5,6. Ancak, steroid maruziyeti olmayan obezite veya metabolik sendromu olan bireylerde de giderek daha fazla belgelenmektedir^7,8,9,10, bu durum metabolik ve biyomekanik faktörlerin önemli bir etiyolojik rol oynadığını göstermektedir. Yakın tarihli bir sistematik derleme, bildirilen vakalardaki çeşitli etiyolojileri ve klinik sonuçları özetlemiş¹¹ ve kilo kaybı sonrası semptomatik iyileşme de belgelenmiştir¹². Spinal epidural lipomatoz için aksiyel epidural yağ-tekal kese oranı yaklaşımları ve lokoregiyonal evreleme sistemlerini içeren MRI tabanlı evreleme ve kantitatif değerlendirme yöntemleri daha önce rapor edilmiştir^13,14. Buna rağmen, DLS'li hastalarda epidural lipomatozun sistematik değerlendirmesine yönelik özel, standardize edilmiş bir MRI tabanlı protokol oluşturulmamıştır. Bu nedenle yorumlama, bu hasta popülasyonuna uygun tutarlı tanı kriterleri olmadığı için operatöre bağımlı kalmakta; etkilenen ve etkilenmeyen bireyleri ayıran klinik belirleyiciler henüz tam olarak tanımlanamamakta ve klinisyenler ilk değerlendirme sırasında risk tahmini için pratik bir araçtan yoksun kalmaktadır.

Bu boşlukları gidermek için mevcut protokol, DLS'li hastalarda epidural lipomatozin MRI tabanlı değerlendirmesi için standardize edilmiş, klinik olarak uygulanabilir bir çerçeve oluşturur. Protokol; klinik parametreleri, belirli görüntüleme parametreleri içeren önceden tanımlanmış MRI tanı kriterlerini, omurgaya uyarlanmış Goutallier derecelendirme yaklaşımı kullanılarak yapılan paraspinal kas değerlendirmesini, tekal kesedeki basının aksiyel konfirmasyon değerlendirmesini ve yatak başı risk stratifikasyonu için öngörücü bir modeli entegre eder. Manjila derecelendirme sistemi, sagital görüntülemede kraniyokaudal yayılımı ve 3 × 3 ızgara tabanlı bir değerlendirme ile aksiyel şiddeti değerlendirmesi nedeniyle önemli bir lokoregiyonal referans olarak kabul edilmektedir; bu durum cerrahi planlamaya bilgi sağlayabilir ve dorsal, ventral ve çevresel epidural yağ dağılımı arasındaki ayrımı kolaylaştırabilir^14,15,16. Mevcut protokol, mevcut spinal epidural lipomatoz derecelendirme sistemlerinin yerini almak için tasarlanmamıştır; aksine, klinik olarak ilgili olduğunda aksiyel ve lokoregiyonal özellikleri belgelerken, DLS ile ilişkili kaymış seviyeler için odaklanmış bir iş akışı sunar. Bu yaklaşımın, DLS'li hastalarda standardize edilmiş görüntüleme değerlendirmesini ve bireyselleştirilmiş klinik risk tahminini desteklerken, epidural lipomatozin daha tekrarlanabilir bir değerlendirmesini teşvik etmesi amaçlanmaktadır.

Protokol

Bu MRI protokolü, özel bir 16 kanallı omurga yüzey bobini ile donatılmış 1,5 Tesla süper iletken bir tarayıcı için tasarlanmıştır. Protokol, eşdeğer donanıma sahip diğer 1,5 veya 3,0 T sistemlere uyarlanabilir. Tüm prosedürler Helsinki Deklarasyonu ile uyumlu olarak gerçekleştirilmiş ve Tianjin Union Medical Center Kurumsal İnceleme Kurulu tarafından onaylanmıştır (onay numarası: 2024-IRB-089).

1. Hasta Seçimi ve Klinik Değerlendirme

1. Hasta kayıtlarından önce Kurumsal İnceleme Kurulu ve Etik Kuruldan onay alın. İnsan katılımcıları içeren tüm prosedürlerin Helsinki Deklarasyonu'na uygun olduğundan emin olun. Onay numarasını (2024-IRB-089) tüm çalışma kayıtlarına belgeleyin.
   ​NOT: Çalışmanın tamamen kimliksizleştirilmiş mevcut klinik verileri ve görüntüleme veri setlerini kullandığı durumlarda, feragatnamenin kurumsal politikaya ve klinik verilerin ikincil kullanımını düzenleyen ulusal düzenlemelere uygun olması kaydıyla, bireysel bilgilendirilmiş onam gerekliliği kaldırılabilir. Feragatname için etik kuruldan açık onay alın. Hasta kaydına geçmeden önce etik onay alın.
2. Omurga cerrahisi bölümüne başvuran ve DLS tanısı kesinleşmiş ardışık hastaları tarayın. ≥3 mm veya vertebral gövde genişliğinin ≥%10'u oranında anterior vertebral kaymayı doğrulamak için ayakta lateral veya fleksiyon-ekstansiyon radyografilerini inceleyin.
   1. İntervertebral disk dejenerasyonu ve faset eklem hipertrofisi dahil olmak üzere ilgili seviyedeki dejeneratif değişiklikleri doğrulayın¹⁷. Lateral radyografilerde ve sagital MRG'de pars interarticularis defektinin olmadığını doğrulayın.
   2. Klinik değerlendirmeden sonraki 2 hafta içinde standart lomber MRG (sagital T1-ağırlıklı, sagital T2-ağırlıklı ve aksiyel T2-ağırlıklı sekanslar) çektirmiş 18–85 yaş arası hastaları kaydedin. Son 6 ay içinde spinal cerrahi veya epidural steroid enjeksiyonu uygulanmış hastaları hariç tutun.
   3. Ayakta lateral veya fleksiyon-ekstansiyon radyografilerde posterior vertebral gövde hattı yöntemini kullanarak anterior vertebral kaymayı ölçün. Kaudal vertebral gövdenin posterior korteksi boyunca dikey bir referans çizgisi çizin, ardından bu çizgiden kaymış kranial vertebranın posteroinferior köşesine olan dik mesafeyi ölçün. Yer değiştirmeyi milimetre cinsinden ve gerektiğinde kaudal vertebral gövdenin anteroposterior genişliğinin yüzdesi olarak kaydedin.
3. Dejeneratif olmayan spondilolistezisi olan (istmik, travmatik, patolojik, postoperatif veya hipoplastik L5 vertebral gövde ve L5–S1 psödolistezis gibi gelişimsel veya anatomik benzerleri), önceki yıl boyunca kümülatif olarak >3 ay glukokortikoid kullanan veya endojen hiperkortizolizmi (Cushing sendromu, adrenal adenom veya hipofizer adrenokortikotropik hormon salgılayan tümör) doğrulanmış hastaları hariç tutun.
   1. Son 6 ay içinde anabolik steroid veya testosteron replasman tedavisi alan hastaları hariç tutun. Grade II veya daha yüksek hareket artefaktı veya eksik lumbosakral kapsama dahil olmak üzere görüntü kalitesi yetersiz olan MRG incelemelerini hariç tutun.
   2. Şiddetli kardiyopulmoner veya renal yetmezliği olan (Amerikan Anesteziyologlar Derneği Fiziksel Durum Sınıfı IV–V), aktif enfeksiyonu olan veya MRG kontrendikasyonları bulunan hastaları hariç tutun.
      ​DİKKAT: Tarayıcıya girmeden önce tam MRG güvenlik taraması yapın. MRG ile uyumsuz implante cihazları olan hastaları hariç tutun.
   3. Hareket artefaktını dört seviyeli bir görüntü kalitesi ölçeği kullanarak derecelendirin: grade 0 = görünür artefakt yok; grade I = tanısal bozulma yaratmayan hafif artefakt; grade II = anatomik sınırları veya ölçüm işaretlerini kapatan orta dereceli artefakt; ve grade III = sekansı tanısal olmaktan çıkaran şiddetli artefakt. Sonuç sınıflandırması için gerekli herhangi bir sekansta grade II veya III artefakt bulunan incelemeleri hariç tutun veya incelemeyi çalışmaya dahil etmeden önce etkilenen sekansı tekrarlayın.
4. Klinik verileri, eğitimli iki araştırma asistanı tarafından doldurulan standardize bir REDCap veri toplama formu kullanarak elektronik sağlık kaydı (EMR) veritabanından ve Görüntü Arşivleme ve İletişim Sistemi'nden (PACS) çıkarın.
   1. Yaşı (yıl), cinsiyeti (erkek/kadın), vücut kitle indeksini (BMI; kg/m²) ve kaymış segmenti (L3, L4 veya L5) kaydedin.
   2. Semptom süresini, nörojenik kladikasyon varlığını ve önceki konservatif tedavileri kaydedin.
   3. Eğitimli iki araştırma asistanının klinik değişkenleri EMR ve PACS'tan bağımsız olarak mükerrer REDCap formlarına çıkarmasını sağlayın. Veri çıkarımından sonra iki formu karşılaştırın ve tutarsızlıkları kaynak kayıtlara bakarak çözün. Çözülemeyen tutarsızlıkları karar verilmesi için kıdemli bir araştırmacıya iletin.
   4. REDCap aralık ve tamlık kontrolleri sırasında eksik veya tamamlanmamış değişkenleri belirleyin. Eksik değerleri EMR, PACS ve orijinal görüntüleme raporlarına göre doğrulayın. Bir hastayı model geliştirmeden yalnızca gerekli bir belirleyici, sonuç değişkeni veya temel MRG sekansı geri getirilemediğinde hariç tutun. Gerekli model değişkenleri için istatistiksel imputasyon yapmayın.
5. Uygun hastaları, SPSS versiyon 27.0'da 42 rastgele tohumu (random seed) kullanarak 7:3 tahsis oranıyla modelleme kohortuna (n = 248) ve doğrulama kohortuna (n = 106) rastgele atayın.
   1. Modelleme kohortundaki hastaları, Adım 3'te açıklanan MRG yorumlama protokolünü takip eden, >10 yıl deneyime sahip iki kıdemli spinal radyoloğun konsensüs tanısına göre epidural lipomatoz ve lipomatoz olmayan gruplara sınıflandırın.
   2. SPSS versiyon 27.0'da rastgele tohumu 42 olarak ayarlayın, Transform > Compute Variable seçeneğini belirleyin ve RV.UNIFORM(0,1) kullanarak tekdüze bir rastgele değişken oluşturun. Vakaları bu değişkene göre artan sırada sıralayın, uygun vakaların ilk %70'ini modelleme kohortuna ve kalan %30'unu doğrulama kohortuna atayın ve tahsis değişkenini sonraki tüm analizler için değiştirilmeden saklayın.
   3. Tabakalı randomizasyon yerine basit rastgele tahsis kullanın. Kohort ataması sırasında temel demografik, radyografik veya MRG değişkenlerinin dengelenmesini zorlamayın.
   4. Rastgele tahsisten sonra, modelleme ve doğrulama kohortları arasındaki temel demografik, klinik, radyografik ve MRG değişkenlerini, uygun olduğu şekilde Student's t-testi veya ki-kare testi kullanarak karşılaştırın. Klinik olarak anlamlı bir dengesizlik tespit edilmediğinde tahsisi kabul edilebilir olarak değerlendirin ve kohort karşılaştırılabilirlik değerlendirmesini Tablo 1'de raporlayın.
      NOT: Kohort tahsisini tüm uygunluk kriterlerini doğruladıktan sonra tamamlayın.

Değişken	Modelleme Kohortu (n = 248)	Doğrulama Kohortu (n = 106)	t/χ2	P Değeri
Yaş (yıl)	67.87 ± 11.39	68.16 ± 11.93	0.216	0.829
Cinsiyet, n (%)			0.002	0.966
Erkek	96 (38.71)	42 (39.62)
Kadın	152 (61.29)	64 (60.38)
Vücut kitle indeksi (kg/m²)	24.88 ± 3.62	24.91 ± 3.48	0.077	0.939
Kaymış 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 evresi, n (%)			0.104	0.991
Evre II	18 (7.26)	8 (7.55)
Evre III	74 (29.84)	33 (31.13)
Evre IV	93 (37.50)	38 (35.85)
Evre V	63 (25.40)	27 (25.47)
Goutallier evresi, n (%)			3.022	0.388
Evre 1	78 (31.45)	27 (25.47)
Evre 2	86 (34.68)	33 (31.13)
Evre 3	52 (20.97)	28 (26.42)
Evre 4	32 (12.90)	18 (16.98)
Distal faset eklem açısı (°)	55.26 ± 6.42	55.18 ± 6.39	0.111	0.912
Distal faset eklem efüzyonu (mm)	0.94 ± 0.21	0.93 ± 0.20	0.444	0.657
Distal disk yüksekliği (mm)	9.16 ± 1.92	9.20 ± 1.88	0.193	0.847
Proksimal faset eklem açısı (°)	49.95 ± 6.03	50.03 ± 5.99	0.115	0.908
Proksimal faset eklem efüzyonu (mm)	0.84 ± 0.26	0.83 ± 0.25	0.237	0.813
Proksimal disk yüksekliği (mm)	8.05 ± 1.52	8.08 ± 1.50	0.156	0.876
Pelvik insidans (PI, °)	52.18 ± 7.94	52.35 ± 7.85	0.188	0.851
Pelvik tilt (PT, °)	24.35 ± 7.17	24.28 ± 7.23	0.080	0.936
Sakral eğim (SS, °)	44.91 ± 6.83	45.01 ± 6.79	0.129	0.898
Torakal kifoz (TK, °)	21.18 ± 7.67	21.25 ± 7.62	0.075	0.940

Tablo 1: Modelleme ve doğrulama kohortlarının başlangıç özellikleri. Sürekli değişkenler ortalama ± standart sapma (SD) şeklinde, kategorik değişkenler ise sayı (%) olarak sunulmuştur. Kohortlar arası karşılaştırılabilirliği değerlendirmek amacıyla; başlangıç demografik, klinik, radyografik ve manyetik rezonans görüntüleme özellikleri modelleme kohortu (n = 248) ve doğrulama kohortu (n = 106) arasında karşılaştırılmıştır. Kısaltmalar: BMI, vücut kitle indeksi; PI, pelvik insidans; PT, pelvik tilt; SS, sakral eğim; TK, torasik kifoz.

2. MRI Edinimi Protokolü

1. Standart bir anket kullanarak MRI güvenlik taraması gerçekleştirin. Gebelik, implante edilmiş elektronik cihazlar, ferromanyetik yabancı cisimler, klostrofobi ve gadolinyum bazlı kontrast maddelere karşı alerjik reaksiyon öyküsü dahil olmak üzere kontrendikasyonları belirleyin.
   1. Hastaya takılar, saatler, piercingler ve işitme cihazları dahil tüm metalik nesneleri çıkarması talimatını verin. Hastayı MRI masasına sırt üstü (supine) pozisyonda yerleştirin.
   2. Yaklaşık 20°–30°'lik bir fleksiyon sağlamak ve fizyolojik lomber lordozu azaltmak için dizlerin altına yumuşak bir yastık yerleştirin. T12'den S3'e kadar kapsama sağlamak için spinal koili L3 vertebral seviyesinde merkezleyerek yerleştirin.
   3. Koili ciltle doğrudan temas edecek şekilde sabitleyin ve gözle görülür hava boşluklarını giderin. Hasta hareketini minimize etmek için her iki yana köpük pedler yerleştirin ve MRI uyumlu bir acil çağrı cihazı sağlayın.
   4. İntravenöz gadolinyum bazlı kontrast maddeler uygulamayın. Tanısal iş akışı; kontrastsız sagital T1-ağırlıklı, sagital T2-ağırlıklı ve aksiyel T2-ağırlıklı sekansları kullanır.
2. TR = 8 ms, TE = 4 ms, kesit kalınlığı = 8 mm ve görüş alanı (FOV) = 400 mm × 400 mm olan bir gradient-echo sekansı kullanarak üç düzlemli bir scout (lokalizör) sekansı edinin.
   1. T12/L1'den sakruma kadar tüm lomber spinal kapsamanın tam olduğunu doğrulayın. Lumbosakral bileşke tamamen görüntülenmemişse hastayı yeniden konumlandırın.
3. TR = 500 ms, TE = 12 ms, görüş alanı = 280 × 280 mm, matris = 512 × 256, kesit kalınlığı = 4 mm, kesit aralığı = 0.4 mm ve NEX = 2 kullanarak sagital T1-ağırlıklı turbo spin-echo görüntüler edinin.
   1. Kesitleri spinöz proseslere paralel olarak planlayın. Soldan sağa tam kapsama sağlamak için en az 11 sagital kesit edinin.
      ​NOT: T1-ağırlıklı görüntüleme, adipoz dokunun çevre yapılara kıyasla doğal olarak yüksek sinyal yoğunluğu göstermesi nedeniyle epidural lipomatozun tanımlanmasında temel sekanstır. Seçilen akizisyon parametreleri, yeterli sinyal-gürültü oranı ve uzamsal çözünürlüğü korurken T1 ağırlığını maksimize eder. Tipik akizisyon süresi yaklaşık 3–4 dk'dır.
   2. Protokolü eşdeğer bir 1.5 veya 3.0 T platformuna uyarlarken; gerekli anatomik kapsamayı, sekans tipini, kesit oryantasyonunu, kesit kalınlığını, kesitler arası boşluğu ve tanısal düzlemleri koruyun. Epidural yağ, tekal kese sınırları ve kayma seviyesi anatomisi tanısal yorumlama için net bir şekilde görünür kaldığı sürece; görüş alanını, matrisi, eksitasyon sayısını, echo tren uzunluğunu ve paralel görüntüleme faktörünü gerektiği gibi optimize edin.
4. TR = 3,500-4,000 ms, TE = 100-120 ms, görüş alanı = 280 mm × 280 mm, matris = 512 × 256, kesit kalınlığı = 4 mm, kesit aralığı = 0.4 mm ve NEX = 2 kullanarak sagital T2-ağırlıklı turbo spin-echo görüntüler edinin.
   1. Doğrudan görüntü karşılaştırmasına izin vermek için kesit konumlandırmasını sagital T1-ağırlıklı akizisyon ile eşleştirin.
      ​NOT: T2-ağırlıklı görüntüleme; beyin omurilik sıvısının (BOS), tekal kesenin ve intervertebral disk morfolojisinin görselleştirmesini iyileştirerek tamamlayıcı anatomik bilgiler sağlar. Bu sekans ayrıca intervertebral disk dejenerasyonunun Pfirrmann derecelendirmesi için de kullanılır. Tipik akizisyon süresi yaklaşık 4–5 dk'dır.
5. TR = 4,000 ms, TE = 112 ms, görüş alanı = 180 mm × 180 mm, matris = 320 × 256, kesit kalınlığı = 4 mm, kesit aralığı = 0.4 mm ve NEX = 3 kullanarak L1/L2'den L5/S1'e kadar her bir lomber intervertebral disk seviyesinde aksiyel T2-ağırlıklı fast spin-echo görüntüler edinin.
   1. Aksiyel kesitleri her bir intervertebral disk boşluğuna paralel olarak planlayın. Tam anatomik kapsama sağlamak için kaymış segment boyunca 6-8 kesit edinin.
      ​NOT: Aksiyel T2-ağırlıklı görüntüleme, epidural yağ dağılımının ve tekal kese morfolojisinin değerlendirilmesine olanak tanır. Sagital T1-ağırlıklı, sagital T2-ağırlıklı ve aksiyel T2-ağırlıklı sekansların kombinasyonu, kapsamlı değerlendirme için tamamlayıcı anatomik bilgiler sağlar. Tüm lomber seviyeler için toplam akizisyon süresi yaklaşık 15–20 dk'dır. Hasta konumlandırma ve scout görüntüleme dahil olmak üzere tüm inceleme yaklaşık 30–35 dk sürer.
6. İncelemeyi sonlandırmadan önce görüntü kalitesini değerlendirin. Grade II veya daha yüksek hareket artefaktının olmadığını, lumbosakral bileşkenin tam olarak görselleştirildiğini, yeterli sinyal-gürültü oranının olduğunu ve belirgin wrap-around artefaktının bulunmadığını onaylayın.
   1. Görüntü kalitesi kriterlerini karşılamayan her türlü sekansı tekrarlayın. Tüm Digital Imaging and Communications in Medicine (DICOM) görüntülerini, metadata korunmuş şekilde PACS'a aktarın.
   2. Kabul edilebilir görüntü kalitesini; T12/L1'den sakruma kadar tam kapsama, posterior vertebral gövde kortekslerinin ve tekal kese sınırlarının net görselleştirilmesi, spinal kanala uzanan wrap-around artefaktının olmaması ve epidural yağı BOS'tan ve paraspinal kaslardan ayırt etmek için yeterli sinyal-gürültü oranı olarak tanımlayın. Bu kriterleri karşılamayan her sekansı tekrarlayın.
   3. Adım 1.3.3'te açıklanan dört seviyeli hareket artefaktı derecelendirme sistemini kullanın. Hastayı taburcu etmeden önce grade II veya III hareket artefaktı olan sekansları tekrarlayın veya tekrar görüntüleme yapılamıyorsa incelemeyi hariç tutun.
      NOT: Hastayı tarayıcıdan çıkarmadan önce görüntü kalitesini doğrulayın.

3. Epidural Lipomatoz için MRI Görüntü Yorumlama

NOT: Epidural lipomatozis, spinal epidural alan içindeki kapsülsüz olgun adipöz dokunun patolojik aşırı büyümesi olarak tanımlanır. DLS'de bu durum, spinal kanal stenozuna katkıda bulunur ve füzyon cerrahisi sırasında kombine dekompresyonu gerektirebilir. Doğru tanı, birden fazla görüntüleme sekansı ve düzleminde sistematik değerlendirme gerektirir.

1. Görüntü yorumlamasını, tıbbi sınıf diyagnostik monitörle (minimum 3 megapiksel; DICOM Bölüm 14 Gri Tonlamalı Standart Ekran Fonksiyonu) donatılmış özel bir PACS iş istasyonunda gerçekleştirin. Kontrollü ortam aydınlatmasını (≤50 lux) sağlayın.
   1. Komple MRI incelemesini yükleyin. Sagittal T1-ağırlıklı ve sagittal T2-ağırlıklı görüntüleri üst izleme penceresinde yan yana ve aksiyel T2-ağırlıklı görüntüleri, senkronize anatomik çapraz referanslama ile alt izleme penceresinde görüntüleyin.
   2. DICOM kalibrasyonlu ölçüm araçları ve senkronize sagittal-aksiyel çapraz referanslaması etkinleştirilmiş kurumsal PACS görüntüleyiciyi kullanın. Her okuma oturumu sırasında yan yana görüntü karşılaştırması için tutarlı pencere ve seviye ayarları uygulayın. PACS sağlayıcısını ve yazılım versiyonunu Malzemeler Tablosuna kaydedin.
2. Midsagittal T1-ağırlıklı görüntüde anterior vertebral yer değiştirmeyi gözlemleyerek kaymış vertebra seviyesini belirleyin. Altındaki vertebra gövdesinin posterior korteksi boyunca bir referans çizgisi çizin.
   1. Referans çizgisinden kaymış vertebranın posterior-inferior köşesine olan dik mesafeyi ölçün. Ölçülen yer değiştirmenin ≥3 mm veya vertebra gövdesi genişliğinin ≥%10 olduğundan emin olun.
      ​NOT: Kaymış seviyenin doğru lokalizasyonu esastır çünkü epidural lipomatozis, spesifik olarak vertebral kayma seviyesinde değerlendirilir.
   2. Vertebra kayması ölçümlerini, PACS iş istasyonundaki yerleşik kalibre edilmiş elektronik kumpas aracıyla gerçekleştirin. Ölçümden önce DICOM meta verilerinden piksel kalibrasyonunu doğrulayın ve tüm mesafeleri en yakın 0.1 mm değerine kaydedin.
3. Midsagittal T1-ağırlıklı görüntüde kaymış seviyedeki posterior epidural alanı inceleyin. Anteriorla tekal kesesi ve posteriorla ligamentum flavum veya spinöz proses arasında yer alan bant benzeri veya hilal şeklinde hiperintens bir sinyal belirleyin.
   1. Lezyon sinyal yoğunluğunu aynı görüntüdeki cilt altı yağ dokusuyla doğrudan karşılaştırın. Yağ baskılı sekanslar mevcutsa, lezyonun yağlı doğasını doğrulamak için sinyal baskılanmasını teyit edin.
      ​NOT: Epidural lipomatozisi, subakut epidural hematom ve proteinöz sıvı koleksiyonları dahil diğer T1-hiperintens epidural lezyonlardan ayırt edin. Epidural lipomatozisi, yalnızca lezyon cilt altı yağ ile özdeş sinyal özellikleri gösterdiğinde ve epidural alana uyum sağladığında onaylayın.
   2. Birincil kaymış seviye tarama yöntemi olarak protokolde tanımlanan sagittal kriterleri kullanın ve pozitif veya şüpheli bulguları aksiyel T2-ağırlıklı görüntülerde çapraz referanslayın. Prospektif uygulama sırasında epidural yağ dağılımını, tekal kese deformasyonunu ve aksiyel epidural yağ-tekal kese oranı yaklaşımları ile lokorejyonel Manjila derecelendirme sistemi dahil olmak üzere yerleşik MRI tabanlı değerlendirme yöntemleriyle uyumluluğu belgeleyin. Model geliştirme için kullanılan retrospektif kohortta, bu yerleşik derecelendirme sistemleri bağımsız referans standartları olarak uygulanmamış ve orijinal ikili sonuç retrospektif olarak yeniden sınıflandırılmamıştır.
4. Epidural yağ birikiminin kraniyokaudal boyutunu PACS iş istasyonundaki elektronik kumpaslar kullanarak ölçün. Kumpasları, bitişik epidural yağ birikiminin süperior ve inferior kenarlarına yerleştirin ve maksimum ölçümü kaydedin.
   1. Kraniyokaudal boyutun aynı sagittal planda ≥5 mm olduğundan emin olun. En az iki komşu sagittal kesitteki görünürlüğü yalnızca mediolateral sürekliliği doğrulamak ve parsiyel hacim artefaktlarını azaltmak için kullanın; kraniyokaudal boyutu tahmin etmek için komşu sagittal kesitleri kullanmayın.
   2. Sinyal özelliklerini değerlendirmek için lezyonu sagittal T2-ağırlıklı görüntülerde çapraz referanslayın. Çevresel epidural yağ dağılımını ve tekal kesenin anterior-posterior daralmasını değerlendirmek için ilgili aksiyel T2-ağırlıklı görüntüleri inceleyin.
      ​NOT: Bu protokolde operasyonel kaymış seviye tarama eşiği olarak ≥5 mm kraniyokaudal boyut kullanın. Tekal kese anteroposterior çapını ve aksiyel görüntülerdeki kesit alanını sürekli doğrulama ölçümleri olarak kaydedin. Mevcut retrospektif kohortta sabit aksiyel kesme değerlerini bağımsız referans standartları olarak kullanmayın.
   3. Yağ sinyali yalnızca tek bir sagittal kesitte görünürse, aksiyel görüntüler karşılık gelen epidural yağ birikimini göstermedikçe ve aynı plandaki kraniyokaudal boyut ≥5 mm olarak kalmadıkça bulguyu belirsiz olarak sınıflandırın. Bu kriter, birincil kraniyokaudal ölçümü destekleyici mediolateral süreklilik değerlendirmesinden ayırır.
   4. Kaymış seviyede maksimal kompresyonun görüldüğü aksiyel T2-ağırlıklı görüntüde, dural kesenin anterior kenarından posterior kenarına olan mesafeyi ölçerek tekal kesenin anteroposterior çapını ölçün. PACS ilgi alanı (ROI) aracını veya ImageJ poligon seçim aracını kullanarak iç dural sınırı izleyerek kesit alanını ölçün ve alanı mm² cinsinden kaydedin.
   5. Sagittal boyutu ve aksiyel şiddeti Manjila derecelendirme çerçevesiyle nitel olarak karşılaştırın. Bu DLS odaklı protokolde, çalışma son noktası tahmin modeli içindeki kaymış seviye epidural lipomatozis varlığı olduğundan, Manjila derecelendirme sistemini birincil sonuç tanımı olarak değil, belgeleme için lokorejyonel bir referans olarak kullanın.
5. Kohort sınıflandırması için kullanılan orijinal dört kaymış seviye kriterini uygulayın: (1) kaymış seviyedeki posterior epidural alanda bant benzeri veya hilal şeklinde T1-hiperintens sinyal; (2) cilt altı yağ ile özdeş sinyal yoğunluğu; (3) aynı sagittal planda ≥5 mm kraniyokaudal boyut ve (4) komşu sagittal kesitlerde tekrarlanabilirlik. Prospektif klinik uygulama için yalnızca sagittal kriterlere güvenmeyin. Aksiyel görüntülerde karşılık gelen epidural yağ birikimini ve tekal kese kontur deformitesini doğrulayın ve yağ dağılımının dorsal, ventral veya çevresel olup olmadığını belgeleyin.
   1. Tekal kesenin anteroposterior çapı ve kesit alanı dahil aksiyel kantitatif bulguları, epidural yağ-tekal kese oranı tabanlı değerlendirme yöntemleri ve Manjila lokorejyonel derecelendirme sistemi ile nitel uyumlulukla birlikte kaydedin.
      NOT: Orijinal çalışma, yerleşik bir MRI referans standardı kullanan bir diyagnostik doğruluk çalışması olarak tasarlanmamıştır ve orijinal DICOM görüntüler makale revizyonu sırasında yeniden analiz edilmemiştir. Bu nedenle hassasiyet, özgüllük ve yöntemler arası uyum yeniden hesaplanmamıştır. Bu ek aksiyel tanımlayıcılar, prospektif klinik uygulamayı desteklemek amaçlıdır ve orijinal çalışma sonucunu veya tahmin modelini değiştirmez.
6. Tüm incelemelerin iki kıdemli spinal radyolog (≥10 yıl deneyimli) tarafından bağımsız olarak yorumlanmasını sağlayın. Her bir diyagnostik kriterin varlığını veya yokluğunu, kaymış vertebra seviyesini, maksimum kraniyokaudal boyutu (mm) ve genel tanıyı belgeleyen standartlaştırılmış yapılandırılmış bir raporlama formunu doldurun.
   1. Anlaşmazlıkları, başlangıç değerlendirmelerine kör olan üçüncü bir kıdemli spinal radyologla (>15 yıl deneyimli) konsensüs yoluyla çözün. Gözlemciler arası uyumu Cohen’s kappa istatistiğini kullanarak hesaplayın.
   2. Kaymış seviyeyi, epidural yağ dağılımını (dorsal, ventral veya çevresel), maksimum kraniyokaudal boyutu, aynı plandaki sagittal ölçümü, komşu kesit görünürlüğünü, aksiyel doğrulamayı, tekal kese çapını, tekal kese kesit alanını, nihai tanıyı ve okuyucu güvenini belgelemek için yapılandırılmış bir raporlama formu kullanın. Resmi görüntü yorumlamasından önce, tüm gözlemcileri negatif, sınırda ve pozitif incelemeleri içeren 20 temsili eğitim vakasıyla kalibre edin.
      NOT: İstatistiksel analize geçmeden önce tüm konsensüs yorumlamalarını tamamlayın.

4. İntervertebral Disk Dejenerasyon Değerlendirmesi

1. Kaymış segmentteki sagital T2-ağırlıklı MRI görüntülerini inceleyin. Tüm sagital kesitlerde ilerleyerek nucleus pulposus'un en net şekilde görüntülendiği kareyi seçin.
   1. İntervertebral disk dejenerasyonunu Pfirrmann derecelendirme sistemini¹⁸ kullanarak derecelendirin. BOS ile özdeş homojen hiperintense sinyale, normal disk yüksekliğine ve net bir nucleus-annulus ayrımına sahip disklere Evre I atayın.
   2. Yatay düşük sinyalli bantlar içeren inhomojen hiperintense sinyale, korunmuş disk yüksekliğine ve net bir nucleus-annulus ayrımına sahip disklere Evre II atayın. Orta derece gri sinyale, belirsiz bir nucleus-annulus sınırına ve normal veya hafif azalmış disk yüksekliğine sahip disklere Evre III atayın.
   3. İnhomojen hipointense koyu gri sinyale, nucleus-annulus ayrımının tamamen kaybına ve orta ile şiddetli derecede azalmış disk yüksekliğine sahip disklere Evre IV atayın. İnhomojen hipointense sinyale, çökmüş disk boşluğuna, nucleus-annulus ayrımının tamamen kaybına ve belirgin disk boşluğu daralmasına sahip disklere Evre V atayın.
2. Kas-iskelet sistemi görüntüleme alanında ≥5 yıl deneyime sahip, kurul onaylı iki radyoloğun Pfirrmann derecelerini bağımsız olarak belirlemesini sağlayın. Değerlendirilen her disk için atanan dereceyi kaydedin.
   1. Derecelendirme farklılıklarını, üçüncü bir kurul onaylı radyolog tarafından yapılacak hakemlik yoluyla çözün. Gözlemciler arası uyumu, ağırlıklı Cohen kappa istatistiğini kullanarak hesaplayın.
   2. Bağımsız Pfirrmann derecelendirmesi sırasında radyologların; klinik semptomlar, tedavi geçmişi, epidural lipomatozis durumu, tahmin modeli değişkenleri ve birbirlerinin değerlendirmeleri hakkında bilgi sahibi olmamalarını (körleme) sağlayın.
   3. Pfirrmann derecelendirmesini, Adım 3.1'de açıklanan tanı kalitesindeki monitörleri ve standart görüntüleme koşullarını kullanarak gerçekleştirin.
      NOT: Paraspinal kas yağ infiltrasyonu değerlendirmesine geçmeden önce konsensüs derecelendirmesini tamamlayın.

5. Paraspinal Kas Yağlı İnfiltrasyon Değerlendirmesi

1. Kaymış intervertebral diskin orta noktasındaki aksiyel T2-ağırlıklı hızlı spin-eko görüntülerini inceleyin. Spinöz çıkıntı ve laminanın hemen lateralindeki derin paraspinal kaslar olan multifidus kaslarını bilateral olarak tanımlayın.
   1. Baskın vertebral kaymanın tarafını belirlemek için sagital görüntüleri inceleyin. Değerlendirme için ilgili taraftaki multifidus kasını seçin.
   2. Yağlı kas dejenerasyonunun orijinal sınıflandırmasından ve lumbar multifidus üzerindeki önceki uygulamalardan türetilmiş, omurgaya uyarlanmış bir Goutallier derecelendirme yaklaşımı kullanın^19,20Homojen düşük sinyal yoğunluğu sergileyen, yağlı çizgilenmelerin tamamen yok olduğu ve kas kütlesinin iyi korunduğu kaslara Evre 0 atayın. Küçük lineer yüksek sinyalli yağlı çizgilenmeler içeren kaslara Evre 1 atayın. <kesit alanının %5'i.
   3. Kesit alanının %5-50'sini kapsayan, açıkça görülebilir yağ infiltrasyonu gösteren kaslara Grade 2 atayın. Rezidüel kas dokusu ile birlikte ≥%50 yağ infiltrasyonu gösteren kaslara Grade 3 atayın.
   4. Tüm kesit alanının, ayırt edilebilir kas dokusu olmaksızın tamamen yağ ile yer değiştirdiği kaslara Derece 4 atayın. İstatistiksel analiz için sonuçları Derece 0-2 ve Derece 3-4 şeklinde ikiye ayırın.
      ​NOT: Multifidus, paraspinal kasların en büyüğü ve en medyalidir ve lomber segmentin birincil dinamik stabilize edicisi olarak görev yapar. Şiddetli yağ infiltrasyonu (Evre 3-4), önemli düzeyde yağlı değişimi olduğunu gösterir ve yağın kas kesit alanının yaklaşık yarısını veya daha fazlasını kapladığı bir eşiği yansıttığı için modellemede klinik olarak şiddetli kategori olarak ele alınır.
   5. Orijinal Goutallier derecelendirme sisteminin, aksiyel MRG üzerinden lumbar multifidus değerlendirmesi için uyarlandığını belirtiniz. Model karmaşıklığını azaltırken tahmin modelinde değişken başına olay oranını yeterli düzeyde tutmak amacıyla, yokluktan orta dereceye kadar olan yağlı infiltrasyonu, şiddetli yağlı yer değiştirmeden ayırmak için 0–2. Dereceler ve 3–4. Dereceler şeklinde dikotomize ediniz. Bu protokolde kullanılan yüzde eşiklerini, orijinal omuz bilgisayarlı tomografi Goutallier sınıflamasının birebir reprodüksiyonu olarak değil, MRG tabanlı operasyonel kriterler olarak değerlendiriniz.
   6. Asimetrik vertebral translasyon, rotasyonel deplasman veya daha belirgin lateral reses daralması açısından aksiyel ve sagital görüntüleri inceleyerek baskın vertebral kayma tarafını belirleyin. Herhangi bir taraf baskın değilse, daha fazla multifidus yağlı infiltrasyonu gösteren tarafı değerlendirin. Her iki taraf simetrikse, sağ multifidus kasını değerlendirin ve bu kararı belgeleyin.
2. Aksiyel T2-ağırlıklı hızlı spin-eko DICOM görüntüsünü PACS'tan dışa aktarın. Görüntüyü ImageJ yazılımında (versiyon 1.53t) açın.
   1. Poligon seçim aracını seçin ve hedef multifidus kasının fasiyal sınırlarını takip edin. Fasiyal sınırı, kası çevreleyen ince koyu çizgi olarak tanımlayın.
   2. Görüntüyü Aç > Ayarlayın > Eşik. Alt eşiği 120 keyfi birim, üst eşiği ise maksimum piksel değeri olarak ayarlayın.
   3. Yağlı bölgelerin tanımlamasını doğrulamak için görüntüleme rengi olarak Kırmızı'yı seçin. İkili maskeyi oluşturmak için Uygula'ya tıklayın.
   4. 120 keyfi birimlik eşik değerini, evrensel bir eşik olarak değil, tarayıcıya ve sekansa özgü bir başlangıç noktası olarak kullanın. Tarayıcı platformu, radyo frekans bobini, manyetik alan şiddeti veya görüntüleme parametreleri, türetim protokolünde kullanılanlardan farklı olduğunda, eşiği temsili lokal görüntüler kullanarak yeniden kalibre edin.
   5. Eşik değerini, tüm görüntüleme sistemleri için histolojik olarak doğrulanmış şeklinde yorumlamayın. Bu değeri, tekrarlanabilir bir görüntü işleme yardımcısı olarak kullanın ve kantitatif ölçümler yapmadan önce her bir ikili maskeyi orijinal aksiyel T2-ağırlıklı görüntüye göre görsel olarak doğrulayın.
3. Analyze'ı Aç > ImageJ'de ölçüm yapın. Ölçümü gerçekleştirmeden önce Area (Alan), Area Fraction (Alan Fraksiyonu), Limit to Threshold (Eşikle Sınırla) ve Display Label (Etiketi Görüntüle) seçeneklerini etkinleştirin.
   1. %Alan değerini, kantitatif intramüsküler yağ yüzdesi olarak kaydedin.
   2. Ölçümü, aynı operatör tarafından en az 24 saatlik bir aralıkla tekrarlayın. Operatör içi güvenilirliği değerlendirmek için sınıf içi korelasyon katsayısını (ICC) hesaplayın.
      ​NOT: Bir ICC >0,90 değeri, mükemmel operatör içi güvenilirliğe işaret etmektedir.
   3. Tekrarlayan ölçümler sırasında, orijinal değeri kilitli bir REDCap alanında saklayarak ve DICOM görüntüsünü en az 24 saatlik bir aradan sonra yeni bir ölçüm oturumu olarak yeniden açarak operatörün ilk ölçümden habersiz olmasını sağlayın.
4. Kurul onaylı iki radyolog, Goutallier derecelerini birbirinden bağımsız olarak atamalı ve ImageJ tabanlı kantitatif ölçümleri gerçekleştirmelidir. Çalışma değerlendirmelerinden önce, bir referans görüntü seti kullanılarak standartlaştırılmış eğitim sağlanmalıdır.
   1. Anlaşmazlıklar, üçüncü bir kıdemli kas-iskelet sistemi radyoloğu ile konsensüs sağlanarak çözülür. Goutallier sınıflandırması için Cohen’s kappa, kantitatif yağ yüzdesi için ise sınıf içi korelasyon katsayısı hesaplanır.
   2. Çalışma değerlendirmesi öncesinde; minimal, hafif, orta ve şiddetli yağlı infiltrasyonu temsil eden beşer vakadan oluşan 20 vakalık bir eğitim veri seti kullanın. Bağımsız görüntü derecelendirmesi başlamadan önce referans görüntülerin, ilgi alanı (ROI) yerleşiminin, eşik ayarlarının ve tutarsızlıkların giderilmesine yönelik prosedürlerin gözden geçirileceği bir kalibrasyon oturumu gerçekleştirin.
      NOT: Gözlemciler arası Cohen kappa katsayısı 0,70'in veya sınıf içi korelasyon katsayısı 0,85'in altına düşerse, analize devam etmeden önce bir yeniden kalibrasyon oturumu gerçekleştirin.

6. Risk Öngörü Modeli Geliştirme ve Uygulama

1. Tüm çalışma değişkenlerini REDCap kullanarak yapılandırılmış bir veri setinde derleyin. Sonuç değişkenini ikili olarak tanımlayın: 1 = epidural lipomatoz mevcut (Adım 3.5'teki dört tanı kriterinin tamamı karşılanmış) ve 0 = epidural lipomatoz yok.
   1. Öngördürücü değişkenleri şu şekilde kodlayın: yaş (yıl); cinsiyet (0 = erkek, 1 = kadın); BMI (kg/m²); kaymış segment (0 = L3/L4, 1 = L5); ve Goutallier evresi (0 = Evre 0–2; 1 = ağır yağlı infiltrasyonu temsil eden Evre 3–4). Raporlama için, yaşın etkisi her 10 yıllık artış başına ve BMI'nın etkisi her 5 kg/m² artış başına ifade edin. Hasta başı tahmin denkleminde, raporlanan artış tabanlı katsayılarla cebirsel olarak eşdeğer olan ham birim katsayılarını kullanın.
   2. Eksik değerleri belirleyerek, aykırı değerleri doğrulayarak ve tüm değişkenlerin beklenen aralıklarda olduğunu teyit ederek veri temizleme işlemini gerçekleştirin.
   3. Kaynak kayıtları doğruladıktan sonra, gerekli sonuç veya öngördürücü değişkenleri eksik olan hastaları hariç tutun. Sürekli değişkenleri aralık kontrolleri ve saçılım grafikleri kullanarak inceleyin, doğrulanan veri giriş hatalarını kaynak kayıtlara göre düzeltin, biyolojik olarak makul aykırı değerleri tutun ve gerekli model değişkenleri için atama (imputation) yapmayın.
2. SPSS versiyon 27.0'ı açın ve tekrarlanabilirliği sağlamak için rastgele tohumu (random seed) 42 olarak ayarlayın. Sürekli değişkenler için Student’s t-testi ve kategorik değişkenler için ki-kare testi kullanarak tek değişkenli tarama yapın.
   1. Çok değişkenli analiz için P < 0.05 olan değişkenleri seçin. Akaike Bilgi Kriteri (AIC) minimizasyonuna dayalı geri adım adım eleme (backward stepwise elimination) kullanarak çok değişkenli ikili lojistik regresyon modeli kurun.
   2. Model uyum iyiliğini Hosmer-Lemeshow testi ile değerlendirin. Tutulan tüm öngördürücüler için varyans şişme faktörünü (VIF) hesaplayın ve tüm VIF değerlerinin <5 olduğunu teyit edin.
   3. Regresyon katsayılarını üstelleyerek %95 güven aralıkları (CI) ile birlikte düzeltilmiş olasılık oranlarını (OR) elde edin. Etki büyüklüklerini görselleştirmek için R'daki forestplot paketini kullanarak bir orman grafiği oluşturun (Şekil 1). Yaşın etkisini her 10 yıllık artış başına ve BMI'nın etkisini her 5 kg/m² artış başına raporlayın.
   4. Bu tek merkezli veri seti için keşifsel bir model kurma stratejisi olarak tek değişkenli taramayı ve ardından geri adım adım seçimi kullanın. Adım adım seçim kararsız katsayı tahminleri ve iyimser model performansı üretebileceği için final modeli hipotez üreten bir klinik karar destek aracı olarak yorumlayın. Klinik uygulamadan önce model performansını harici doğrulama ile teyit edin.
   5. Temizlenmiş SPSS veri setini, değişken etiketleri kaldırılmış ve kodlamaları korunmuş şekilde virgülle ayrılmış değerler (.csv) dosyası olarak dışa aktarın. R versiyon 4.3.1'de forestplot paketini kullanarak orman grafiğini oluşturun. Çizimden önce R'daki değişken kodlamasının SPSS kodlama sözlüğüyle eşleştiğini teyit edin.
3. Modelleme kohortu için alıcı işletim karakteristik eğrisinin altında kalan alanı (AUC) hesaplayarak model ayırt ediciliğini değerlendirin. Standart hatayı DeLong testi kullanarak tahmin edin.
   1. Hem modelleme hem de doğrulama kohortlarında, gruplandırılmış öngörülen risk aralıkları boyunca tahmin edilen ve gözlemlenen olasılıkları karşılaştıran kalibrasyon grafikleri kullanarak model kalibrasyonunu değerlendirin (Şekil 2). Öngörülen riskin uç noktalarında daha az gözlem mevcut olduğu için doğrulama kohortu kalibrasyon eğrisini dikkatle yorumlayın.
   2. R versiyon 4.3.1'de rmda paketi (versiyon 1.6) kullanarak karar eğrisi analizi yapın. Tahmin modelini, bir dizi eşik olasılığı boyunca "herkesi tedavi et" (treat-all) ve "hiç kimseyi tedavi etme" (treat-none) stratejileriyle karşılaştırın (Şekil 3).
   3. Final modeli, ayrılmış dahili doğrulama kohortu (n = 106) kullanarak doğrulayın. Doğrulama AUC değerini, kalibrasyon grafiğini ve karar eğrisini betimsel olarak raporlayın. Modelleme ve doğrulama kohortları arasındaki uyumu, harici geçerlilik kanıtı olarak değil, dahili tutarlılığın bir kanıtı olarak yorumlayın.
   4. Alıcı işletim karakteristik analizi, kalibrasyon çizimi ve karar eğrisi analizini R versiyon 4.3.1'de gerçekleştirin. R scriptlerini, paket versiyonlarını, giriş veri setini, kodlama sözlüğünü ve çıktı şekillerini istatistiksel analiz kaydıyla birlikte arşivleyin.
   5. AUC farkı ≤0.05 veya 0.8–1.2 arası kalibrasyon eğimi gibi sabit eşikleri resmi doğrulama kriterleri olarak kullanmayın. Bu değerleri dahili model stabilitesinin göstergeleri olarak betimsel şekilde raporlayın ve geniş klinik uygulama öncesinde çok merkezli harici doğrulamanın gerekli olduğunu belirtin.
      NOT: Modeli harici klinik veri setlerine uygulamadan önce dahili doğrulamayı tamamlayın.
4. DLS olan yeni bir hasta için beş öngördürücü değişkeni toplayın: yaş (yıl), cinsiyet, BMI (kg/m²), kaymış segment (L3/L4 veya L5) ve kayma seviyesindeki multifidus Goutallier evresi.
   1. Ham klinik birimlerle ifade edilen lojistik regresyon denklemini kullanarak öngörülen olasılığı hesaplayın:
      
      Burada, z = -5.521 + (0.0412 × yaş) + (0.856 × cinsiyet) + (0.1256 × BMI) + (1.326 × kaymış segment) + (1.158 × Goutallier evresi) . Yaşı yıl olarak girin; cinsiyeti 0 = erkek ve 1 = kadın olarak kodlayın; BMI'yı kg/m² olarak girin; kaymış segmenti 0 = L3/L4 ve 1 = L5 olarak kodlayın; ve Goutallier evresini 0 = Evre 0–2 ve 1 = Evre 3–4 olarak kodlayın. Yaş ve BMI için ham birim katsayıları, sırasıyla 10 yıllık ve 5 kg/m² artışlar üzerinden ifade edilen katsayılarla cebirsel olarak eşdeğerdir.
   2. Öngörülen olasılığı şu şekilde betimsel olarak yorumlayın: <20% düşük tahmin edilen olasılığı, %20–50 orta düzeyde tahmin edilen olasılığı ve >50% yüksek epidural lipomatoz tahmin edilen olasılığını gösterir. Bu kategorileri tedavi seçimi yerine risk iletişimi ve iş akışı önceliklendirmesi için kullanın.
      NOT: Tahmin modelini yalnızca bir klinik karar destek aracı olarak kullanın. Modeli klinik yargının veya radyolojik yorumun yerine koymayın. Modeli, ek doğrulama yapmadan istmik spondilolistezis, postoperatif spinal durumlar veya steroid kaynaklı epidural lipomatozlu hastalar dahil olmak üzere türetme kohortu dışındaki popülasyonlara uygulamayın.
   3. Ham yaş ve BMI değerlerini doğrudan tahmin denklemine girin. Yaş ve BMI katsayılarının cebirsel olarak yeniden ölçeklendirilmesi yalnızca denklemin sunumunu değiştirir; öngörülen olasılıkları, olasılık oranlarını, alıcı işletim karakteristik eğrilerini, kalibrasyon grafiklerini veya karar eğrisi analizi sonuçlarını değiştirmez.
   4. Olasılık oranlarını tutarlı bir şekilde şu şekilde raporlayın: yaş her 10 yıllık artış başına; BMI her 5 kg/m² artış başına; cinsiyet kadın karşı erkek; kaymış segment L5 karşı L3/L4; ve Goutallier evresi Evre 3–4 karşı Evre 0–2.
   5. Düşük, orta ve yüksek olasılık kategorilerini, model tarafından öngörülen olasılık dağılımından ve karar eğrisi analizinden türetilmiş pragmatik klinik iletişim grupları olarak kullanın. Optimal karar eşiklerini belirlemek için prospektif harici doğrulama gerektiğinden, bu kategorileri doğrulanmış tedavi eşikleri olarak yorumlamayın.

Şekil 1. Dejeneratif lumbar spondilolistezisli hastalarda epidural lipomatozun bağımsız öngördürücülerinin forest plot grafiği. Çok değişkenli binomyal lojistik regresyon ile belirlenen beş bağımsız öngördürücü için düzeltilmiş odds oranlarını (OR) ve %95 güven aralıklarını (CI) gösteren forest plot grafiği. Kırmızı kareler düzeltilmiş OR'ları, yatay mavi çizgiler ilgili %95 CI'ları ve dikey kesikli çizgi etkisiz değeri (OR = 1) göstermektedir. Yaşın etkisi her 10 yıllık artış için, vücut kitle indeksinin (BMI) etkisi ise her 5 kg/m² artış için raporlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 2. Lojistik regresyon tahmin modelinin kalibrasyon eğrileri. (A) Modelleme kohortu için kalibrasyon eğrisi (n = 248). (B) Doğrulama kohortu için kalibrasyon eğrisi (n = 106). x-ekseni epidural lipomatozun tahmin edilen olasılığını, y-ekseni ise gözlemlenen frekansı temsil eder. Düz siyah diyagonal çizgi ideal kalibrasyonu, sembollü renkli çizgiler görünür model performansını ve gölgeli bölgeler %95 güven aralıklarını (C.I.) belirtir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 3. Tahmin modelinin alıcı işletim karakteristik eğrisi ve karar eğrisi analizi. (A) Modelleme kohortu (eğri altındaki alan [AUC] = 0.834) ve doğrulama kohortu (AUC = 0.815) için alıcı işletim karakteristik (ROC) eğrileri. Gri diyagonal çizgi, ayırıcı özelliği olmayan bir sınıflandırıcı için referans çizgiyi temsil eder. (B) Eşik olasılıklar boyunca tahmin modelinin net faydasını gösteren karar eğrisi analizi. Kırmızı düz çizgi modelleme kohortunu, mavi kesikli çizgi doğrulama kohortunu, siyah çizgi-nokta çizgi tümünü tedavi et stratejisini ve gri noktalı çizgi hiçbirini tedavi etme stratejisini temsil eder. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Sonuçlar

Protokol, ardışık 354 DLS hastasına uygulanmıştır. Rastgele atama sonucunda bir modelleme kohortu (n = 248) ve bir doğrulama kohortu (n = 106) oluşturulmuştur. Temel demografik, klinik, radyografik ve MRI özelliklerinin karşılaştırılması, kohortlar arasında istatistiksel olarak anlamlı bir fark olmadığını göstermiş olup, bu durum sonraki model geliştirme ve dahili doğrulama süreçleri için karşılaştırılabilir hasta dağılımlarına işaret etmektedir (Tablo 1).

Modelleme kohortu içerisinde, standartlaştırılmış MRI protokolüne göre 87 hasta epidural lipomatoz olarak ve 161 hasta epidural lipomatoz olmayanlar olarak sınıflandırılmıştır. Tek değişkenli analiz; yaş (P = 0.014), BMI (P < 0.001), kaymış segment (P = 0.010) ve Goutallier evresi (P = 0.024) açısından gruplar arasında farklar olduğunu göstermiştir. Kadın cinsiyeti nominal anlamlılık eşiğindeydi (P = 0.050). Pfirrmann evresi veya geri kalan spinopelvik ve faset eklem parametreleri için istatistiksel olarak anlamlı bir fark gözlemlenmemiştir (Tablo 2).

Değişken	Lipomatoz Grubu (n = 87)	Non-lipomatoz Grubu (n = 161)	t/χ2	P Değeri
Yaş (yıl)	70.28 ± 10.84	66.57 ± 11.50	2.47	0.014
Cinsiyet, n (%)			3.844	0.05
Erkek	26 (29.89)	70 (43.48)
Kadın	61 (70.11)	91 (56.52)
Vücut kütle indeksi (kg/m²)	26.84 ± 3.68	23.82 ± 3.12	6.815	<0.001
Kaymış 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 evresi, n (%)			0.99	0.804
Evre II	5 (5.75)	13 (8.07)
Evre III	24 (27.59)	50 (31.06)
Evre IV	34 (39.08)	59 (36.65)
Evre V	24 (27.59)	39 (24.22)
Goutallier evresi, n (%)			9.446	0.024
Evre 1	22 (25.29)	56 (34.78)
Evre 2	26 (29.89)	60 (37.27)
Evre 3	21 (24.14)	31 (19.25)
Evre 4	18 (20.69)	14 (8.70)
Distal faset eklem açısı (°)	55.38 ± 6.52	55.20 ± 6.39	0.208	0.835
Distal faset eklem efüzyonu (mm)	0.96 ± 0.22	0.93 ± 0.20	1.091	0.277
Distal disk yüksekliği (mm)	9.08 ± 1.96	9.20 ± 1.90	0.469	0.64
Proksimal faset eklem açısı (°)	49.82 ± 6.17	50.02 ± 5.97	0.252	0.802
Proksimal faset eklem efüzyonu (mm)	0.85 ± 0.27	0.83 ± 0.25	0.584	0.56
Proksimal disk yüksekliği (mm)	8.02 ± 1.56	8.07 ± 1.50	0.247	0.805
Pelvik insidans (PI, °)	52.46 ± 8.12	52.03 ± 7.86	0.404	0.687
Pelvik tilt (PT, °)	24.58 ± 7.33	24.22 ± 7.10	0.375	0.708
Sakral eğim (SS, °)	44.78 ± 6.91	44.98 ± 6.80	0.224	0.823
Torakal kifoz (TK, °)	21.08 ± 7.79	21.24 ± 7.62	0.158	0.875

Tablo 2: Modelleme kohortunda epidural lipomatoz ile ilişkili faktörlerin tek değişkenli analizi. Sürekli değişkenler ortalama ± standart sapma (SD) olarak, kategorik değişkenler ise sayı (%) olarak sunulmuştur. Çok değişkenli lojistik regresyon analizi için aday değişkenleri belirlemek amacıyla lipomatoz grubu (n = 87) ile lipomatoz olmayan grup (n = 161) arasında karşılaştırmalar yapılmıştır. Kısaltmalar: BMI, vücut kitle indeksi; PI, pelvik insidans; PT, pelvik tilt; SS, sakral eğim; TK, torakal kifoz.

Çok değişkenli binomlojistik regresyon analizi, epidural lipomatoz için beş bağımsız öngördürücü belirlemiştir: yaş (her 10 yıllık artış için odds oranı [OR] = 1,510), kadın cinsiyet (OR = 2,354), BMI (her 5 kg/m² artış için OR = 1,874), L5 kayma segmenti (OR = 3,766) ve Goutallier Evre 3–4 (OR = 3,184). Karşılık gelen regresyon katsayıları, standart hatalar, Wald istatistikleri, OR'ler ve %95 CI'lar Tablo 3'te özetlenmiştir. Seçilen öngördürücülerin göreceli etki büyüklükleri ve CI'ları forest plot ile gösterilmiştir (Şekil 1).

Değişken	β	SE	Wald χ²2	p Değeri	VEYA	%95 GA
Yaş	0.412	0.156	6.975	0.008	1.51	1.112-2.050
Cinsiyet (dişi)	0.856	0.368	5.408	0.02	2.354	1.144-4.842
Vücut kitle indeksi	0.628	0.184	11.648	0.001	1.874	1.307-2.688
Kaymış segment (L5)	1.326	0.342	15.034	<0.001	3.766	1.926-7.362
Goutallier evresi (Evre 3-4)	1.158	0.316	13.421	<0.001	3.184	1.714-5.915
Sabit	-5.521	1.248	19.574	<0.001	0.004	—

Tablo 3: Epidural lipomatozun bağımsız öngördürücülerinin çok değişkenli binom lojistik regresyon analizi. Sonuçlar, final çok değişkenli binom lojistik regresyon modelinde tutulan bağımsız öngördürücüler için regresyon katsayısı (β), standart hata (SE), Wald χ² istatistiği, odds oranı (OR) ve ilgili %95 güven aralığı (CI) olarak sunulmuştur. Bildirilen yaş katsayısı 10 yıllık bir artışa, bildirilen vücut kitle indeksi (BMI) katsayısı ise 5 kg/m² artışa karşılık gelmektedir. Ham klinik değerlerin doğrudan tahmin denklemine girilmesi için eşdeğer katsayılar, yaş başına yıllık 0,0412 ve BMI için kg/m² başına 0,1256'dır. Kısaltmalar: β, regresyon katsayısı; SE, standart hata; OR, odds oranı; CI, güven aralığı.

Kalibrasyon grafikleri, modelleme ve doğrulama kohortlarında tahmin edilen ve gözlemlenen olasılıklar arasında yaklaşık bir uyum olduğunu göstermiş olup, doğrulama kohortunda daha yüksek tahmin edilen olasılıklarda belirsizliğin arttığı görülmüştür (Şekil 2A,B).

Model ayırt ediciliği, alıcı işletim karakteristik analizi kullanılarak değerlendirilmiştir. Öngörücü model, modelleme kohortunda 0,834 ve doğrulama kohortunda 0,815 AUC değerlerine ulaşmıştır (Şekil 3A). Karar eğrisi analizi, seçilen eşik-olasılık aralıklarında, "tümünü tedavi et" ve "hiçbirini tedavi etme" stratejilerine kıyasla potansiyel net fayda olduğunu göstermiştir (Şekil 3B). Doğrulama kohortu tek bir kurumdan dahili olarak ayrıldığı için, bu bulgular dahili tutarlılığı göstermekte olup geniş çaplı harici genellenebilirlik kanıtı olarak yorumlanmamalıdır.

Bu çalışma sırasında oluşturulan ve analiz edilen veri setleri, makul bir talep üzerine sorumlu yazardan (R.T.) temin edilebilir. Hasta gizliliği ve kurumsal veri yönetişim politikaları nedeniyle, bireysel düzeydeki klinik ve görüntüleme verileri kamuya açık hale getirilemez. Kimliksizleştirilmiş özet veriler, regresyon katsayıları, tahmin denklemi, örnek bir kodlama sayfası ve istatistiksel analiz kodları; Tianjin Union Medical Center Kurumsal İnceleme Kurulu ve Etik Komitesi'nin onayı ve bir veri kullanım sözleşmesinin imzalanması şartıyla nitelikli araştırmacılarla paylaşılabilir.

Tartışma

Bu protokol; standartlaştırılmış MRI çekimini, yapılandırılmış görüntü yorumlamayı ve kantitatif risk modellemesini, DLS'li hastalarda epidural lipomatozun tanımlanması için bütüncül bir klinik karar destek aracında birleştirmektedir. İş akışı dört ardışık bileşenden oluşur: demografik ve antropometrik değişkenleri içeren sistematik hasta karakterizasyonu; epidural yağ görüntülemesi için optimize edilmiş standartlaştırılmış sagital T1-ağırlıklı MRI çekimi; önceden tanımlanmış tanı kriterlerini kullanarak epidural yağ birikiminin ve paraspinal kas yağlı infiltrasyonunun yapılandırılmış kalitatif değerlendirmesi; ve bireyselleştirilmiş olasılık tahminleri oluşturmak için çok değişkenli bir tahmin denkleminin uygulanması. Protokolün tekrarlanabilirliğini destekleyen kritik adımlar arasında; birincil tanı dizisi olarak sagital T1-ağırlıklı görüntülemenin kullanılması, tekrarlanabilir bir kaymış seviye epidural yağ birikimini tanımlamak için aynı düzlemde ≥5 mm kraniyokaudal yayılım eşiği, tekal kesedeki basının aksiyel doğrulaması, multifidus yağlı infiltrasyonunun sistematik omurgaya uyarlanmış Goutallier derecelendirmesi ve bu parametrelerin kantitatif bir risk skoruna entegrasyonu yer almaktadır.

Protokol, farklı klinik ortamlar ve görüntüleme platformlarına uyarlanabilir. 3.0 T sistemler için daha ince kesitler uygulanabilir; ancak, daha yüksek alan şiddetlerinde daha belirgin olabilen T1 shine-through artefaktlarını minimize etmek için eko süresi dikkatle ayarlanmalıdır. 1.5 T sistemler için standart akizisyon parametreleri yeterli diyagnostik kalite sağlar; eğer görüntü gürültüsü aşırıysa, eksitasyon sayısı 2'den 3'e çıkarılmalı veya 2'yi geçmeyen paralel görüntüleme hızlandırma faktörleri kullanılmalıdır. Dorsal dağılım yerine çevresel dağılım veya bant benzeri birikimler yerine yamalı birikimler dahil olmak üzere atipik yağ dağılım modellerinde, ≥5 mm kriterini aynı sagital plandaki en büyük sürekli veya yarı sürekli birikime uygulayın ve bulguyu aksiyal T2-ağırlıklı görüntülerde doğrulayın. Patolojik epidural lipomatoz ile fizyolojik epidural yağ arasında belirsizlik devam ederse, yağ birikimini aksiyal görüntülemedeki tekal kesenin anteroposterior çapı ve kesit alanı ile karşılaştırın. Bu protokolde, aksiyal kantitatif ölçümler, orijinal model sonucunu yeniden tanımlamak için bağımsız bir referans standardı olarak değil, doğrulamayı ve dokümantasyonu desteklemek amacıyla kullanılır. Goutallier evrelemesinde okuyucular arası değişkenliği minimize etmek için, ilgi alanı (ROI) yerleşimini kaymış intervertebral disk boşluğunun orta noktasındaki aksiyal kesitle standartlaştırın. İki bağımsız okuyucu arasındaki uyuşmazlıkları, üçüncü bir kıdemli okuyucu ile konsensus yoluyla çözün.

Birkaç metodolojik kısıtlılık göz önünde bulundurulmalıdır. İlk olarak, tanı, kantitatif volumetrik ölçümden ziyade MRI sinyal karakteristiklerinin ve kraniyokaudal yayılımın kalitatif görsel değerlendirmesine dayanmaktadır. Pratik ve yaygın olarak uygulanabilir olsa da bu yaklaşım, semptomatik şiddet ve cerrahi aciliyetle daha doğrudan korele olabilecek üç boyutlu epidural yağ hacmini yakalamamaktadır. Epidural yağ-tekal kese oranı tabanlı yöntemler ve Manjila lokorejyonel evreleme sistemi dahil olmak üzere yerleşik MRI derecelendirme yaklaşımları; aksiyal kanal daralması, sagittal yayılım ve dorsal, ventral veya çevresel yağ dağılımı hakkında tamamlayıcı bilgiler sağlar^13,14. Bu özellikler, spinal kanal geometrisi ve lateral reses anatomisinin diğer lomber seviyelerden farklı olduğu L5-S1 seviyesinde özellikle ilgili olabilir. Mevcut protokol, aksiyal kompresyonu ve yağ dağılımını prospektif olarak belgelemektedir ancak orijinal çalışma bir referans standart tanısal doğruluk çalışması olarak tasarlanmadığı için bu evreleme sistemlerini bağımsız referans standartlar olarak kullanmamaktadır. Sonuç olarak, sensitivite, spesifite ve yöntemler arası uyum yeniden hesaplanmamış, böylece orijinal çalışma sonucunun post hoc yeniden sınıflandırılmasından kaçınılmıştır. Dixon tabanlı yağ-su ayrımı ve volumetrik segmentasyon dahil olmak üzere gelişmiş kantitatif MRI teknikleri daha kesin yağ kantifikasyonu sağlayabilir ancak özel yazılımlar ve ek görüntüleme süresi gerektirir. İkinci olarak, Goutallier evreleme sistemi yarı-kantitatif kalmaya devam etmektedir ve gözlemciler arası değişkenliğe tabidir. Beş dereceli şema pratik bir klinik sınıflandırma sağlasa da, kaslarda ve epidural adipoz dokudaki inflamatuar sitokin ekspresyonuyla²¹ ve multifidus kasının değişmiş pasif mekanik özellikleriyle^22,23 ilişkilendirilen yağlı infiltrasyonun sürekli ölçümünü sağlamamaktadır. Bu çalışmada, Goutallier konseptinin omurgaya uyarlanmış bir uygulaması kullanılmış ve model yalınlığını korurken şiddetli olmayan yağlı replasman ile şiddetli olanı ayırt etmek için Grade 0-2, Grade 3-4'ten ayrı gruplandırılmıştır. Üçüncü olarak, öngörü modeli yalnızca klinik ve görüntüleme değişkenlerini içermekte olup, metabolik kaynaklı vakalarda öngörü performansını artırabilecek serum lipid profilleri, inflamatuar belirteçler veya adipokinler gibi biyokimyasal belirteçleri içermemektedir. Dördüncü olarak, tek değişkenli taramanın ardından basamaklı lojistik regresyon kullanımı, değişken seçme yanlılığına ve katsayı istikrarsızlığına yol açabilir; bu nedenle model, keşifsel ve yalnızca dahili olarak valide edilmiş olarak değerlendirilmelidir. Son olarak, geniş klinik uygulama öncesinde farklı klinik ortamlar, görüntüleme platformları ve hasta popülasyonları genelinde harici validasyon gereklidir. Validasyon tek bir kurum kohortu kullanılarak gerçekleştirildiği için, gelecekteki çok merkezli prospektif çalışmalar model performansını teyit etmeli ve klinik olarak yararlı olasılık eşikleri belirlemelidir.

Bu protokol, yapılandırılmamış klinik uygulamaya kıyasla çeşitli avantajlar sunmaktadır. Geleneksel uygulamalar, genellikle standart tanı kriterleri olmaksızın radyologların epidural lipomatozu tesadüfen fark etmesine dayanır ve bu da tutarsız tespitlere yol açar. Buna karşılık, bu protokol, okuyucular ve kurumlar arasında tutarlı bir şekilde uygulanabilecek açık tanı kriterleri ve yapılandırılmış bir yorum iş akışı sağlar. Gelişmiş görüntüleme veya invaziv tanı tekniklerini içeren daha karmaşık multimodal değerlendirme stratejileriyle karşılaştırıldığında, mevcut yaklaşım standart lomber MRI sekanslarını ve rutin olarak mevcut olan klinik verileri kullandığı için operasyonel olarak pratiktir. Temel katkısı, multifidus yağlı infiltrasyonunun omurgaya uyarlanmış Goutallier değerlendirmesinin, DLS ile ilişkili epidural lipomatoz için bir risk tahmin çerçevesine entegre edilmesidir. İntervertebral disk dejenerasyonunun değerlendirilmesi için Pfirrmann derecelendirme sistemi, pratik ve yaygın olarak kabul gören bir morfolojik MRI sınıflandırması olmayı sürdürmektedir¹⁸. Disk sertliğinin ilerleyen dejenerasyonla artması ve sıralı Pfirrmann derecelerinin ötesinde objektif biyomekanik bilgiler sağlayabilmesi nedeniyle, MR elastografi tamamlayıcı bir kantitatif teknik olarak ortaya çıkmıştır²⁴. Rutin lomber MRI incelemelerinde kolayca uygulanabilir olduğu için bu protokol Pfirrmann derecelendirmesini korumaktadır; ancak gelecekteki versiyonlar, teknoloji daha yaygın hale geldikçe MR elastografiyi dahil edebilir.

Klinik olarak, olasılık tahminleri risk farkındalığı, görüntüleme incelemesi, cerrahi planlama tartışmaları ve hasta danışmanlığına yardımcı olabilir. Önceki çalışmalar, dekompresyon sonrası epidural lipomatoz ile dejeneratif stenoz arasında benzer iki yıllık sonuçlar olduğunu göstermiştir^25,26. Ancak, mevcut protokol tedavi sonuçlarını değerlendirmez veya dekompresyon stratejilerini karşılaştırmaz ve açık, minimal invaziv veya endoskopik dekompresyonu zorunlu kılmak için kullanılmamalıdır. Bunun yerine model, klinisyenleri klinik olarak anlamlı epidural yağ birikimi olasılığına karşı uyarmayı ve aksiyel bası, dorsal veya ventral yağ dağılımı ile tekal sak basısının dikkatle incelenmesini teşvik etmeyi amaçlamaktadır. L5 vertebra gövdesi hipoplazisi ve L5-S1 psödolistezis, nispeten küçük bir anteroposterior L5 vertebra gövdesi ve posterior yağlı-fibröz doku görünürde vertebra kaymasını taklit edebileceği için potansiyel gelişimsel veya anatomik benzerlikler oluşturur. Bu yanlış sınıflandırma kaynağını azaltmak için protokol, dejeneratif olmayan ve gelişimsel spondilolistezisi dışlar, ayakta çekilen radyograflar ve pars defektlerinin yokluğu ile DLS'yi doğrular ve sagital ile aksiyal MRI arasında kayma seviyesi korelasyonu gerektirir. Hasta danışmanlığı için, bireyselleştirilmiş olasılık tahminleri görüntüleme bulgularının ve beklenen intraoperatif hususların tartışılmasını kolaylaştırabilir. Postoperatif dönemde, bu uygulama daha fazla doğrulama gerektirse de protokol, daha yakın takip gerektiren hastaların belirlenmesine yardımcı olabilir. DLS'nin ötesinde, bu çerçeve, lumbar spinal stenoz ve listezis olmaksızın lumbar spondiloz dahil olmak üzere epidural yağ birikiminin semptomlara katkıda bulunduğu diğer dejeneratif spinal bozukluklara adapte edilebilir.

Sonuç olarak, bu protokol DLS olan hastalarda epidural lipomatozun değerlendirilmesi için yapılandırılmış ve klinik olarak pratik bir yaklaşım sunmaktadır. Standartlaştırılmış MRI yorumlama, sistematik paraspinal kas değerlendirmesi, tekal kese basısının prospektif aksiyel doğrulaması ve çok değişkenli risk modellemesinin entegrasyonu sayesinde protokol; özel ekipman gerektirmeyen standart klinik MRI kullanımıyla tekrarlanabilir görüntüleme incelemesini, risk iletişimini, cerrahi planlama tartışmalarını ve hasta danışmanlığını desteklemektedir. Orijinal tanısal sonuç tanımı ve bildirilen model performansı revizyon sırasında korunmuştur. Model, bir tanısal referans standardı veya cerrahi karar kuralından ziyade, dahili olarak valide edilmiş bir klinik karar destek aracı olarak değerlendirilmelidir. Gelecekteki çalışmalar; yerleşik MRI referans standartlarıyla karşılaştırmaları, çok merkezli harici validasyonu, otomatik görüntü analizini ve Dixon görüntüleme ile MR elastografi gibi gelişmiş kantitatif MRI tekniklerini içermelidir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
1.5 Tesla manyetik rezonans görüntüleme cihazı	Ekipman	Siemens Healthineers	Magnetom Aera
16 kanallı spinal yüzey bobini	Ekipman	Siemens Healthineers	Standart konfigürasyon
DICOM Bölüm 14 uyumlu tanısal monitör (3 megapiksel)	Ekipman	Barco NV	Nio Color 3MP, MDNC-3421CN; Barco QAWeb Enterprise üzerinden DICOM kalibrasyonu
forestplot R paketi	Yazılım	R Foundation for Statistical Computing	Versiyon 3.1.3
ImageJ	Yazılım	National Institutes of Health	Versiyon 1.53t
PACS iş istasyonu	Ekipman	Dell Inc.	Precision 3660 Tower İş İstasyonu; Windows 10, 64-bit işletim sistemi
Resim Arşivleme ve İletişim Sistemi (PACS)	Yazılım	INFINITT Healthcare Co., Ltd.	INFINITT PACS 7.0
R	Yazılım	R Foundation for Statistical Computing	Versiyon 4.3.1
REDCap	Yazılım	Vanderbilt University	Versiyon 13.1
rmda R paketi	Yazılım	R Foundation for Statistical Computing	Versiyon 1.6
SPSS Statistics	Yazılım	IBM	Versiyon 27.0