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

Samenvatting

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

Samenvatting

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

Inleiding

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

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

Protocol

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

1. Patiëntselectie en klinische evaluatie

1. Verkrijg goedkeuring van de Institutional Review Board en de ethische commissie voordat patiënten worden geïncludeerd. Zorg ervoor dat alle procedures met menselijke deelnemers voldoen aan de Verklaring van Helsinki. Documenteer het goedkeuringsnummer (2024-IRB-089) in alle studieregisters.
   ​OPMERKING: De vereiste voor individuele geïnformeerde toestemming kan worden weggelaten wanneer de studie volledig gedeïdentificeerde, reeds bestaande klinische gegevens en beelduitslagen gebruikt, mits deze ontheffing voldoet aan het institutionele beleid en de nationale regelgeving omtrent het secundair gebruik van klinische gegevens. Verkrijg expliciete goedkeuring voor de ontheffing van de ethische commissie. Verkrijg ethische goedkeuring voordat u overgaat tot de inclusie van patiënten.
2. Screen opeenvolgende patiënten die zich melden bij de afdeling wervelkolomchirurgie met een bevestigde diagnose van DLS. Beoordeel staande laterale radiografieën of flexie-extensieradiografieën om een anterieure vertebrale glijding van ≥3 mm of ≥10% van de breedte van het wervellichaam te bevestigen.
   1. Verifieer degeneratieve veranderingen op het corresponderende niveau, inclusief intervertebrale schijfdegeneratie en facetgewrichtshypertrofie¹⁷. Bevestig de afwezigheid van een pars interarticularis-defect op laterale radiografieën en sagittale MRI.
   2. Includeer patiënten van 18–85 jaar die binnen 2 weken na de klinische beoordeling een standaard lumbale MRI hebben ondergaan (sagittale T1-gewogen, sagittale T2-gewogen en axiale T2-gewogen sequenties). Sluit patiënten uit die in de afgelopen 6 maanden een spinale operatie of een epidurale steroïdeninjectie hebben ondergaan.
   3. Meet de anterieure vertebrale glijding op staande laterale of flexie-extensieradiografieën met behulp van de methode van de posterieure lijn van het wervellichaam. Trek een verticale referentielijn langs de posterieure cortex van het caudale wervellichaam en meet vervolgens de loodrechte afstand van deze lijn tot de posteroinferieure hoek van de gegleden craniale wervel. Noteer de verplaatsing in millimeters en, indien vereist, als een percentage van de anteroposterieure breedte van het caudale wervellichaam.
3. Sluit patiënten uit met niet-degeneratieve spondylolisthesis (isthmisch, traumatisch, pathologisch, postoperatief, of ontwikkelingsgebonden of anatomische imitaties zoals een hypoplastisch L5-wervellichaam en L5–S1 pseudolisthesis), glucocorticoidgebruik gedurende >3 cumulatieve maanden in het voorgaande jaar, of bevestigd endogeen hypercortisolisme (ziekte van Cushing, adrenaal adenoom of een hypofysaire ACTH-secreterende tumor).
   1. Sluit patiënten uit die in de afgelopen 6 maanden een anabole steroïden- of testosteronsubstitutietherapie hebben ontvangen. Sluit MRI-onderzoeken met onvoldoende beeldkwaliteit uit, waaronder bewegingsartefacten graad II of hoger of onvolledige lumbosacrale dekking.
   2. Sluit patiënten uit met ernstige cardiopulmonale of renale insufficiëntie (American Society of Anesthesiologists Physical Status Class IV–V), actieve infectie of contra-indicaties voor MRI.
      ​WAARSCHUWING: Voer een volledige MRI-veiligheidsscreening uit voordat de scanner wordt betreden. Sluit patiënten uit met MRI-incompatibele geïmplanteerde apparaten.
   3. Gradeer bewegingsartefacten met behulp van een vierpuntschaal voor beeldkwaliteit: graad 0 = geen zichtbaar artefact; graad I = mild artefact zonder diagnostische beperking; graad II = matig artefact dat anatomische randen of meetpunten maskeert; en graad III = ernstig artefact waardoor de sequentie niet-diagnostisch is. Sluit onderzoeken uit met graad II of III artefacten in elke sequentie die vereist is voor de uitkomstclassificatie, of herhaal de betreffende sequentie voordat het onderzoek in de studie wordt opgenomen.
4. Extraheer klinische gegevens uit de database van het elektronisch patiëntendossier (EPD) en het Picture Archiving and Communication System (PACS) met behulp van een gestandaardiseerd REDCap-gegevensverzamelingsformulier dat is ingevuld door twee getrainde researchassistenten.
   1. Noteer leeftijd (jaren), geslacht (man/vrouw), bodymassindex (BMI; kg/m²) en het gegleden segment (L3, L4 of L5).
   2. Noteer de duur van de symptomen, de aanwezigheid van neurogene claudicatio intermittens en eerdere conservatieve behandelingen.
   3. Laat twee getrainde researchassistenten onafhankelijk klinische variabelen uit het EPD en PACS extraheren in dubbele REDCap-formulieren. Vergelijk de twee formulieren na de gegevensextractie en los discrepanties op door de brongegevens te raadplegen. Leg onopgeloste discrepanties voor aan een senior onderzoeker voor beslechting.
   4. Identificeer ontbrekende of onvolledige variabelen tijdens REDCap-controles op bereik en volledigheid. Verifieer ontbrekende waarden aan de hand van het EPD, PACS en de oorspronkelijke beeldenverslagen. Sluit een patiënt pas uit van de modelontwikkeling wanneer een vereiste predictor, uitkomstvariabele of essentiële MRI-sequentie niet kan worden teruggevonden. Voer geen statistische imputatie uit voor vereiste modelvariabelen.
5. Wijs geschikte patiënten willekeurig toe aan de modelleringscohort (n = 248) en de validatiecohort (n = 106) met een allocatieratio van 7:3 in SPSS versie 27.0 met een random seed van 42.
   1. Classificeer patiënten binnen de modelleringscohort in groepen met epidurale lipomatose en zonder lipomatose op basis van de consensusdiagnose van twee senior wervelkolomradiologen met >10 jaar ervaring, volgens het MRI-interpretatieprotocol beschreven in Stap 3.
   2. Stel in SPSS versie 27.0 de random seed in op 42, selecteer Transform > Compute Variable en genereer een uniforme willekeurige variabele met RV.UNIFORM(0,1). Sorteer de gevallen in oplopende volgorde op basis van deze variabele, wijs de eerste 70% van de geschikte gevallen toe aan de modelleringscohort en de overige 30% aan de validatiecohort, en behoud de allocatievariabele ongewijzigd voor alle daaropvolgende analyses.
   3. Gebruik eenvoudige willekeurige toewijzing in plaats van gestratificeerde randomisatie. Forceer geen balans van baseline demografische, radiografische of MRI-variabelen tijdens de toewijzing aan de cohorten.
   4. Vergelijk na de willekeurige toewijzing de baseline demografische, klinische, radiografische en MRI-variabelen tussen de modellerings- en validatiecohorten met de Student's t-toets of de chi-kwadraattoets, naar gelang van toepassing. Beschouw de toewijzing als acceptabel wanneer er geen klinisch relevante onbalans wordt vastgesteld, en rapporteer de beoordeling van de vergelijkbaarheid van de cohorten in Tabel 1.
      OPMERKING: Voltooi de cohorttoewijzing nadat alle geschiktheidscriteria zijn geverifieerd.

Variabele	Modelleringscohort (n = 248)	Validatiecohort (n = 106)	t/χ2	P-waarde
Leeftijd (jaar)	67.87 ± 11.39	68.16 ± 11.93	0.216	0.829
Geslacht, n (%)			0.002	0.966
Man	96 (38.71)	42 (39.62)
Vrouw	152 (61.29)	64 (60.38)
Body mass index (kg/m²)	24.88 ± 3.62	24.91 ± 3.48	0.077	0.939
Afgegleden segment, n (%)			0.564	0.754
L3	31 (12.50)	14 (13.21)
L4	149 (60.08)	67 (63.21)
L5	68 (27.42)	25 (23.58)
Pfirrmann-graad, n (%)			0.104	0.991
Graad II	18 (7.26)	8 (7.55)
Graad III	74 (29.84)	33 (31.13)
Graad IV	93 (37.50)	38 (35.85)
Graad V	63 (25.40)	27 (25.47)
Goutallier-graad, n (%)			3.022	0.388
Graad 1	78 (31.45)	27 (25.47)
Graad 2	86 (34.68)	33 (31.13)
Graad 3	52 (20.97)	28 (26.42)
Graad 4	32 (12.90)	18 (16.98)
Distale facetgewrichtshoek (°)	55.26 ± 6.42	55.18 ± 6.39	0.111	0.912
Distale facetgewrichtseffusie (mm)	0.94 ± 0.21	0.93 ± 0.20	0.444	0.657
Distale discushoogte (mm)	9.16 ± 1.92	9.20 ± 1.88	0.193	0.847
Proximale facetgewrichtshoek (°)	49.95 ± 6.03	50.03 ± 5.99	0.115	0.908
Proximale facetgewrichtseffusie (mm)	0.84 ± 0.26	0.83 ± 0.25	0.237	0.813
Proximale discushoogte (mm)	8.05 ± 1.52	8.08 ± 1.50	0.156	0.876
Pelvic incidence (PI, °)	52.18 ± 7.94	52.35 ± 7.85	0.188	0.851
Pelvic tilt (PT, °)	24.35 ± 7.17	24.28 ± 7.23	0.080	0.936
Sacral slope (SS, °)	44.91 ± 6.83	45.01 ± 6.79	0.129	0.898
Thoracale kyfose (TK, °)	21.18 ± 7.67	21.25 ± 7.62	0.075	0.940

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

2. MRI-acquisitieprotocol

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

3. Interpretatie van MRI-beelden bij epidurale lipomatose

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

1. Voer de beeldinterpretatie uit op een speciaal hiervoor bestemd PACS-workstation, uitgerust met een diagnostische monitor van medische kwaliteit (minimaal 3 megapixels; DICOM Part 14 Grayscale Standard Display Function). Houd de omgevingsverlichting gecontroleerd (≤50 lux).
   1. Laad het volledige MRI-onderzoek. Toon sagittale T1-gewogen en sagittale T2-gewogen beelden naast elkaar in het bovenste weergavevenster en axiale T2-gewogen beelden in het onderste weergavevenster met gesynchroniseerde anatomische kruisverwijzingen.
   2. Gebruik de institutionele PACS-viewer met DICOM-gekalibreerde meetinstrumenten en ingeschakelde gesynchroniseerde sagittale-axiale kruisverwijzingen. Pas consistente window- en level-instellingen toe voor de zij-aan-zij vergelijking van beelden tijdens elke leessessie. Noteer de PACS-leverancier en softwareversie in de Tabel van Materialen.
2. Identificeer het niveau van de vertebrale glijding op het midsagittale T1-gewogen beeld door te letten op anterieure vertebrale verplaatsing. Trek een referentielijn langs de posterieure cortex van het onderliggende wervellichaam.
   1. Meet de loodrechte afstand van de referentielijn tot de postero-inferieure hoek van de geglede wervel. Bevestig dat de gemeten verplaatsing ≥3 mm of ≥10% van de breedte van het wervellichaam is.
      ​OPMERKING: Accurate lokalisatie van het gegleden niveau is essentieel, omdat epidurale lipomatose specifiek op het niveau van de vertebrale glijding wordt geëvalueerd.
   2. Voer de metingen van de vertebrale glijding uit met de ingebouwde gekalibreerde elektronische schuifmaatschuif op het PACS-workstation. Verifieer de pixelkalibratie uit de DICOM-metadata vóór de meting en noteer alle afstanden tot op 0,1 mm nauwkeurig.
3. Onderzoek de posterieure epidurale ruimte op het niveau van de glijding op het midsagittale T1-gewogen beeld. Identificeer een bandvormig of halvemaanvormig hyperintens signaal, gelegen tussen de thecale zak anterieur en het ligamentum flavum of het spinous proces posterieur.
   1. Vergelijk de signaalintensiteit van de laesie direct met subcutaan vet op hetzelfde beeld. Indien vetonderdrukte sequenties beschikbaar zijn, bevestig dan de signaaldruk om de vette aard van de laesie te verifiëren.
      ​OPMERKING: Maak onderscheid tussen epidurale lipomatose en andere T1-hyperintense epidurale laesies, waaronder subacuut epiduraal hematoom en eiwitrijke vochtcollecties. Bevestig epidurale lipomatose alleen wanneer de laesie signaalkenmerken vertoont die identiek zijn aan subcutaan vet en zich conformeert aan de epidurale ruimte.
   2. Gebruik de in het protocol gedefinieerde sagittale criteria als primaire screeningsmethode voor het gegleden niveau en kruisverwijs positieve of twijfelachtige bevindingen op axiale T2-gewogen beelden. Documenteer tijdens prospectieve implementatie de epidurale vetdistributie, thecalesak-deformatie en compatibiliteit met gevestigde MRI-gebaseerde beoordelingsmethoden, inclusief axiale benaderingen van de vet-thecalesak-ratio en het locoregionale Manjila-gradatiesysteem. In de retrospectieve cohort die is gebruikt voor modelontwikkeling werden deze gevestigde gradatiesystemen niet toegepast als onafhankelijke referentiestandaarden, en de oorspronkelijke binaire uitkomst werd niet retrospectief geclassificeerd.
4. Meet de craniocaudale omvang van de epidurale vetafzetting met elektronische schuifmaten op het PACS-workstation. Plaats de schuifmaten bij de superieure en inferieure begrenzingen van de aaneengesloten epidurale vetafzetting en noteer de maximale meting.
   1. Bevestig dat de craniocaudale omvang ≥5 mm meet in hetzelfde sagittale vlak. Gebruik zichtbaarheid op ten minste twee aangrenzende sagittale coupes uitsluitend om mediolaterale continuïteit te bevestigen en partial-volume artefacten te verminderen; gebruik aangrenzende sagittale coupes niet om de craniocaudale omvang te schatten.
   2. Kruisverwijs de laesie op sagittale T2-gewogen beelden om de signaalkenmerken te evalueren. Beoordeel de overeenkomstige axiale T2-gewogen beelden om de circumferentiële epidurale vetdistributie en de anteroposterieure reductie van de thecale zak te beoordelen.
      ​OPMERKING: Gebruik een craniocaudale omvang van ≥5 mm als de operationele drempelwaarde voor screening van het gegleden niveau in dit protocol. Noteer de anteroposterieure diameter van de thecale zak en het dwarsdoorsnedevlak op axiale beelden als continue bevestigende metingen. Gebruik geen vaste axiale afkapwaarden als onafhankelijke referentiestandaarden in de huidige retrospectieve cohort.
   3. Indien het vetsignaal slechts op één sagittale coupe zichtbaar is, classificeer de bevinding dan als onbepaald, tenzij axiale beelden een overeenkomstige epidurale vetaccumulatie tonen en de craniocaudale omvang in hetzelfde vlak ≥5 mm blijft. Dit criterium onderscheidt de primaire craniocaudale meting van de ondersteunende beoordeling van de mediolaterale continuïteit.
   4. Meet de anteroposterieure diameter van de thecale zak op het axiale T2-gewogen beeld dat de maximale compressie op het niveau van de glijding vertoont, door de afstand van de anterieure naar de posterieure begrenzing van de durale zak te meten. Meet het dwarsdoorsnedevlak door de binnenste durale grens te omtrekken met het PACS-region-of-interest-instrument of het ImageJ-polygonal-selectie-instrument, en noteer het oppervlak in mm².
   5. Vergelijk de sagittale omvang en axiale ernst kwalitatief met het Manjila-gradatiekader. In dit op DLS gerichte protocol wordt het Manjila-gradatiesysteem gebruikt als locoregionale referentie voor documentatie en niet als primaire definitie van de uitkomst, omdat het eindpunt van de studie de aanwezigheid van epidurale lipomatose op het niveau van de glijding binnen het predictiemodel is.
5. Pas de vier oorspronkelijke criteria voor het gegleden niveau toe die werden gebruikt voor de cohortclassificatie: (1) een bandvormig of halvemaanvormig T1-hyperintens signaal in de posterieure epidurale ruimte op het niveau van de glijding; (2) signaalintensiteit identiek aan subcutaan vet; (3) een craniocaudale omvang van ≥5 mm in hetzelfde sagittale vlak; en (4) reproduceerbaarheid op aangrenzende sagittale coupes. Vertrouw bij prospectieve klinische implementatie niet uitsluitend op de sagittale criteria. Bevestig de overeenkomstige epidurale vetaccumulatie en de contourdeformatie van de thecalesak op axiale beelden, en documenteer of de vetdistributie dorsaal, ventraal of circumferentieel is.
   1. Noteer de axiale kwantitatieve bevindingen, inclusief de anteroposterieure diameter en het dwarsdoorsnedevlak van de thecalesak, samen met de kwalitatieve compatibiliteit met beoordelingsmethoden op basis van de epidurale vet-thecalesak-ratio en het locoregionale Manjila-gradatiesysteem.
      OPMERKING: De oorspronkelijke studie was niet ontworpen als een studie naar diagnostische nauwkeurigheid met gebruik van een gevestigde MRI-referentiestandaard, en de oorspronkelijke DICOM-beelden werden niet opnieuw geanalyseerd tijdens de revisie van het manuscript. Daarom werden sensitiviteit, specificiteit en intermethodische overeenstemming niet opnieuw berekend. Deze aanvullende axiale beschrijvingen zijn bedoeld ter ondersteuning van de prospectieve klinische implementatie en wijzigen de oorspronkelijke studieuitkomst of het predictiemodel niet.
6. Laat alle onderzoeken onafhankelijk interpreteren door twee senior wervelkolomradiologen (≥10 jaar ervaring). Vul een gestandaardiseerd gestructureerd rapportageformulier in waarin de aanwezigheid of afwezigheid van elk diagnostisch criterium, het niveau van de vertebrale glijding, de maximale craniocaudale omvang (mm) en de algemene diagnose worden gedocumenteerd.
   1. Los onenigheden op via consensus met een derde senior wervelkolomradioloog (>15 jaar ervaring) die blind is voor de initiële beoordelingen. Bereken de interobserver-overeenkomst met behulp van de kappa-statistiek van Cohen.
   2. Gebruik een gestructureerd rapportageformulier om het gegleden niveau, de epidurale vetdistributie (dorsaal, ventraal of circumferentieel), de maximale craniocaudale omvang, de sagittale meting in hetzelfde vlak, de zichtbaarheid op aangrenzende coupes, de axiale bevestiging, de thecalesakdiameter, het dwarsdoorsnedevlak van de thecalesak, de definitieve diagnose en het vertrouwen van de lezer te documenteren. Kalibreer alle waarnemers vóór de formele beeldinterpretatie met behulp van 20 representatieve trainingsgevallen, waaronder negatieve, borderline en positieve onderzoeken.
      OPMERKING: VolTooi alle consensusinterpretaties voordat u overgaat tot de statistische analyse.

4. Beoordeling van degeneratie van de intervertebrale schijf

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

5. Beoordeling van vetinfiltratie in de paraspinale spieren

1. Beoordeel de axiale T2-gewogen fast spin-echo beelden op het middenpunt van de verschoven intervertebrale schijf. Identificeer de musculus multifidus bilateraal als de diepe paraspinale spieren direct lateraal van het doornfortuitproces en de lamina.
   1. Beoordeel de sagittale beelden om de zijde van de dominante vertebrale glijding te bepalen. Selecteer de musculus multifidus aan de overeenkomstige zijde voor beoordeling.
   2. Gebruik een voor de wervelkolom aangepaste Goutallier-gradatie, afgeleid van de oorspronkelijke classificatie van vette spierdegeneratie en eerdere toepassingen op de lumbale multifidus^19,20. Ken Graad 0 toe aan spieren met een homogene lage signaalintensiteit, volledige afwezigheid van vette strepen en een goed behouden spiermassa. Ken Graad 1 toe aan spieren die kleine lineaire vetstrepen met een hoog signaal bevatten die <5% van het dwarsdoorsnedeoppervlak beslaan.
   3. Ken Graad 2 toe aan spieren met duidelijk zichtbare vetinfiltratie die 5%–50% van het dwarsdoorsnedeoppervlak beslaat. Ken Graad 3 toe aan spieren met ≥50% vetinfiltratie met resterend spierweefsel.
   4. Ken Graad 4 toe aan spieren waarbij het volledige dwarsdoorsnedeoppervlak is vervangen door vet zonder waarneembaar spierweefsel. Dichotomiseer de resultaten voor statistische analyse als Graden 0-2 en Graden 3-4.
      ​OPMERKING: De multifidus is de grootste en meest mediale paraspinale spier en dient als de primaire dynamische stabilisator van het lumbale segment. Ernstige vetinfiltratie (Graden 3-4) duidt op aanzienlijke vetvervanging en wordt behandeld als de klinisch ernstige categorie voor modellering, omdat dit een drempel weerspiegelt waarbij vet ongeveer minstens de helft van het dwarsdoorsnedeoppervlak van de spier beslaat.
   5. Specificeer dat het oorspronkelijke Goutallier-gradatiesysteem is aangepast voor de beoordeling van de lumbale multifidus op axiale MRI. Dichotomiseer Graden 0–2 en Graden 3–4 om afwezige-tot-matige vetinfiltratie te onderscheiden van ernstige vetvervanging, waardoor de complexiteit van het model wordt verminderd terwijl een adequate events-per-variable ratio in het predictiemodel behouden blijft. Behandel de percentage-drempelwaarden die in dit protocol worden gebruikt als operationele MRI-gebaseerde criteria en niet als een letterlijke reproductie van de oorspronkelijke Goutallier-classificatie via computertomografie van de schouder.
   6. Bepaal de zijde van de dominante vertebrale glijding door axiale en sagittale beelden te beoordelen op asymmetrische vertebrale translatie, rotationele verplaatsing of een grotere vernauwing van de laterale recess. Als er geen zijde domineert, beoordeel dan de zijde met de grootste vetinfiltratie van de multifidus. Als beide zijden symmetrisch zijn, beoordeel dan de rechter musculus multifidus en documenteer deze beslissing.
2. Exporteer het axiale T2-gewogene fast spin-echo DICOM-beeld uit het PACS. Open het beeld in ImageJ-software (versie 1.53t).
   1. Selecteer het polygoon-selectiehulpmiddel en trek de fasciaire grens van de doel-musculus multifidus na. Identificeer de fasciaire grens als de dunne donkere lijn die de spier omringt.
   2. Open Image > Adjust > Threshold. Stel de onderste drempelwaarde in op 120 arbitraire eenheden en de bovenste drempelwaarde op de maximale pixelwaarde.
   3. Selecteer Rood als weergavekleur om de identificatie van vette regio's te verifiëren. Klik op Apply om het binaire masker te genereren.
   4. Gebruik een drempelwaarde van 120 arbitraire eenheden als een scanner- en sequentie-specifiek startpunt in plaats van als een universele drempelwaarde. Kalibreer de drempelwaarde opnieuw met behulp van representatieve lokale beelden telkens wanneer het scannerplatform, de radiofrequentiespoel, de magnetische veldsterkte of de beeldacquisitieparameters afwijken van die in het afleidingsprotocol.
   5. Interpreteer de drempelwaarde niet als histologisch gevalideerd voor alle beeldsystemen. Gebruik deze als een reproduceerbaar hulpmiddel voor beeldbewerking en verifieer elk binair masker visueel aan de hand van het oorspronkelijke axiale T2-gewogen beeld voordat kwantitatieve metingen worden uitgevoerd.
3. Open Analyze > Measure in ImageJ. Activeer Area, Area Fraction, Limit to Threshold en Display Label voordat de meting wordt uitgevoerd.
   1. Registreer de %Area-waarde als het kwantitatieve percentage intramusculair vet.
   2. Herhaal de meting na een interval van ten minste 24 u met dezelfde operator. Bereken de intraclass correlatiecoëfficiënt (ICC) om de intra-operator betrouwbaarheid te beoordelen.
      ​OPMERKING: Een ICC >0,90 duidt op een uitstekende intra-operator betrouwbaarheid.
   3. Blindeer tijdens herhalingsmetingen de operator voor de initiële meting door de oorspronkelijke waarde op te slaan in een beveiligd REDCap-veld en het DICOM-beeld opnieuw te openen als een nieuwe meetsessie na een interval van ten minste 24 u.
4. Laat twee board-gecertificeerde radiologen onafhankelijk Goutallier-graden toewijzen en de ImageJ-gebaseerde kwantitatieve metingen uitvoeren. Zorg voor gestandaardiseerde training met een referentie-beeldenset voorafgaand aan de beoordelingen van de studie.
   1. Los onenigheid op via consensus met een derde senior musculoskeletale radioloog. Bereken de kappa van Cohen voor de Goutallier-classificatie en de intraclass correlatiecoëfficiënt voor het kwantitatieve vetpercentage.
   2. Gebruik een trainingsdataset van 20 casussen voorafgaand aan de studiebeoordeling, inclusief vijf casussen die elk minimale, milde, matige en ernstige vetinfiltratie vertegenwoordigen. Houd een kalibratiesessie voor om referentiebeelden, plaatsing van de region-of-interest, drempelwaarde-aanpassing en procedures voor het oplossen van discrepanties door te nemen voordat de onafhankelijke beeldgradatie begint.
      OPMERKING: Als de interobserver kappa van Cohen onder de 0,70 zakt of de intraclass correlatiecoëfficiënt onder de 0,85 zakt, voer dan een herkalibratiesessie uit voordat de analyse wordt hervat.

6. Ontwikkeling en toepassing van een risicovoorspellingsmodel

1. Compileer alle studievariabelen in een gestructureerde dataset met behulp van REDCap. Definieer de uitkomstvariabele als binair: 1 = epidurale lipomatose aanwezig (alle vier de diagnostische criteria in stap 3.5 vervuld) en 0 = epidurale lipomatose afwezig.
   1. Codeer de predictoren als volgt: leeftijd (jaar); geslacht (0 = man, 1 = vrouw); BMI (kg/m²); verschoven segment (0 = L3/L4, 1 = L5); en Goutallier-graad (0 = graden 0–2; 1 = graden 3–4, wat wijst op ernstige vette infiltratie). Geef bij rapportage het effect van leeftijd per toename van 10 jaar en het effect van BMI per toename van 5 kg/m² weer. Gebruik in de voorspellingsvergelijking voor aan het bed coëfficiënten in ruwe eenheden die algebraïsch equivalent zijn aan de gerapporteerde coëfficiënten op basis van toenames.
   2. Voer datacleaning uit door ontbrekende waarden te identificeren, uitschieters te verifiëren en te bevestigen dat alle variabelen binnen de verwachte bereiken vallen.
   3. Sluit patiënten met ontbrekende vereiste uitkomst- of predictormodulariabelen uit na verificatie van de brondocumenten. Inspecteer continue variabelen met behulp van bereikcontroles en spreidingsdiagrammen, corrigeer geverifieerde invoerfouten aan de hand van de brondocumenten, behoud biologisch plausibele uitschieters en voer geen imputatie uit voor vereiste modelvariabelen.
2. Open SPSS versie 27.0 en stel de random seed in op 42 om reproduceerbaarheid te garanderen. Voer univariate screening uit met de Student's t-toets voor continue variabelen en de chi-kwadraattoets voor categorische variabelen.
   1. Selecteer variabelen met P < 0,05 voor multivariabele analyse. Pas een multivariabel binair logistisch regressiemodel toe met behulp van backward stepwise eliminatie op basis van minimalisatie van het Akaike Information Criterion (AIC).
   2. Beoordeel de goodness-of-fit van het model met de Hosmer-Lemeshow-toets. Bereken de variance inflation factor (VIF) voor alle behouden predictoren en bevestig dat alle VIF-waarden <5 zijn.
   3. Exponentieer de regressiecoëfficiënten om gecorrigeerde odds ratio's (OR's) met 95% betrouwbaarheidsintervallen (CIs) te verkrijgen. Genereer een forest plot met het forestplot-pakket in R om de effectgroottes te visualiseren (Figuur 1). Rapporteer het effect van leeftijd per toename van 10 jaar en het effect van BMI per toename van 5 kg/m².
   4. Gebruik univariate screening gevolgd door backward stepwise selectie als een explorerende modelbouwstrategie voor deze dataset uit één centrum. Interpreteer het uiteindelijke model als een klinisch beslissingsondersteunend instrument voor het genereren van hypothesen, aangezien stepwise selectie kan leiden tot onstabiele coëfficiëntschattingen en een optimistische modelprestatie. Bevestig de modelprestatie via externe validatie vóór klinische implementatie.
   5. Exporteer de geschoonde SPSS-dataset als een comma-separated values (.csv) bestand waarbij variabelelabels zijn verwijderd en de codering is behouden. Genereer de forest plot in R versie 4.3.1 met het forestplot-pakket. Bevestig dat de variabelecodering in R overeenkomt met het SPSS-coderingswoordenboek vóór het plotten.
3. Evalueer de discriminatie van het model door de area under the receiver operating characteristic curve (AUC) voor de modelleringscohort te berekenen. Schat de standaardfout met de DeLong-toets.
   1. Evalueer de kalibratie van het model met behulp van kalibratieplots die de voorspelde en waargenomen kansen vergelijken over gegroepeerde voorspelde-risico-intervallen in zowel de modellerings- als de validatiecohort (Figuur 2). Interpreteer de kalibratiecurve van de validatiecohort voorzichtig, omdat er minder observaties beschikbaar zijn bij de extremen van het voorspelde risico.
   2. Voer een decision curve analysis uit met het rmda-pakket (versie 1.6) in R versie 4.3.1. Vergelijk het voorspellingsmodel met de 'behandel iedereen'- en 'behandel niemand'-strategieën over een bereik van drempelwaarschijnlijkheden (Figuur 3).
   3. Valideer het uiteindelijke model met behulp van de apart gehouden interne validatiecohort (n = 106). Rapporteer de validatie-AUC, kalibratieplot en decision curve descriptief. Interpreteer de overeenkomst tussen de modellerings- en validatiecohorten als bewijs van interne consistentie en niet als bewijs van externe validiteit.
   4. Voer de receiver operating characteristic-analyse, kalibratieplotting en decision curve analysis uit in R versie 4.3.1. Archiveer de R-scripts, pakketversies, input-dataset, coderingswoordenboek en output-figuren bij het verslag van de statistische analyse.
   5. Gebruik geen vaste drempels, zoals een AUC-verschil ≤0,05 of een kalibratieshellop van 0,8–1,2, als formele validatiecriteria. Rapporteer deze waarden descriptief als indicatoren van interne modelstabiliteit en vermeld dat multicentrische externe validatie vereist is vóór brede klinische toepassing.
      OPMERKING: Voltooi de interne validatie voordat het model wordt toegepast op externe klinische datasets.
4. Verzamel de vijf predictorvariabelen voor een nieuwe patiënt met DLS: leeftijd (jaar), geslacht, BMI (kg/m²), verschoven segment (L3/L4 of L5) en de Goutallier-graad van de musculus multifidus op het niveau van de verschuiving.
   1. Bereken de voorspelde waarschijnlijkheid met de logistische regressievergelijking uitgedrukt in ruwe klinische eenheden:
      
      Hierbij is z = -5,521 + (0,0412 × leeftijd) + (0,856 × geslacht) + (0,1256 × BMI) + (1,326 × verschoven segment) + (1,158 × Goutallier-graad). Voer de leeftijd in jaren in; codeer geslacht als 0 = man en 1 = vrouw; voer BMI in kg/m² in; codeer het verschoven segment als 0 = L3/L4 en 1 = L5; en codeer de Goutallier-graad als 0 = graden 0–2 en 1 = graden 3–4. De coëfficiënten in ruwe eenheden voor leeftijd en BMI zijn algebraïsch equivalent aan de coëfficiënten uitgedrukt per toename van respectievelijk 10 jaar en 5 kg/m².
   2. Interpreteer de voorspelde waarschijnlijkheid descriptief als volgt: <20% duidt op een lage geschatte waarschijnlijkheid, 20%–50% duidt op een gemiddelde geschatte waarschijnlijkheid en >50% duidt op een hoge geschatte waarschijnlijkheid van epidurale lipomatose. Gebruik deze categorieën voor risicocommunicatie en prioritering van de workflow, niet voor de keuze van de behandeling.
      OPMERKING: Gebruik het voorspellingsmodel uitsluitend als klinisch beslissingsondersteunend instrument. Vervang het model niet voor klinisch oordeel of radiologische interpretatie. Pas het model zonder aanvullende validatie niet toe op populaties buiten de afleidingscohort, inclusief patiënten met isthmische spondylolisthesis, postoperatieve spinale aandoeningen of steroïd-geïnduceerde epidurale lipomatose.
   3. Voer ruwe waarden voor leeftijd en BMI rechtstreeks in de voorspellingsvergelijking in. Algebraïsche herschaling van de leeftijd- en BMI-coëfficiënten verandert alleen de presentatie van de vergelijking en wijzigt de voorspelde waarschijnlijkheden, odds ratio's, receiver operating characteristic-curves, kalibratieplots of de resultaten van de decision curve analysis niet.
   4. Rapporteer odds ratio's consistent als volgt: leeftijd per toename van 10 jaar; BMI per toename van 5 kg/m²; geslacht, vrouw versus man; verschoven segment, L5 versus L3/L4; en Goutallier-graad, graden 3–4 versus graden 0–2.
   5. Gebruik de categorieën voor lage, gemiddelde en hoge waarschijnlijkheid als pragmatische klinische communicatiegroepen, afgeleid van de door het model voorspelde waarschijnlijkheidsverdeling en de decision curve analysis. Interpreteer deze categorieën niet als gevalideerde behandelingsdrempels, aangezien prospectieve externe validatie vereist is om optimale beslissingsdrempels vast te stellen.

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

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

Figuur 3. Receiver operating characteristic-curve en besliskurve-analyse van het voorspellingsmodel. (A) Receiver operating characteristic (ROC)-curves voor de modelleringscohort (area under the curve [AUC] = 0.834) en de validatiecohort (AUC = 0.815). De grijze diagonale lijn stelt de referentielijn voor een niet-discriminerende classifier voor. (B) Besliskurve-analyse die het netto voordeel van het voorspellingsmodel over verschillende drempelwaarschijnlijkheden laat zien. De rode ononderbroken lijn stelt de modelleringscohort voor, de blauwe gestreepte lijn de validatiecohort, de zwarte streep-punt lijn de 'behandel-alle'-strategie, en de grijze gestippelde lijn de 'behandel-geen'-strategie. Klik hier om een grotere versie van deze figuur te bekijken.

Resultaten

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

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

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

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

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

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

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

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

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

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

Discussie

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

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

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

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

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

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

Materialen

Lijst van materialen gebruikt in dit artikel

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