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

Zusammenfassung

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

Zusammenfassung

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

Einleitung

Die degenerative lumbale Spondylolisthese (DLS) betrifft 4–8 % der Allgemeinbevölkerung, wobei die Prävalenz nach dem fünften Lebensjahr deutlich ansteigt^1,2. Sie wird definiert durch eine anteriore Verschiebung eines Wirbels gegenüber dem darunterliegenden Wirbel bei intakter hinterer neuraler Bogenstruktur und führt häufig zu einer Spinalkanalstenose und einer neurogenen Claudicatio, wodurch die Mobilität, Muskelkraft und Lebensqualität der Patienten erheblich beeinträchtigt werden³. Zu den assoziierten bildgebenden Befunden zählt das Zeichen der epiduralen Lipomatose – charakterisiert als bandförmiges, hyperintensives Fettgewebesignal im mittelsagittalen T1-gewichteten MRT-Bild (Magnetresonanztomographie) auf Höhe der Dislokation –, das ein wichtiger radiologischer Marker ist und die Erkennung der Erkrankung sowie die Einschätzung ihres Schweregrads erleichtern kann. Die epidurale Lipomatose wurde ursprünglich mit der Gabe von Glukokortikoiden, epiduralen Steroiden oder endokrinen Störungen wie dem Cushing-Syndrom in Verbindung gebracht^4,5,6. Inzwischen wird sie jedoch zunehmend auch bei Personen mit Adipositas oder metabolischem Syndrom ohne Steroidexposition beschrieben^7,8,9,10, was darauf hindeutet, dass metabolische und biomechanische Faktoren eine wesentliche ursächliche Rolle spielen. Eine aktuelle systematische Übersichtsarbeit fasste unterschiedliche Ätiologien und klinische Verläufe der berichteten Fälle zusammen¹¹, und eine symptomatische Besserung nach Gewichtsreduktion wurde bereits dokumentiert¹². Bisherige MRT-basierte Einteilungs- und quantifizierende Bewertungsmethoden für die spinale epidurale Lipomatose wurden bereits beschrieben, darunter das Verhältnis von epiduralem Fett zum Duralsack in axialen Schnitten sowie lokoregionale Graduierungssysteme^13,14. Dennoch existiert bisher kein standardisiertes, speziell auf die systematische Beurteilung der epiduralen Lipomatose bei Patienten mit DLS ausgerichtetes MRT-Protokoll. Die Befundinterpretation bleibt daher vom Untersucher abhängig, da fehlende einheitliche diagnostische Kriterien, die auf diese Patientengruppe zugeschnitten sind, eine konsistente Diagnose erschweren. Zudem sind die klinischen Merkmale, die betroffene von nicht betroffenen Individuen unterscheiden, noch nicht vollständig charakterisiert, und Ärzte verfügen bei der Erstbeurteilung über kein praktikables Instrument zur Abschätzung des Risikos.

Um diese Lücken zu schließen, etabliert das vorliegende Protokoll einen standardisierten, klinisch anwendbaren Rahmen für die mithilfe der MRT basierende Beurteilung der epiduralen Lipomatose bei Patienten mit DLS. Das Protokoll integriert klinische Parameter, vordefinierte MRT-Diagnosekriterien mit spezifischen Bildakquisitionsparametern, die Beurteilung der paraspinalen Muskulatur mittels einer an die Wirbelsäule angepassten Goutallier-Klassifikation, eine axiale Bestätigung der Thekalsackkompression sowie ein prädiktives Modell zur risikoadaptierten Einschätzung am Krankenbett. Das Manjila-Graduierungssystem wird als wichtige lokoregionale Referenz anerkannt, da es das kraniokaudale Ausmaß in sagittaler Bildgebung und die axiale Schwere anhand einer 3 × 3-Raster-basierten Bewertung analysiert, was die chirurgische Planung unterstützen und die Unterscheidung zwischen dorsaler, ventraler und zirkumferentieller epiduraler Fettverteilung erleichtern kann^14,15,16. Das vorliegende Protokoll soll bestehende Graduierungssysteme für spinale epidurale Lipomatose nicht ersetzen; vielmehr bietet es einen fokussierten Arbeitsablauf für mit DLS assoziierte verschobene Wirkelebenen, wobei axiale und lokoregionale Merkmale dokumentiert werden, wenn sie klinisch relevant sind. Dieser Ansatz zielt darauf ab, eine reproduzierbarere Beurteilung der epiduralen Lipomatose zu fördern und gleichzeitig eine standardisierte Bildbeurteilung sowie eine individualisierte klinische Risikoeinschätzung bei Patienten mit DLS zu unterstützen.

Protokoll

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

1. Patientenauswahl und klinische Beurteilung

1. Holen Sie vor der Einbindung von Patienten die Genehmigung der zuständigen Ethikkommission und des Institutional Review Board ein. Stellen Sie sicher, dass alle Verfahren mit menschlichen Teilnehmern in Übereinstimmung mit der Deklaration von Helsinki erfolgen. Dokumentieren Sie die Genehmigungsnummer (2024-IRB-089) in allen Studienunterlagen.
   HINWEIS: Die Anforderung einer individuellen informierten Einwilligung kann entfallen, wenn die Studie vollständig anonymisierte, bereits vorhandene klinische Daten und Bilddatensätze verwendet, vorausgesetzt, dass die Befreiung gemäß den institutionellen Richtlinien und den nationalen Vorschriften zur sekundären Nutzung klinischer Daten zulässig ist. Erlangen Sie eine ausdrückliche Genehmigung für diese Befreiung durch den Ethikausschuss. Beschaffen Sie die ethische Zulassung, bevor Sie mit der Einbindung von Patienten beginnen.
2. Rekrutieren Sie nacheinander vorstellig werdende Patienten in der Abteilung für Wirbelsäulenchirurgie mit einer bestätigten Diagnose einer DLS. Überprüfen Sie stehende laterale oder Flexions-Extensions-Röntgenaufnahmen, um einen anterioren Wirbelkörperverschiebung von ≥3 mm oder ≥10 % der Wirbelkörperbreite zu bestätigen.
   1. Überprüfen Sie degenerative Veränderungen auf der entsprechenden Ebene, einschließlich Bandscheibendegeneration und Facettengelenkshypertrophie¹⁷. Bestätigen Sie das Fehlen eines Defekts des Pars interarticularis in seitlichen Röntgenaufnahmen und sagittaler MRT.
   2. Rekrutieren Sie Patienten im Alter von 18–85 Jahren, bei denen innerhalb von 2 Wochen nach der klinischen Beurteilung eine standardmäßige lumbale MRT (sagittale T1-gewichtete, sagittale T2-gewichtete und axiale T2-gewichtete Sequenzen) durchgeführt wurde. Schließen Sie Patienten aus, bei denen in den letzten 6 Monaten eine Wirbelsäulenchirurgie oder eine epidurale Steroidinjektion durchgeführt wurde.
   3. Messen Sie den vorderen Wirbelkörperverschiebung an stehenden seitlichen oder Beugungs- und Streckungsaufnahmen mittels der Methode der hinteren Wirbelkörper-Linie. Zeichnen Sie eine vertikale Bezugslinie entlang der hinteren Kortikalis des kaudalen Wirbelkörpers und messen Sie dann den senkrechten Abstand von dieser Linie zur posteroinferioren Ecke des verschobenen kranialen Wirbelkörpers. Notieren Sie die Verschiebung in Millimetern und, falls erforderlich, als Prozentsatz der anteroposterioren Breite des kaudalen Wirbelkörpers.
3. Patienten mit nicht-degenerativer Spondylolisthese ausschließen (isthmisch, traumatisch, pathologisch, postoperativ oder entwicklungsbedingt beziehungsweise anatomische Mimik wie ein hypoplastischer L5-Wirbelkörper und L5–S1-Pseudolisthese), Glukokortikoidgebrauch für >3 kumulative Monate im Vorjahr oder nachgewiesenes endogenes Hyperkortisolismus (Cushing-Syndrom, Nebennierenadenom oder hypophysärer adrenokortikotroper Hormon-produzierender Tumor).
   1. Ausschluss von Patienten, die in den letzten 6 Monaten eine Therapie mit anabolen Steroiden oder Testosteronersatz erhalten haben. Ausschluss von MRT-Untersuchungen mit unzureichender Bildqualität, einschließlich Bewegungsartefakten vom Grad II oder höher oder unvollständiger lumbosakraler Abdeckung.
   2. Ausschluss von Patienten mit schwerer kardiopulmonaler oder renaler Insuffizienz (physische Statusklasse IV–V der American Society of Anesthesiologists), aktiver Infektion oder Kontraindikationen zur MRT.
      ACHTUNG: Führen Sie vor dem Betreten des Scanners eine vollständige MRT-Sicherheitsprüfung durch. Schließen Sie Patienten mit MRT-inkompatiblen implantierten Geräten aus.
   3. Bewerten Sie Bewegungsartefakte anhand einer vierstufigen Bildqualitätskala: Grad 0 = kein sichtbares Artefakt; Grad I = leichtes Artefakt ohne diagnostische Einschränkung; Grad II = mäßiges Artefakt mit Verschleierung anatomischer Grenzen oder Messmarken; Grad III = schweres Artefakt, das die Sequenz nicht diagnostizierbar macht. Untersuchungen mit Artefakten vom Grad II oder III in einer beliebigen Sequenz, die für die Outcome-Klassifizierung erforderlich ist, sollten ausgeschlossen oder die betroffene Sequenz vor Einbeziehung in die Studie wiederholt werden.
4. Klinische Daten aus der Datenbank des elektronischen Patientenakts (EMR) und des Bildarchivierungs- und Kommunikationssystems (PACS) mithilfe eines standardisierten REDCap-Erhebungsformulars extrahieren, das von zwei geschulten wissenschaftlichen Mitarbeiterinnen ausgefüllt wird.
   1. Notieren Sie Alter (Jahre), Geschlecht (männlich/weiblich), Body-Mass-Index (BMI; kg/m²)²) und verschobenes Segment (L3, L4 oder L5).
   2. Dokumentieren Sie die Symptomdauer, das Vorhandensein einer neurogenen Claudicatio und frühere konservative Behandlungen.
   3. Lassen Sie zwei geschulte wissenschaftliche Assistenten unabhängig voneinander klinische Variablen aus dem EMR und PACS in doppelte REDCap-Formulare erfassen. Vergleichen Sie die beiden Formulare nach der Datenerfassung und klären Sie Unstimmigkeiten durch Rückgriff auf die Originaldokumente. Leiten Sie nicht geklärte Unstimmigkeiten zur Entscheidung an einen leitenden Untersuchungsleiter weiter.
   4. Identifizieren Sie fehlende oder unvollständige Variablen während der REDCap-Bereichs- und Vollständigkeitsprüfungen. Überprüfen Sie fehlende Werte anhand des EMR, PACS und der ursprünglichen Bildberichte. Schließen Sie einen Patienten aus der Modellerstellung nur dann aus, wenn ein erforderlicher Prädiktor, Ergebnisparameter oder essentielle MRT-Sequenz nicht rekonstruiert werden kann. Führen Sie keine statistische Imputation für erforderliche Modellvariablen durch.
5. Weisen Sie berechtigte Patienten mithilfe von SPSS Version 27.0 mit einem Zufallsstartwert von 42 im Verhältnis 7:3 zufällig der Modellierungsgruppe (n = 248) und der Validierungsgruppe (n = 106) zu.
   1. Klassifizieren Sie die Patienten innerhalb des Modellierungs-Kohortenstichproben in Gruppen mit epiduraler Lipomatose und ohne Lipomatose entsprechend der Konsensdiagnose zweier erfahrener Wirbelsäulenradiologen mit >10 Jahre Erfahrung, unter Anwendung des in Schritt 3 beschriebenen MRT-Interpretationsprotokolls.
   2. In SPSS Version 27.0 wird der Zufallsstartwert auf 42 gesetzt, Transformieren ausgewählt > Variable berechnen und eine gleichmäßige Zufallsvariable mithilfe von RV.UNIFORM(0,1) generieren. Die Fälle entsprechend dieser Variable aufsteigend sortieren, die ersten 70 % der in Frage kommenden Fälle der Modellierungsgruppe und die verbleibenden 30 % der Validierungsgruppe zuweisen und die Zuordnungsvariable für alle nachfolgenden Analysen unverändert beibehalten.
   3. Verwenden Sie eine einfache Zufallszuordnung anstelle einer geschichteten Randomisierung. Erzwingen Sie kein Gleichgewicht der basislinienbezogenen demografischen, radiographischen oder MRT-Variablen während der Kohortenzuweisung.
   4. Nach zufälliger Zuordnung Vergleich der basislinienbezogenen demografischen, klinischen, radiographischen und MRT-Variablen zwischen den Modellierungs- und Validierungskohorten unter Verwendung des Student-t-Tests t-t-Test oder Chi-Quadrat-Test, je nach Eignung. Die Zuordnung wird als akzeptabel betrachtet, wenn kein klinisch bedeutsames Ungleichgewicht festgestellt wird, und die Bewertung der Vergleichbarkeit der Kohorten ist in Tabelle 1.
      HINWEIS: Vollständige Zuordnung der Kohorte nach Überprüfung aller Einschlusskriterien.

Variable	Modellierungs-Kohorte (n = 248)	Validierungs-Kohorte (n = 106)	t/χ2	P-Wert
Alter (Jahre)	67,87 ± 11,39	68,16 ± 11,93	0,216	0,829
Geschlecht, n (%)			0,002	0,966
Männlich	96 (38,71)	42 (39,62)
Weiblich	152 (61,29)	64 (60,38)
Körper-Masse-Index (kg/m²)	24,88 ± 3,62	24,91 ± 3,48	0,077	0,939
Gleitsegment, 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-Grad, n (%)			0,104	0,991
Grad II	18 (7,26)	8 (7,55)
Grad III	74 (29,84)	33 (31,13)
Grad IV	93 (37,50)	38 (35,85)
Grad V	63 (25,40)	27 (25,47)
Goutallier-Grad, n (%)			3,022	0,388
Grad 1	78 (31,45)	27 (25,47)
Grad 2	86 (34,68)	33 (31,13)
Grad 3	52 (20,97)	28 (26,42)
Grad 4	32 (12,90)	18 (16,98)
Winkel des distalen Facettengelenks (°)	55,26 ± 6,42	55,18 ± 6,39	0,111	0,912
Exsudat im distalen Facettengelenk (mm)	0,94 ± 0,21	0,93 ± 0,20	0,444	0,657
Höhe der distalen Bandscheibe (mm)	9,16 ± 1,92	9,20 ± 1,88	0,193	0,847
Winkel des proximalen Facettengelenks (°)	49,95 ± 6,03	50,03 ± 5,99	0,115	0,908
Exsudat im proximalen Facettengelenk (mm)	0,84 ± 0,26	0,83 ± 0,25	0,237	0,813
Höhe der proximalen Bandscheibe (mm)	8,05 ± 1,52	8,08 ± 1,50	0,156	0,876
Pelvainzidenz (PI, °)	52,18 ± 7,94	52,35 ± 7,85	0,188	0,851
Pelvainklination (PT, °)	24,35 ± 7,17	24,28 ± 7,23	0,080	0,936
Sakralsubluxation (SS, °)	44,91 ± 6,83	45,01 ± 6,79	0,129	0,898
Thorakale Kyphose (TK, °)	21,18 ± 7,67	21,25 ± 7,62	0,075	0,940

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

2. MRT-Aufnahmeprotokoll

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

3. MRT-Bildinterpretation bei epiduraler Lipomatose

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

1. Bildinterpretation an einer dedizierten PACS-Arbeitsstation mit medizinischem Diagnosemonitor (mindestens 3 Megapixel; DICOM-Teil-14-Graustufen-Standard-Anzeigefunktion) durchführen. Die Umgebungsbeleuchtung kontrolliert halten (≤50 Lux).
   1. Laden Sie die vollständige MRT-Untersuchung. Zeigen Sie sagittale T1-gewichtete und sagittale T2-gewichtete Bilder im oberen Anzeigefenster nebeneinander sowie axiale T2-gewichtete Bilder im unteren Anzeigefenster mit synchronisierter anatomischer Querverknüpfung an.
   2. Verwenden Sie den institutionellen PACS-Betrachter mit DICOM-kalibrierten Messwerkzeugen und aktivierter synchronisierter sagittal-axialer Referenzierung. Wenden Sie bei jeder Befundungssitzung für den Seitenvergleich der Bilder konsistente Fenster- und Level-Einstellungen an. Notieren Sie den PACS-Hersteller und die Softwareversion in der Materialienübersicht.
2. Identifizieren Sie die verschobene Wirbelebene auf dem mittelsagittalen T1-gewichteten Bild durch Beobachtung einer anteriorer Wirbelkörperverschiebung. Zeichnen Sie eine Referenzlinie entlang der hinteren Kortikalis des darunterliegenden Wirbelkörpers.
   1. Messen Sie den senkrechten Abstand von der Bezugslinie zur hinteren unteren Ecke des verschobenen Wirbelkörpers. Bestätigen Sie, dass die gemessene Verschiebung ≥3 mm oder ≥10 % der Wirbelkörperbreite beträgt.
      HINWEIS: Eine genaue Lokalisation der Verschiebungsebene ist unerlässlich, da die epidurale Lipomatose spezifisch auf der Ebene des Wirbelgleitens beurteilt wird.
   2. Führen Sie die Messung der Wirbelverschiebung mit dem integrierten, kalibrierten elektronischen Messschieber am PACS-Arbeitsplatz durch. Überprüfen Sie vor der Messung die Pixelkalibrierung anhand der DICOM-Metadaten und dokumentieren Sie alle Abstände auf 0,1 mm genau.
3. Untersuchen Sie den hinteren epiduralen Raum auf der Ebene der Verschiebung im mittelsagittalen T1-gewichteten Bild. Identifizieren Sie ein bandförmiges oder halbmondförmiges hyperintenses Signal, das zwischen dem vorderen Thekalsack und dem hinteren Ligamentum flavum beziehungsweise Dornfortsatz lokalisiert ist.
   1. Vergleichen Sie die Signalintensität der Läsion direkt mit der subkutanen Fettgewebe auf demselben Bild. Falls fettunterdrückte Sequenzen verfügbar sind, überprüfen Sie die Signalunterdrückung, um die fettige Natur der Läsion zu bestätigen.
      HINWEIS: Unterscheiden Sie epidurales Lipomatose von anderen epiduralen Läsionen mit T1-hyperintenser Signalintensität, einschließlich subakutem epiduralem Hämatom und proteinreichem Flüssigkeitsansammlungen. Bestätigen Sie die Diagnose epidurales Lipomatose nur dann, wenn die Läsion Signalcharakteristika aufweist, die identisch mit denen des subkutanen Fettgewebes sind, und wenn sie sich dem epiduralen Raum anpasst.
   2. Verwenden Sie die protokolldefinierten sagittalen Kriterien als primäre Screening-Methode für die betroffene Wirbelebene und überprüfen Sie positive oder unklare Befunde anhand axialer T2-gewichteter Bilder. Dokumentieren Sie während der prospektiven Anwendung die Verteilung des epiduralen Fettgewebes, die Deformation des duralem Sacks sowie die Vereinbarkeit mit etablierten, MRT-basierten Bewertungsmethoden, einschließlich der axialen Verhältnisbestimmung von epiduralem Fettgewebe zum duralem Sack und des lokoregionalen Manjila-Graduierungssystems. In der retrospektiven Kohorte, die zur Modellentwicklung verwendet wurde, wurden diese etablierten Graduierungssysteme nicht als unabhängige Referenzstandards angewandt, und das ursprüngliche binäre Ergebnis wurde nicht retrospektiv neu klassifiziert.
4. Messen Sie die kraniokaudale Ausdehnung der epiduralen Fettansammlung mithilfe elektronischer Messschieber am PACS-Arbeitsplatz. Setzen Sie die Messschieber an den oberen und unteren Rändern der zusammenhängenden epiduralen Fettansammlung an und notieren Sie die maximale Messung.
   1. Stellen Sie sicher, dass die kraniokaudale Ausdehnung in derselben sagittalen Ebene ≥5 mm beträgt. Die Sichtbarkeit auf mindestens zwei benachbarten sagittalen Schichten dient ausschließlich der Bestätigung der mediolateralen Kontinuität und zur Reduzierung von Partialvolumenartefakten; verwenden Sie benachbarte sagittale Schichten nicht zur Abschätzung der kraniokaudalen Ausdehnung.
   2. Vergleichen Sie die Läsion in sagittalen T2-gewichteten Bildern, um die Signalcharakteristika zu beurteilen. Untersuchen Sie die entsprechenden axialen T2-gewichteten Bilder, um die zirkumferentielle Verteilung des epiduralen Fettgewebes sowie die anteroposteriore Einengung des Duralsacks zu beurteilen.
      HINWEIS: Verwenden Sie in diesem Protokoll eine kraniokaudale Ausdehnung von ≥5 mm als operationelle Schwelle zur Erkennung von Verschiebungen auf der Wirbelebene. Notieren Sie den anteroposterioren Durchmesser und die Querschnittsfläche des Duralsacks auf axialen Bildern als kontinuierliche Bestätigungsmessungen. Verwenden Sie keine festen axialen Cutoff-Werte als unabhängige Referenzstandards in der vorliegenden retrospektiven Kohorte.
   3. Wenn das Fett-Signal nur in einer sagittalen Schicht sichtbar ist, sollte der Befund als unbestimmt klassifiziert werden, es sei denn, axiale Bilder zeigen eine entsprechende epidurale Fettansammlung, und die kraniokaudale Ausdehnung in derselben Ebene beträgt weiterhin ≥5 mm. Dieses Kriterium unterscheidet die primäre kraniokaudale Messung von der unterstützenden Beurteilung der mediolateralen Kontinuität.
   4. Messen Sie den anteroposterioren Durchmesser des Duralsacks auf dem axialen T2-gewichteten Bild, das die maximale Kompression auf der Verschiebungsebene zeigt, indem Sie den Abstand von der vorderen zur hinteren Begrenzung des Duralsacks bestimmen. Messen Sie die Querschnittsfläche, indem Sie die innere Duralgrenze mit dem Bereichs-Interessen-Werkzeug des PACS-Systems oder mit dem Polygon-Auswahlwerkzeug von ImageJ nachzeichnen, und notieren Sie die Fläche in mm².².
   5. Vergleichen Sie das sagittale Ausmaß und die axiale Schwere qualitativ mit dem Manjila-Graduierungssystem. Verwenden Sie in diesem auf DLS fokussierten Protokoll das Manjila-Graduierungssystem als lokoregionales Referenzkriterium zur Dokumentation, nicht jedoch als primäre Endpunktdefinition, da der Studienendpunkt das Vorhandensein einer epiduralen Lipomatose auf der Gleitwirkelebene innerhalb des Vorhersagemodells ist.
5. Wenden Sie die vier ursprünglichen Kriterien für die Einstufung der Verschiebungsebene an, die zur Klassifizierung der Kohorte verwendet wurden: (1) ein bandförmiges oder halbmondförmiges, T1-hyperintenses Signal im posterioren epiduralen Raum auf der Ebene der Verschiebung; (2) eine Signalintensität, die derjenigen des subkutanen Fettgewebes entspricht; (3) eine kraniokaudale Ausdehnung ≥5 mm in derselben sagittalen Ebene; und (4) Reproduzierbarkeit auf benachbarten sagittalen Schichtbildern. Für eine prospektive klinische Anwendung sollten nicht ausschließlich die sagittalen Kriterien herangezogen werden. Bestätigen Sie das entsprechende epidurale Fettansammeln und die Konturveränderung des Duralsacks in axialen Bildern, und dokumentieren Sie, ob die Fettverteilung dorsal, ventral oder zirkulär ist.
   1. Notieren Sie die axialen quantitativen Befunde, einschließlich des anteroposterioren Durchmessers und der Querschnittsfläche des Duralsacks, zusammen mit der qualitativen Verträglichkeit bezüglich der bewertenden Methoden basierend auf dem Verhältnis von epiduralem Fett zum Duralsack sowie dem Manjila lokoregionalen Graduierungssystem.
      HINWEIS: Die ursprüngliche Studie wurde nicht als diagnostische Genauigkeitsstudie unter Verwendung eines etablierten MRT-Referenzstandards konzipiert, und die ursprünglichen DICOM-Bilder wurden während der Überarbeitung des Manuskripts nicht erneut analysiert. Daher wurden Sensitivität, Spezifität und Übereinstimmung zwischen den Methoden nicht neu berechnet. Diese zusätzlichen axialen Deskriptoren sollen die prospektive klinische Anwendung unterstützen und verändern weder das ursprüngliche Studienergebnis noch das Vorhersagemodell.
6. Lassen Sie zwei erfahrene Wirbelsäulenradiologen (≥10 Jahre Berufserfahrung) alle Untersuchungen unabhängig voneinander beurteilen. Füllen Sie einen standardisierten, strukturierten Befundbogen aus, der das Vorhandensein oder Fehlen jedes diagnostischen Kriteriums, die betroffene Wirbelebene, die maximale kraniokaudale Ausdehnung (mm) sowie die Gesamtdiagnose dokumentiert.
   1. Unstimmigkeiten werden durch Konsens mit einem dritten erfahrenen Wirbelsäulenradiologen geklärt.>15 Jahren Erfahrung), der gegenüber den ursprünglichen Beurteilungen verblindet ist. Berechnen Sie die Übereinstimmung zwischen Beobachtern mithilfe des Kappa-Koeffizienten nach Cohen.
   2. Verwenden Sie ein strukturiertes Berichtformular, um die verschobene Ebene, die Verteilung des epiduralen Fettgewebes (dorsal, ventral oder zirkumferential), die maximale kraniokaudale Ausdehnung, die sagittale Messung in derselben Ebene, die Sichtbarkeit in benachbarten Schichten, die axiale Bestätigung, den Durchmesser des Duralsacks, die Querschnittsfläche des Duralsacks, die endgültige Diagnose und das Vertrauen des Auswerters zu dokumentieren. Kalibrieren Sie alle Beobachter vor der formalen Bildinterpretation anhand von 20 repräsentativen Trainingsfällen, die negative, grenzwertige und positive Untersuchungen umfassen.
      HINWEIS: Führen Sie alle konsensbasierten Interpretationen ab, bevor Sie mit der statistischen Analyse fortfahren.

4. Beurteilung der Bandscheiben-Degeneration

1. Überprüfen Sie die sagittalen T2-gewichteten MRT-Bilder des verschobenen Segments. Blättern Sie durch alle sagittalen Schnittbilder und wählen Sie das Bild aus, das die klarste Visualisierung des Nucleus pulposus bietet.
   1. Bewerten Sie die Degeneration der Bandscheibe mithilfe des Pfirrmann-Gradingsystems¹⁸. Weisen Sie Grad I Bandscheiben mit homogen hyperintensivem Signal, das identisch mit dem von Liquor cerebrospinalis (CSF) ist, normaler Bandscheibenhöhe und klarer Abgrenzung zwischen Nucleus und Anulus zu.
   2. Weisen Sie Grad II Bandscheiben mit inhomogen hyperintensivem Signal, das horizontale Bereiche mit niedrigem Signal enthält, bei erhaltener Bandscheibenhöhe und klarer Nucleus-Anulus-Abgrenzung zu. Weisen Sie Grad III Bandscheiben mit intermediärem grauen Signal, undeutlicher Grenze zwischen Nucleus und Anulus sowie normaler oder leicht verminderten Bandscheibenhöhe zu.
   3. Weisen Sie Grad IV Bandscheiben mit inhomogen hypointensivem dunkelgrauen Signal, vollständigem Verlust der Nucleus-Anulus-Abgrenzung und mäßig bis stark verminderten Bandscheibenhöhen zu. Weisen Sie Grad V Bandscheiben mit inhomogen hypointensivem Signal, kollabiertem Bandscheibenraum, vollständigem Verlust der Nucleus-Anulus-Abgrenzung und deutlicher Verengung des Bandscheibenraums zu.
2. Lassen Sie zwei fachärztlich approbierte Radiologen mit ≥5 Jahren Erfahrung in der muskuloskelettalen Bildgebung unabhängig voneinander die Pfirrmann-Grade zuweisen. Notieren Sie den zugewiesenen Grad für jede beurteilte Bandscheibe.
   1. Lösen Sie Differenzen in der Graduierung durch Schlichtung durch einen dritten fachärztlich approbierten Radiologen. Berechnen Sie die Übereinstimmung zwischen den Beobachtern mithilfe der gewichteten Cohens Kappa-Statistik.
   2. Blenden Sie die Radiologen bezüglich klinischer Symptome, Behandlungshistorie, Vorliegen einer epiduralen Lipomatose, Variablen des Vorhersagemodells und der Bewertungen des jeweils anderen Radiologen während der unabhängigen Pfirrmann-Beurteilung aus.
   3. Führen Sie die Pfirrmann-Beurteilung unter Verwendung der gleichen diagnostischen Monitore und standardisierten Betrachtungsbedingungen wie in Schritt 3.1 beschrieben durch.
      HINWEIS: Schließen Sie die konsensbasierte Beurteilung ab, bevor Sie mit der Beurteilung der fettigen Infiltration der paraspinalen Muskulatur fortfahren.

5. Beurteilung der fettigen Infiltration der paraspinalen Muskulatur

1. Untersuchen Sie axiale T2-gewichtete Fast-Spin-Echo-Bilder in der Mitte der verschobenen Bandscheibe. Identifizieren Sie die Musculi multifidi beidseits als tiefe paraspinalen Muskeln direkt lateral zum Dornfortsatz und zur Lamina.
   1. Analysieren Sie die sagittalen Bilder, um die Seite mit der ausgeprägteren Wirbelkörperverschiebung zu bestimmen. Wählen Sie den Musculus multifidus auf der entsprechenden Seite zur Beurteilung aus.
   2. Verwenden Sie einen an die Wirbelsäule angepassten Goutallier-Graduierungsscore, abgeleitet von der ursprünglichen Klassifikation der fettigen Muskeldegeneration und früheren Anwendungen am lumbalen Musculus multifidus^19,20. Weisen Sie Grad 0 Muskeln zu, die eine homogene, geringe Signalintensität, vollständige Abwesenheit fettiger Streifen und eine gut erhaltene Muskelmasse aufweisen. Weisen Sie Grad 1 Muskeln zu, die kleine lineare, hochsignale fettige Streifen enthalten, die <5 % der Querschnittsfläche einnehmen.
   3. Weisen Sie Grad 2 Muskeln zu, bei denen eine deutlich sichtbare fettige Infiltration 5–50 % der Querschnittsfläche betrifft. Weisen Sie Grad 3 Muskeln zu, bei denen ≥50 % fettige Infiltration mit verbleibendem Muskelgewebe vorliegt.
   4. Weisen Sie Grad 4 Muskeln zu, bei denen die gesamte Querschnittsfläche durch Fett ersetzt ist und kein erkennbares Muskelgewebe mehr vorhanden ist. Differenzieren Sie die Ergebnisse für die statistische Analyse in die Gruppen Grad 0–2 und Grad 3–4.
      ​HINWEIS: Der Musculus multifidus ist der größte und medialste paraspinalen Muskel und fungiert als primärer dynamischer Stabilisator des lumbalen Segments. Eine schwere fettige Infiltration (Grad 3–4) weist auf einen erheblichen fettigen Ersatz hin und wird als klinisch schwere Kategorie für die Modellierung betrachtet, da sie eine Schwelle darstellt, bei der Fett mindestens etwa die Hälfte der Muskelquerschnittsfläche einnimmt.
   5. Stellen Sie klar, dass das ursprüngliche Goutallier-Graduierungssystem für die Beurteilung des lumbalen Musculus multifidus an axialem MRT angepasst wurde. Differenzieren Sie die Grade 0–2 und 3–4, um eine Abwesenheit bis mäßige fettige Infiltration von schwerer fettiger Substitution abzugrenzen, wodurch die Modellkomplexität reduziert wird, während gleichzeitig ein ausreichendes Verhältnis von Ereignissen pro Variable im Vorhersagemodell erhalten bleibt. Betrachten Sie die in diesem Protokoll verwendeten prozentualen Schwellenwerte als operationelle, MRT-basierte Kriterien und nicht als wörtliche Reproduktion der ursprünglichen Goutallier-Klassifikation mittels Computertomographie am Schultergelenk.
   6. Bestimmen Sie die Seite mit der ausgeprägteren Wirbelkörperverschiebung durch Analyse axieller und sagittaler Bilder hinsichtlich asymmetrischer Wirbelkörpertranslation, rotatorischer Dislokation oder stärkerer Einengung des lateralen Recessus. Falls keine Seite überwiegt, bewerten Sie die Seite mit stärkerer fettiger Infiltration des Musculus multifidus. Sind beide Seiten symmetrisch, bewerten Sie den rechten Musculus multifidus und dokumentieren Sie diese Entscheidung.
2. Exportieren Sie das axiale T2-gewichtete Fast-Spin-Echo-DICOM-Bild aus dem PACS. Öffnen Sie das Bild in der ImageJ-Software (Version 1.53t).
   1. Wählen Sie das Polygon-Auswahlwerkzeug und zeichnen Sie die fasziale Begrenzung des Zielmuskels Musculus multifidus nach. Identifizieren Sie die fasziale Begrenzung als dünne, dunkle Linie, die den Muskel umgibt.
   2. Öffnen Sie Bild > Anpassen > Schwellenwert. Stellen Sie den unteren Schwellenwert auf 120 beliebige Einheiten und den oberen Schwellenwert auf den maximalen Pixelwert ein.
   3. Wählen Sie Rot als Anzeigefarbe, um die Identifizierung fettiger Bereiche zu überprüfen. Klicken Sie auf „Übernehmen“, um die binäre Maske zu erzeugen.
   4. Verwenden Sie einen Schwellenwert von 120 beliebigen Einheiten als geräte- und sequenzspezifischen Ausgangspunkt, nicht als universellen Schwellenwert. Kalibrieren Sie den Schwellenwert neu, wenn sich die Plattform des Scanners, die Hochfrequenzspule, die Magnetfeldstärke oder die Bildakquisitionsparameter von denen des ursprünglichen Protokolls unterscheiden.
   5. Interpretieren Sie den Schwellenwert nicht als histologisch validiert für alle Bildgebungssysteme. Verwenden Sie ihn als reproduzierbare Hilfsfunktion zur Bildverarbeitung und überprüfen Sie jede binäre Maske visuell anhand des ursprünglichen axialen T2-gewichteten Bildes, bevor quantitative Messungen durchgeführt werden.
3. Öffnen Sie in ImageJ Analyse > Messen. Aktivieren Sie vor der Messung die Optionen Fläche, Flächenanteil, Beschränkung auf Schwellenwert und Anzeigebezeichnung.
   1. Notieren Sie den Wert %Fläche als quantitative intramuskuläre Fettprozentzahl.
   2. Wiederholen Sie die Messung nach einem Intervall von mindestens 24 Stunden durch denselben Untersucher. Berechnen Sie den Intraklassenkorrelationskoeffizienten (ICC), um die Intrauntersucherverlässlichkeit zu beurteilen.
      ​HINWEIS: Ein ICC >0,90 weist auf eine ausgezeichnete Intrauntersucherverlässlichkeit hin.
   3. Blenden Sie den Untersucher bei Wiederholmessungen gegenüber dem ursprünglichen Messwert aus, indem Sie den Anfangswert in einem gesperrten REDCap-Feld speichern und das DICOM-Bild nach einem Intervall von mindestens 24 Stunden als neue Messsitzung erneut öffnen.
4. Lassen Sie zwei fachärztlich approbierte Radiologen unabhängig voneinander die Goutallier-Grade vergeben und die quantitativen Messungen basierend auf ImageJ durchführen. Stellen Sie vor den Studienbeurteilungen eine standardisierte Schulung mithilfe eines Referenzbildsatzes bereit.
   1. Lösen Sie Uneinigkeiten durch Konsens mit einem dritten erfahrenen muskuloskelettalen Radiologen. Berechnen Sie Cohens Kappa für die Goutallier-Klassifikation und den Intraklassenkorrelationskoeffizienten für den quantitativen Fettanteil.
   2. Verwenden Sie vor den Studienbeurteilungen einen Trainingsdatensatz mit 20 Fällen, der jeweils fünf Fälle mit minimaler, leichter, mäßiger und schwerer fettiger Infiltration umfasst. Führen Sie eine Kalibrierungssitzung durch, um Referenzbilder, die Platzierung des Interessenbereichs, die Schwellenwertanpassung und die Verfahren zur Auflösung von Diskrepanzen zu besprechen, bevor die unabhängige Bildbeurteilung beginnt.
      HINWEIS: Falls Cohens Kappa für die Interobserver-Übereinstimmung unter 0,70 oder der Intraklassenkorrelationskoeffizient unter 0,85 liegt, führen Sie eine erneute Kalibrierungssitzung durch, bevor die Analyse fortgesetzt wird.

6. Entwicklung und Anwendung des Risikovorhersagemodells

1. Stellen Sie alle Studi-Variablen in einem strukturierten Datensatz mittels REDCap zusammen. Definieren Sie die Zielvariable als binär: 1 = epidurales Lipomat vorhanden (alle vier diagnostischen Kriterien aus Schritt 3.5 erfüllt) und 0 = epidurales Lipomat nicht vorhanden.
   1. Prädiktorvariablen wie folgt kodieren: Alter (Jahre); Geschlecht (0 = männlich, 1 = weiblich); BMI (kg/m²)²); verschobenes Segment (0 = L3/L4, 1 = L5); und Goutallier-Grad (0 = Grade 0–2; 1 = Grade 3–4, was eine schwere fettige Infiltration darstellt). Zur Berichterstattung geben Sie den Effekt des Alters pro 10 Jahre und den Effekt des BMI pro 5 kg/m² an² Zunahme. Verwenden Sie Rohkoeffizienten in der am Bettseitenvorhersagegleichung, die algebraisch äquivalent zu den berichteten inkrementbasierten Koeffizienten sind.
   2. Führen Sie eine Datensäuberung durch, indem Sie fehlende Werte identifizieren, Ausreißer überprüfen und sicherstellen, dass alle Variablen innerhalb der erwarteten Bereichsgrenzen liegen.
   3. Schließen Sie Patienten mit fehlenden erforderlichen Outcome- oder Prädiktorvariablen aus, nachdem die Quelldaten überprüft wurden. Prüfen Sie stetige Variablen mithilfe von Bereichskontrollen und Streudiagrammen, korrigieren Sie bestätigte Dateneingabefehler anhand der Quelldaten, behalten Sie biologisch plausible Ausreißer bei und setzen Sie erforderliche Modellvariablen nicht nach.
2. SPSS-Version 27.0 öffnen und den Zufallsstartwert auf 42 setzen, um die Reproduzierbarkeit sicherzustellen. Durchführung der univariaten Prüfung mithilfe des Student’schen t-t-Test für stetige Variablen und der Chi-Quadrat-Test für kategoriale Variablen.
   1. Variablen auswählen mit P < 0,05 für die multivariable Analyse. Erstellen Sie ein multivariables binäres logistisches Regressionsmodell unter Verwendung einer schrittweisen Rückwärtselimination basierend auf der Minimierung des Akaike-Informationskriteriums (AIC).
   2. Beurteilen Sie die Modellgüte der Anpassung mithilfe des Hosmer-Lemeshow-Tests. Berechnen Sie den Varianzinflationsfaktor (VIF) für alle beibehaltenen Prädiktoren und stellen Sie sicher, dass alle VIF-Werte <5.
   3. Exponentiieren Sie die Regressionskoeffizienten, um adjustierte Odds Ratios (ORs) mit 95 % Konfidenzintervallen (CIs) zu erhalten. Erstellen Sie mithilfe des forestplot-Pakets in R ein Forest-Plot zur Visualisierung der Effektgrößen (Abbildung 1). Geben Sie den Effekt des Alters pro 10-Jahres-Zunahme und den Effekt des BMI pro 5 kg/m² an² Zunahme
   4. Verwenden Sie eine univariate Screening-Methode, gefolgt von einer schrittweisen Rückwärtsauswahl, als explorative Strategie zur Modellbildung für diesen Einzelzentren-Datensatz. Interpretieren Sie das endgültige Modell als hypothesengenerierendes klinisches Entscheidungsunterstützungsinstrument, da die schrittweise Auswahl instabile Koeffizientenschätzungen und überoptimistische Modellleistungen hervorbringen kann. Bestätigen Sie die Modellleistung durch externe Validierung, bevor das Modell in die klinische Praxis eingeführt wird.
   5. Exportieren Sie den bereinigten SPSS-Datensatz als durch Komma getrennte Werte-Datei (.csv) ohne Variabellabels, wobei die Kodierung beibehalten wird. Erstellen Sie das Forestplot in R Version 4.3.1 mit dem Paket forestplot. Stellen Sie vor dem Erstellen des Plots sicher, dass die Variablenkodierung in R mit dem SPSS-Kodierungsverzeichnis übereinstimmt.
3. Bewerten Sie die Diskriminierungsfähigkeit des Modells, indem Sie die Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) für den Modellierungs-Kohorte berechnen. Schätzen Sie den Standardfehler mithilfe des DeLong-Tests.
   1. Bewerten Sie die Modellkalibrierung anhand von Kalibrierungsdiagrammen, die vorhergesagte und beobachtete Wahrscheinlichkeiten über gruppierte Intervalle des vorhergesagten Risikos in beiden Kohorten – der Modellierungs- und der Validierungskohorte – vergleichen (Abbildung 2). Interpretieren Sie die Kalibrierungskurve der Validierungskohorte mit Vorsicht, da an den Extremen des vorhergesagten Risikos weniger Beobachtungen verfügbar sind.
   2. Führen Sie eine Decision-Curve-Analyse mit dem rmda-Paket (Version 1.6) in R-Version 4.3.1 durch. Vergleichen Sie das Vorhersagemodell mit den Strategien „alle behandeln“ und „keinen behandeln“ über einen Bereich von Schwellenwahrscheinlichkeiten hinwegAbbildung 3).
   3. Validieren Sie das endgültige Modell anhand des zurückgehaltenen internen Validierungskohorten (n = 106). Berichten Sie deskriptiv über die Validierungs-AUC, die Kalibrierungskurve und die Entscheidungskurvenanalyse. Interpretieren Sie eine Übereinstimmung zwischen Modellierungs- und Validierungskohorte als Hinweis auf interne Konsistenz, nicht jedoch als Nachweis externer Validität.
   4. Führen Sie eine Receiver-Operating-Characteristic-Analyse, eine Kalibrationsgrafik und eine Decision-Curve-Analyse in R-Version 4.3.1 durch. Archivieren Sie die R-Skripte, Paketversionen, den Eingabedatensatz, das Codierwörterbuch und die Ergebnisgrafiken zusammen mit dem statistischen Analyseprotokoll.
   5. Verwenden Sie keine festen Schwellenwerte, wie beispielsweise einen AUC-Unterschied ≤0,05 oder eine Kalibrierungssteigung von 0,8–1,2, als formale Validierungskriterien. Berichten Sie diese Werte beschreibend als Indikatoren für die interne Modellstabilität und weisen Sie darauf hin, dass eine multizentrische externe Validierung erforderlich ist, bevor eine breite klinische Anwendung möglich ist.
      HINWEIS: Führen Sie eine vollständige interne Validierung durch, bevor Sie das Modell auf externe klinische Datensätze anwenden.
4. Sammeln Sie die fünf Prädiktorvariablen für einen neuen Patienten mit DLS: Alter (Jahre), Geschlecht, BMI (kg/m²),²), verschobenes Segment (L3/L4 oder L5) und Multifidus-Goutallier-Grad auf der Ebene der Verschiebung.
   1. Berechnen Sie die vorhergesagte Wahrscheinlichkeit mithilfe der logistischen Regressionsgleichung, ausgedrückt in rohen klinischen Einheiten:
      
      Hier gilt: z = -5,521 + (0,0412 × Alter) + (0,856 × Geschlecht) + (0,1256 × BMI) + (1,326 × verschobenes Segment) + (1,158 × Goutallier-Grad). Geben Sie das Alter in Jahren ein; kodieren Sie das Geschlecht mit 0 = männlich und 1 = weiblich; geben Sie den BMI in kg/m² ein.²; kodieren Sie das verschobene Segment als 0 = L3/L4 und 1 = L5; und kodieren Sie den Goutallier-Grad als 0 = Grad 0–2 und 1 = Grad 3–4. Die Koeffizienten in den ursprünglichen Einheiten für Alter und BMI entsprechen algebraisch den Koeffizienten, die pro 10 Jahre bzw. pro 5 kg/m² ausgedrückt sind² steigt bzw.
   2. Interpretieren Sie die vorhergesagte Wahrscheinlichkeit wie folgt deskriptiv: <20 % weisen eine niedrige geschätzte Wahrscheinlichkeit aus, 20 %–50 % weisen eine mittlere geschätzte Wahrscheinlichkeit aus, und >50 % weisen auf eine hohe geschätzte Wahrscheinlichkeit einer epiduralen Lipomatose hin. Verwenden Sie diese Kategorien zur Risikokommunikation und zur Priorisierung des Arbeitsablaufs, nicht zur Therapiewahl.
      HINWEIS: Verwenden Sie das Vorhersagemodell ausschließlich als klinisches Entscheidungsunterstützungswerkzeug. Ersetzen Sie damit weder die klinische Beurteilung noch die radiologische Befundung. Wenden Sie das Modell nicht auf Populationen außerhalb der Herkunftskohorte an, einschließlich Patienten mit Isthmusspondylolisthese, postoperativen Wirbelsäulenbefunden oder steroidinduzierter epiduraler Lipomatose, ohne vorherige zusätzliche Validierung.
   3. Geben Sie die Rohwerte für Alter und BMI direkt in die Vorhersagegleichung ein. Eine algebraische Umrechnung der Koeffizienten für Alter und BMI verändert lediglich die Darstellung der Gleichung, nicht jedoch die vorhergesagten Wahrscheinlichkeiten, Odds Ratios, ROC-Kurven (Receiver Operating Characteristic), Kalibrierungsdiagramme oder die Ergebnisse der Entscheidungskurvenanalyse.
   4. Geben Sie Odds Ratios konsistent wie folgt an: Alter pro 10-Jahres-Zunahme; BMI pro 5 kg/m²² Zunahme; Geschlecht, weiblich im Vergleich zu männlich; verschobenes Segment, L5 im Vergleich zu L3/L4; und Goutallier-Grad, Grad 3–4 im Vergleich zu Grad 0–2.
   5. Verwenden Sie die Kategorien mit niedriger, mittlerer und hoher Wahrscheinlichkeit als pragmatische klinische Kommunikationsgruppen, die sich aus der modellvorhergesagten Wahrscheinlichkeitsverteilung und der Decision-Curve-Analyse ergeben. Interpretieren Sie diese Kategorien nicht als validierte Behandlungsschwellenwerte, da eine prospektive externe Validierung erforderlich ist, um optimale Entscheidungsschwellenwerte zu etablieren.

Abbildung 1. Walddarstellung unabhängiger Prädiktoren für epidurale Lipomatose bei Patienten mit degenerativer lumbaler Spondylolisthese. Walddarstellung, die die adjustierten Odds Ratios (ORs) und 95 % Konfidenzintervalle (KIs) für die fünf unabhängigen Prädiktoren zeigt, die mittels multivariater binärer logistischer Regression identifiziert wurden. Rote Quadrate kennzeichnen die adjustierten ORs, horizontale blaue Linien repräsentieren die entsprechenden 95 % KIs, und die vertikale gestrichelte Linie zeigt den Nullwert (OR = 1). Der Effekt des Alters wird pro 10-jährigem Anstieg angegeben, und der Effekt des Body-Mass-Index (BMI) pro 5 kg/m² Anstieg. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

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

Abbildung 3. Empfänger-Charakteristik-Kurve (ROC) und Entscheidungskurvenanalyse des Vorhersagemodells. (A) Empfänger-Charakteristik-(ROC-)Kurven für den Modellierungs-Kohortenstich (Fläche unter der Kurve [AUC] = 0,834) und die Validierungs-Kohorte (AUC = 0,815). Die graue diagonale Linie stellt die Referenzlinie für einen nicht diskriminierenden Klassifikator dar. (B) Entscheidungskurvenanalyse, die den Nettovorteil des Vorhersagemodells über verschiedene Schwellenwahrscheinlichkeiten hinweg zeigt. Die durchgezogene rote Linie repräsentiert die Modellierungs-Kohorte, die gestrichelte blaue Linie die Validierungs-Kohorte, die strichpunktierte schwarze Linie die „behandle-alle“-Strategie und die gepunktete graue Linie die „behandle-keinen“-Strategie. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ergebnisse

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

In der Modellierungsgruppe wurden 87 Patienten gemäß des standardisierten MRT-Protokolls als an epiduraler Lipomatose erkrankt klassifiziert, während 161 Patienten als nicht an epiduraler Lipomatose erkrankt eingestuft wurden. Die univariate Analyse zeigte Unterschiede zwischen den Gruppen hinsichtlich des Alters (P = 0,014), des BMI (P < 0,001), des verschobenen Segments (P = 0,010) und des Goutallier-Grades (P = 0,024). Das weibliche Geschlecht lag an der nominalen Signifikanzschwelle (P = 0,050). Für den Pfirrmann-Grad oder die übrigen spinopelvinen und Facettengelenk-Parameter wurden keine statistisch signifikanten Unterschiede beobachtet (Tabelle 2).

Variable	Gruppe mit Lipomatose (n = 87)	Gruppe ohne Lipomatose (n = 161)	t/χ2	P-Wert
Alter (Jahre)	70,28 ± 10,84	66,57 ± 11,50	2,47	0,014
Geschlecht, n (%)			3,844	0,05
Männlich	26 (29,89)	70 (43,48)
Weiblich	61 (70,11)	91 (56,52)
Körper-Masse-Index (kg/m²)	26,84 ± 3,68	23,82 ± 3,12	6,815	<0,001
Gleitsegment, 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-Grad, n (%)			0,99	0,804
Grad II	5 (5,75)	13 (8,07)
Grad III	24 (27,59)	50 (31,06)
Grad IV	34 (39,08)	59 (36,65)
Grad V	24 (27,59)	39 (24,22)
Goutallier-Grad, n (%)			9,446	0,024
Grad 1	22 (25,29)	56 (34,78)
Grad 2	26 (29,89)	60 (37,27)
Grad 3	21 (24,14)	31 (19,25)
Grad 4	18 (20,69)	14 (8,70)
Winkel des distalen Facettengelenks (°)	55,38 ± 6,52	55,20 ± 6,39	0,208	0,835
Exsudat im distalen Facettengelenk (mm)	0,96 ± 0,22	0,93 ± 0,20	1,091	0,277
Höhe der distalen Bandscheibe (mm)	9,08 ± 1,96	9,20 ± 1,90	0,469	0,64
Winkel des proximalen Facettengelenks (°)	49,82 ± 6,17	50,02 ± 5,97	0,252	0,802
Exsudat im proximalen Facettengelenk (mm)	0,85 ± 0,27	0,83 ± 0,25	0,584	0,56
Höhe der proximalen Bandscheibe (mm)	8,02 ± 1,56	8,07 ± 1,50	0,247	0,805
Pelvine Inzidenz (PI, °)	52,46 ± 8,12	52,03 ± 7,86	0,404	0,687
Pelvine Neigung (PT, °)	24,58 ± 7,33	24,22 ± 7,10	0,375	0,708
Sakraler Winkel (SS, °)	44,78 ± 6,91	44,98 ± 6,80	0,224	0,823
Thorakale Kyphose (TK, °)	21,08 ± 7,79	21,24 ± 7,62	0,158	0,875

Tabelle 2: Univariate Analyse der mit epiduraler Lipomatose assoziierten Faktoren in der Modellierungsgruppe. Stetige Variablen sind als Mittelwert ± Standardabweichung (SD) angegeben, kategoriale Variablen als Anzahl (%). Es wurden Vergleiche zwischen der Lipomatosegruppe (n = 87) und der Nicht-Lipomatosegruppe (n = 161) durchgeführt, um Kandidatenvariablen für die multivariable logistische Regressionsanalyse zu identifizieren. Abkürzungen: BMI, Body-Mass-Index; PI, Beckeninklination; PT, Beckenneigung; SS, Sakralschräge; TK, thorakale Kyphose.

Die multivariable binäre logistische Regression identifizierte fünf unabhängige Prädiktoren für epidurales Lipomatose: Alter (Odds Ratio [OR] = 1,510 pro 10-Jahres-Zunahme), weibliches Geschlecht (OR = 2,354), BMI (OR = 1,874 pro 5 kg/m² Zunahme), L5-Segmentverschiebung (OR = 3,766) und Goutallier-Grade 3–4 (OR = 3,184). Die entsprechenden Regressionskoeffizienten, Standardfehler, Wald-Statistiken, ORs und 95 %-Konfidenzintervalle (KI) sind in Tabelle 3 zusammengefasst. Die relativen Effektgrößen und KIs für die beibehaltenen Prädiktoren sind im Forest-Plot dargestellt (Abbildung 1).

Variable	β	SE	Wald χ2	P-Wert	OR	95 % KI
Alter	0,412	0,156	6,975	0,008	1,51	1,112–2,050
Geschlecht (weiblich)	0,856	0,368	5,408	0,02	2,354	1,144–4,842
Körpermasseindex	0,628	0,184	11,648	0,001	1,874	1,307–2,688
Verschobenes Segment (L5)	1,326	0,342	15,034	<0,001	3,766	1,926–7,362
Goutallier-Grad (Grad 3–4)	1,158	0,316	13,421	<0,001	3,184	1,714–5,915
Konstante	–5,521	1,248	19,574	<0,001	0,004	—

Tabelle 3: Multivariable binäre logistische Regressionsanalyse unabhängiger Prädiktoren der Epiduralfettgewebsvermehrung. Die Ergebnisse werden als Regressionskoeffizient (β), Standardfehler (SE), Wald-χ²-Statistik, Odds Ratio (OR) und entsprechendes 95 %-Konfidenzintervall (KI) für die in dem endgültigen multivariablen binären logistischen Regressionsmodell verbliebenen unabhängigen Prädiktoren dargestellt. Der angegebene Alterskoeffizient entspricht einer Erhöhung um 10 Jahre, und der angegebene Body-Mass-Index-(BMI-)Koeffizient entspricht einer Erhöhung um 5 kg/m². Für die direkte Eingabe roher klinischer Werte in die Vorhersagegleichung betragen die entsprechenden Koeffizienten 0,0412 pro Lebensjahr und 0,1256 pro kg/m² BMI. Abkürzungen: β, Regressionskoeffizient; SE, Standardfehler; OR, Odds Ratio; CI, Konfidenzintervall.

Die Kalibrierungsdiagramme zeigten eine annähernde Übereinstimmung zwischen vorhergesagten und beobachteten Wahrscheinlichkeiten in den Modellierungs- und Validierungskohorten, mit größerer Unsicherheit bei höheren vorhergesagten Wahrscheinlichkeiten in der Validierungskohorte (Abbildung 2A,B).

Die Modellunterscheidung wurde mittels Receiver-Operating-Characteristic-Analyse evaluiert. Das Vorhersagemodell erreichte AUCs von 0,834 in der Modellierungsgruppe und 0,815 in der Validierungsgruppe (Abbildung 3A). Die Entscheidungskurvenanalyse deutete im Vergleich zu den Strategien „alle behandeln“ und „keinen behandeln“ einen potenziellen Nettovorteil über ausgewählte Schwellenwahrscheinlichkeitsbereiche hin (Abbildung 3B). Da die Validierungsgruppe intern von einer einzigen Institution zurückgehalten wurde, weisen diese Ergebnisse auf interne Konsistenz hin und sollten nicht als Beleg für eine breite externe Generalisierbarkeit interpretiert werden.

Die während der vorliegenden Studie generierten und analysierten Datensätze sind auf begründete Anfrage beim korrespondierenden Autor (R.T.) verfügbar. Aufgrund des Schutzes der Patientendaten und der datenschutzrechtlichen Vorgaben der Institution können individuelle klinische und bildgebende Daten nicht öffentlich zugänglich gemacht werden. Zusammengefasste, anonymisierte Daten, Regressionskoeffizienten, die Vorhersagegleichung, ein Beispiel für einen Codierbogen sowie der Code für die statistische Analyse können an qualifizierte Forscher weitergegeben werden, sofern dies von der Institutional Review Board und der Ethikkommission des Tianjin Union Medical Center genehmigt und eine Datenverwendungsvereinbarung abgeschlossen wurde.

Diskussion

Das vorliegende Protokoll integriert standardisierte MRT-Aufnahmen, strukturierte Bildinterpretation und quantitative Risikomodellierung in ein kohärentes klinisches Entscheidungsunterstützungswerkzeug zur Identifizierung von epiduraler Lipomatose bei Patienten mit DLS. Der Arbeitsablauf umfasst vier sequenzielle Komponenten: systematische Patientencharakterisierung, einschließlich demografischer und anthropometrischer Variablen; standardisierte sagittale T1-gewichtete MRT-Aufnahme, optimiert zur Visualisierung epiduralen Fettgewebes; strukturierte qualitative Beurteilung der epiduralen Fettablagerung und der fettigen Infiltration paraspinaler Muskulatur anhand vordefinierter diagnostischer Kriterien; sowie die Anwendung einer multivariablen Vorhersagegleichung zur Erstellung individueller Wahrscheinlichkeitsschätzungen. Zu den entscheidenden Schritten, die die Reproduzierbarkeit des Protokolls unterstützen, zählen die Verwendung sagittaler T1-gewichteter Bildgebung als primäre diagnostische Sequenz, die Schwellenwertdefinition eines reproduzierbaren epiduralen Fettdepots an der versetzten Ebene mit einem kraniokaudalen Ausmaß von mindestens 5 mm, die axiale Bestätigung eines Kompartmentsyndroms des Liquorkanals, die systematische, der Wirbelsäule angepasste Goutallier-Klassifikation der fettigen Infiltration des Musculus multifidus sowie die Integration dieser Parameter in einen quantitativen Risikoscore.

Das Protokoll kann in verschiedenen klinischen Umgebungen und auf unterschiedlichen Bildgebungssystemen angepasst werden. Bei 3,0-T-Systemen sind dünnere Schichten möglicherweise realisierbar; jedoch sollte die Echozeit sorgfältig angepasst werden, um T1-Shine-through-Artefakte zu minimieren, die bei höheren Magnetfeldstärken stärker ausgeprägt sein können. Bei 1,5-T-Systemen liefern die Standard-Aufnahmeparameter eine ausreichende diagnostische Bildqualität; falls das Bildrauschen übermäßig ist, erhöhen Sie die Anzahl der Anregungen von 2 auf 3 oder verwenden Sie Beschleunigungsfaktoren für parallele Bildgebung, die 2 nicht überschreiten. Bei atypischen Fettverteilungsmustern, einschließlich einer zirkumferentiellen statt dorsalen Verteilung oder fleckigen statt bandförmigen Ablagerungen, wenden Sie das Kriterium von ≥5 mm auf die größte zusammenhängende oder semikontinuierliche Ablagerung in derselben sagittalen Ebene an und bestätigen Sie den Befund in axialen T2-gewichteten Bildern. Wenn weiterhin Unsicherheit bezüglich einer pathologischen epiduralen Lipomatose im Vergleich zu physiologischem epiduralem Fett besteht, vergleichen Sie die Fettansammlung mit dem anteroposterioren Durchmesser und der Querschnittsfläche des duralem Sacks in axialen Aufnahmen. In diesem Protokoll dienen axiale quantitative Messungen der Unterstützung von Bestätigung und Dokumentation, nicht jedoch als unabhängiger Referenzstandard zur Neufestlegung des ursprünglichen Modellergebnisses. Um die Inter-Reader-Variabilität bei der Goutallier-Klassifizierung zu minimieren, standardisieren Sie die Platzierung des Untersuchungsbereichs auf die axiale Schicht in der Mitte des verschobenen Zwischenwirbelraums. Lösen Sie Uneinigkeiten zwischen zwei unabhängigen Auslesern durch Konsens mit einem dritten, erfahrenen Ausleser.

Mehrere methodische Einschränkungen sollten berücksichtigt werden. Erstens basiert die Diagnose auf einer qualitativen visuellen Beurteilung der MRT-Signalcharakteristika und der kraniokaudalen Ausdehnung anstelle einer quantitativen volumetrischen Messung. Obwohl dieser Ansatz praktisch und weit verbreitet ist, erfasst er nicht das dreidimensionale epidurale Fettvolumen, das möglicherweise direkter mit der Schwere der Symptome und der Dringlichkeit einer Operation korreliert. Etablierte MRT-Klassifizierungssysteme, darunter methodenbasierte Ansätze wie das Verhältnis von epiduralem Fett zum duralem Sack und das lokoregionale Graduierungssystem nach Manjila, liefern ergänzende Informationen bezüglich des axialen Kanalverschlusses, der sagittalen Ausdehnung sowie der dorsalen, ventralen oder zirkumferentialen Fettverteilung^13,14. Diese Merkmale könnten insbesondere auf der Ebene L5-S1 besonders relevant sein, wo sich die Geometrie des Spinalkanals und die Anatomie der lateralen Recess von anderen lumbalen Segmenten unterscheiden. Das vorliegende Protokoll dokumentiert prospektiv die axiale Kompression und die Fettverteilung, verwendet diese Graduierungssysteme jedoch nicht als unabhängige Referenzstandards, da die ursprüngliche Studie nicht als diagnostische Genauigkeitsstudie mit Referenzstandard konzipiert war. Folglich wurden Sensitivität, Spezifität und Übereinstimmung zwischen den Methoden nicht erneut berechnet, um eine nachträgliche Neuklassifizierung des ursprünglichen Studienergebnisses zu vermeiden. Fortgeschrittene quantitative MRT-Techniken, darunter die auf Dixon basierende Trennung von Fett und Wasser sowie die volumetrische Segmentierung, könnten eine präzisere Fettquantifizierung ermöglichen, erfordern jedoch spezielle Software und zusätzliche Aufnahmezeit. Zweitens bleibt das Goutallier-Graduierungssystem semi-quantitativ und ist anfällig für interindividuelle Beurteilungsunterschiede. Obwohl das Fünf-Grad-Schema eine praktische klinische Klassifikation bietet, liefert es keine kontinuierliche Messung des fettigen Infiltrats, das mit der Expression entzündlicher Zytokine im Muskel- und epiduralen Fettgewebe²¹ sowie mit veränderten passiven mechanischen Eigenschaften des Musculus multifidus assoziiert wurde^22,23. In dieser Studie wurde ein am Wirbelsäulenbereich angepasster Ansatz des Goutallier-Konzepts verwendet, wobei die Grade 0–2 separat von den Graden 3–4 zusammengefasst wurden, um nicht schwere von schweren fettigen Veränderungen zu unterscheiden und gleichzeitig die Modellparsimonie zu bewahren. Drittens berücksichtigt das Vorhersagemodell ausschließlich klinische und bildgebende Variablen und schließt keine biochemischen Marker wie Serum-Lipidprofile, Entzündungsmarker oder Adipokine ein, die die Vorhersagegenauigkeit bei metabolisch bedingten Fällen verbessern könnten. Viertens kann die Verwendung einer univariaten Vorauswahl gefolgt von einer schrittweisen logistischen Regression eine Variablenselektionsverzerrung und Instabilität der Koeffizienten verursachen; daher sollte das Modell als explorativ und lediglich intern validiert betrachtet werden. Schließlich ist eine externe Validierung in unterschiedlichen klinischen Umgebungen, mit verschiedenen Bildgebungssystemen und bei verschiedenen Patientengruppen notwendig, bevor eine breite klinische Anwendung erfolgen kann. Da die Validierung anhand einer Kohorte aus einer einzigen Institution durchgeführt wurde, sollten zukünftige multizentrische prospektive Studien die Modellleistung bestätigen und klinisch nützliche Wahrscheinlichkeitsschwellen etablieren.

Das vorliegende Protokoll bietet mehrere Vorteile gegenüber einer unstrukturierten klinischen Praxis. Die herkömmliche Praxis stützt sich häufig auf einen zufälligen Befund des Radiologen hinsichtlich einer epiduralen Lipomatose, ohne standardisierte diagnostische Kriterien, was zu inkonsistenter Detektion führt. Im Gegensatz dazu bietet dieses Protokoll explizite diagnostische Kriterien und einen strukturierten Interpretationsablauf, der einheitlich von verschiedenen Untersuchern und Institutionen angewendet werden kann. Im Vergleich zu komplexeren, multimodalen Bewertungsstrategien, die aufwendige Bildgebung oder invasive diagnostische Verfahren einbeziehen, ist der vorgestellte Ansatz praktisch umsetzbar, da er standardmäßige lumbale MRT-Sequenzen und routinemäßig verfügbare klinische Daten nutzt. Sein wesentlicher Beitrag besteht in der Integration der am Wirbelsäulenbereich angepassten Goutallier-Bewertung der fettigen Infiltration des Musculus multifidus in ein Risikovorhersagemodell für DLS-assoziierte epidurale Lipomatose. Zur Beurteilung der Bandscheibendegeneration bleibt das Pfirrmann-Graduierungssystem eine praktische und weithin akzeptierte morphologische MRT-Klassifikation¹⁸. Die MR-Elastographie hat sich als ergänzende quantitative Methode etabliert, da die Bandscheibensteifigkeit mit fortschreitender Degeneration zunimmt und objektive biomechanische Informationen jenseits der ordinalen Pfirrmann-Grade liefern kann²⁴. Das vorliegende Protokoll behält die Pfirrmann-Graduierung bei, da sie problemlos in routinemäßige lumbale MRT-Untersuchungen integriert werden kann, während zukünftige Versionen die MR-Elastographie einbeziehen könnten, sobald die Technologie breiter verfügbar ist.

Klinisch können die Wahrscheinlichkeitsschätzungen dazu beitragen, das Risikobewusstsein, die Beurteilung von Bildgebungsverfahren, die Planung chirurgischer Eingriffe und die Patientenaufklärung zu unterstützen. Frühere Arbeiten haben gezeigt, dass die Ergebnisse nach zwei Jahren bei epiduraler Lipomatose und degenerativer Stenose nach Dekompression vergleichbar sind^25,26. Der vorliegende Protokollansatz bewertet jedoch keine Behandlungsergebnisse und vergleicht keine Dekompressionsstrategien; er sollte daher nicht dazu verwendet werden, offene, minimal-invasive oder endoskopische Dekompressionen vorzuschreiben. Stattdessen soll das Modell Kliniker auf die Möglichkeit einer klinisch relevanten epiduralen Fettansammlung hinweisen und eine sorgfältige Beurteilung der axialen Kompression, der dorsalen oder ventralen Fettverteilung sowie des Duralsack-Kompartiments anregen. Eine Hypoplasie des L5-Wirbelkörpers und eine L5-S1-Pseudospondylolisthese können potenzielle entwicklungsbedingte oder anatomische Differentialdiagnosen darstellen, da ein relativ kleiner anteroposteriorer L5-Wirbelkörper sowie hinteres fettfibroses Gewebe einem scheinbaren Wirbelverschiebung ähneln können. Um diese Fehlerquelle bei der Klassifizierung zu verringern, schließt das Protokoll nicht-degenerative und entwicklungsbedingte Spondylolisthesen aus, bestätigt DLS mittels Aufnahmen im Stehen und dem Fehlen von Parsdefekten und verlangt eine Korrelation der Verschiebungsebene zwischen sagittaler und axialer MRT. Bei der Patientenaufklärung können individuelle Wahrscheinlichkeitsschätzungen die Diskussion der bildgebenden Befunde und erwarteter intraoperativer Aspekte erleichtern. Postoperativ könnte das Protokoll helfen, Patienten zu identifizieren, die eine engmaschigere Nachsorge benötigen, obwohl diese Anwendung weiterer Validierung bedarf. Über DLS hinaus könnte das Konzept auf andere degenerative Wirbelsäulenerkrankungen übertragbar sein, bei denen eine epidurale Fettansammlung zu den Symptomen beiträgt, beispielsweise bei lumbaler Spinalkanalstenose und lumbaler Spondylose ohne Listhese.

Zusammenfassend bietet dieses Protokoll einen strukturierten und klinisch praktikablen Ansatz zur Beurteilung einer epiduralen Lipomatose bei Patienten mit DLS. Durch die Integration standardisierter MRT-Interpretation, systematischer Beurteilung der paraspinalen Muskulatur, prospektiver axialer Bestätigung des Duralsack-Kompressionsbefunds und multivariabler Risikomodellierung unterstützt das Protokoll eine reproduzierbare Bildbefundung, Risikokommunikation, operative Planungsgespräche und Patientenaufklärung anhand standardmäßiger klinischer MRT-Bilder ohne spezielle Ausrüstung. Die ursprüngliche Definition des diagnostischen Endpunkts und die berichtete Modellleistung blieben bei der Überarbeitung unverändert. Das Modell sollte als intern validiertes klinisches Entscheidungsunterstützungsinstrument verstanden werden, nicht jedoch als diagnostischer Referenzstandard oder als Regel zur operativen Indikationsstellung. Künftige Studien sollten den Vergleich mit etablierten MRT-Referenzstandards, eine multizentrische externe Validierung, automatisierte Bildanalyse sowie fortschrittliche quantitative MRT-Verfahren wie die Dixon-Bildgebung und MR-Elastographie umfassen.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
1,5-Tesla-Magnetresonanztomograph	Ausstattung	Siemens Healthineers	Magnetom Aera
16-Kanal-Rückenmark-Oberflächen-Spule	Ausstattung	Siemens Healthineers	Standardkonfiguration
DICOM-Teil-14-konformer Diagnosemonitor (3 Megapixel)	Ausstattung	Barco NV	Nio Color 3MP, MDNC-3421CN; DICOM-Kalibrierung über Barco QAWeb Enterprise
forestplot R-Paket	Software	R Foundation for Statistical Computing	Version 3.1.3
ImageJ	Software	National Institutes of Health	Version 1.53t
PACS-Arbeitsplatzrechner	Ausstattung	Dell Inc.	Precision 3660 Tower Workstation; Windows 10, 64-Bit-Betriebssystem
Bildarchivierungs- und Kommunikationssystem (PACS)	Software	INFINITT Healthcare Co., Ltd.	INFINITT PACS 7.0
R	Software	R Foundation for Statistical Computing	Version 4.3.1
REDCap	Software	Vanderbilt University	Version 13.1
rmda R-Paket	Software	R Foundation for Statistical Computing	Version 1.6
SPSS Statistics	Software	IBM	Version 27.0