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

Özet

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

Özet

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

Giriş

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

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

Protokol

Bu MRG protokolü, özel bir 16 kanallı spinal yüzey bobini ile donatılmış 1,5 Tesla süper iletken bir tarayıcı için tasarlanmıştır. Protokol, eşdeğer donanıma sahip diğer 1,5 veya 3,0 T sistemlerine uyarlanabilir. Tüm prosedürler Helsinki Deklarasyonu'na uygun olarak gerçekleştirilmiş ve Tianjin Union Medical Center Kurumsal İnceleme Kurulu tarafından onaylanmıştır (onay numarası: 2024-IRB-089).

1. Hasta Seçimi ve Klinik Değerlendirme

1. Hasta kaydına başlamadan önce Kurumsal İnceleme Kurulu ve Etik Kurulu'ndan onay alın. İnsan katılımcıların yer aldığı tüm prosedürlerin Helsinki Deklarasyonu'na uygun olduğundan emin olun. Tüm çalışma kayıtlarında onay numarasını (2024-IRB-089) belgeleyin.
   NOT: Çalışmada, tamamen anonimleştirilmiş mevcut klinik veriler ve görüntüleme veri setleri kullanıldığı takdirde, bireysel bilgilendirilmiş onam gerekliliği, feragatin klinik verilerin ikincil kullanımını düzenleyen kurumsal politika ve ulusal düzenlemelere uygun olması koşuluyla kaldırılabilir. Feragat için etik kuruldan açık onay alın. Hasta kayıt işlemine geçmeden önce etik onay alın.
2. DLS tanısı kesinleşmiş şekilde omurga cerrahisi bölümüne başvuran ardışık hastaları tarayın. 3 mm veya daha fazla ya da vertebral gövde genişliğinin %10'u veya daha fazlası oranında anterior vertebral kaymayı doğrulamak için ayakta lateral veya fleksiyon-ekstansiyon radyografilerini inceleyin.
   1. İntervertebral disk dejenerasyonu ve faset eklem hipertrofisi dahil olmak üzere, ilgili seviyedeki dejeneratif değişiklikleri doğrulayın¹⁷Lateral radyografilerde ve sagital MR'da pars interarticularis defekti olmadığını doğrulayın.
   2. Klinik değerlendirmenin ardından 2 hafta içerisinde standart lomber MR (sagittal T1 ağırlıklı, sagittal T2 ağırlıklı ve aksiyel T2 ağırlıklı sekanslar) çektirmiş 18–85 yaş arası hastaları çalışmaya dahil edin. Son 6 ay içerisinde spinal cerrahi veya epidural steroid enjeksiyonu uygulanmış hastaları çalışma dışı bırakın.
   3. Ayakta çekilen lateral veya fleksiyon-ekstansiyon radyografları üzerinde, posterior vertebral gövde hattı yöntemini kullanarak anterior vertebral kaymayı ölçün. Kaudal vertebral gövdenin posterior korteksi boyunca dikey bir referans çizgisi çizin, ardından bu çizgi ile kaymış olan kranial vertebranın posteroinferior köşesi arasındaki dik mesafeyi ölçün. Yer değiştirmeyi milimetre cinsinden ve gerektiğinde kaudal vertebral gövdenin anteroposterior genişliğinin yüzdesi olarak kaydedin.
3. Non-dejeneratif spondilolistezisi (istmik, travmatik, patolojik, postoperatif veya hipoplastik L5 vertebra gövdesi ve L5–S1 psödolistezis gibi gelişimsel veya anatomik benzerleri olanlar) olan hastaları ve glukokortikoid kullanımı olanları hariç tutun. >geçen yıl içinde toplam 3 ay veya doğrulanmış endojen hiperkortizolizm (Cushing sendromu, adrenal adenom veya hipofizer adrenokortikotropik hormon salgılayan tümör).
   1. Son 6 ay içerisinde anabolik steroid veya testosteron replasman tedavisi alan hastaları hariç tutun. Hareket artifaktı evre II veya üzeri olanlar ya da lumbosakral kapsamı yetersiz olanlar dahil olmak üzere, görüntü kalitesi yetersiz olan MR incelemelerini hariç tutun.
   2. Ağır kardiyopulmoner veya renal yetmezliği olan (Amerikan Anesteziyologlar Derneği Fiziksel Durum Sınıfı IV–V), aktif enfeksiyonu bulunan veya MRG kontrendikasyonları olan hastaları hariç tutun.
      DİKKAT: Tarayıcıya girmeden önce MRI güvenlik taramasını tamamlayın. MRI ile uyumsuz implant cihazlara sahip hastaları hariç tutun.
   3. Hareket artefaktlarını dört seviyeli bir görüntüleme kalitesi ölçeği kullanarak derecelendirin: derece 0 = görünür artefakt yok; derece I = tanısal bozulmaya yol açmayan hafif artefakt; derece II = anatomik sınırları veya ölçüm referans noktalarını kapatan orta şiddette artefakt; ve derece III = sekansı tanı dışı kılan şiddetli artefakt. Sonuç sınıflandırması için gerekli herhangi bir sekansta derece II veya III artefakt bulunan incelemeleri çalışma dışı bırakın veya incelemeyi çalışmaya dahil etmeden önce etkilenen sekansı tekrarlayın.
4. İki eğitimli araştırma asistanı tarafından doldurulan standart bir REDCap veri toplama formu kullanılarak, elektronik sağlık kaydı (EMR) veri tabanından ve Görüntüleme Arşivleme ve İletişim Sistemi'nden (PACS) klinik verileri çıkarın.
   1. Yaş (yıl), cinsiyet (erkek/kadın), vücut kitle indeksini (VKİ; kg/m²), ve kaymış segment (L3, L4 veya L5).
   2. Semptom süresini, nörojenik kladikasyon varlığını ve daha önce uygulanan konservatif tedavileri kaydedin.
   3. İki eğitimli araştırma asistanının, klinik değişkenleri EMR ve PACS üzerinden mükerrer REDCap formlarına bağımsız olarak işlemesini sağlayın. Veri çıkarma işlemi sonrası iki formu karşılaştırın ve tutarsızlıkları kaynak kayıtlara başvurarak giderin. Giderilemeyen tutarsızlıkları, karar verilmesi için kıdemli bir araştırmacıya yönlendirin.
   4. REDCap aralık ve eksiklik kontrolleri sırasında eksik veya tamamlanmamış değişkenleri belirleyin. Eksik değerleri EMR, PACS ve orijinal görüntüleme raporlarına göre doğrulayın. Bir hastayı model geliştirmeden yalnızca gerekli bir öngördürücü, sonuç değişkeni veya temel bir MR sekansı geri getirilemediğinde hariç tutun. Gerekli model değişkenleri için istatistiksel imputasyon yapmayın.
5. Uygun hastaları, SPSS versiyon 27.0'da 42 rastgele tohum (random seed) değeri ve 7:3 tahsis oranı kullanarak, modelleme kohortuna (n = 248) ve doğrulama kohortuna (n = 106) rastgele atayın.
   1. Modelleme kohortundaki hastaları, iki kıdemli spinal radyoloğun konsensüs tanısına göre epidural lipomatoz ve lipomatoz olmayan gruplara ayırın >Adım 3'te açıklanan MRI yorumlama protokolü takip edilerek, 10 yıllık deneyimle.
   2. SPSS versiyon 27.0'da, rastgele sayı tohumunu (random seed) 42 olarak ayarlayın, Transform seçeneğini belirleyin > Değişkeni Hesapla (Compute Variable) işlemini gerçekleştirin ve RV.UNIFORM(0,1) kullanarak tekdüze bir rastgele değişken oluşturun. Olgu değerlerini bu değişkene göre artan sırada sıralayın; uygun olguların ilk %70'ini modelleme kohortuna, kalan %30'unu ise doğrulama kohortuna atayın ve sonraki tüm analizler için atama değişkenini değiştirilmeden koruyun.
   3. Tabakalı randomizasyon yerine basit rastgele atama kullanın. Kohort ataması sırasında temel demografik, radyografik veya MR değişkenlerinin dengelenmesini zorunlu kılmayın.
   4. Rastgele atamanın ardından, modelleme ve doğrulama kohortları arasındaki bazal demografik, klinik, radyografik ve MRG değişkenlerini Student's t-testi kullanarak karşılaştırın. tuygun olduğu şekilde, t-testi veya ki-kare testi kullanın. Klinik olarak anlamlı bir dengesizlik saptanmadığında tahsisi kabul edilebilir olarak değerlendirin ve kohort karşılaştırılabilirlik değerlendirmesini şurada raporlayın: Tablo 1.
      NOT: Tüm uygunluk kriterlerini doğruladıktan sonra kohort atamasını tamamlayın.

Değişken	Modelleme Kohortu (n = 248)	Doğrulama Kohortu (n = 106)	t/χ2	P Değeri
Yaş (yıl)	67.87 ± 11.39	68.16 ± 11.93	0.216	0.829
Cinsiyet, n (%)			0.002	0.966
Erkek	96 (38.71)	42 (39.62)
Kadın	152 (61.29)	64 (60.38)
Vücut kitle indeksi (kg/m²)	24.88 ± 3.62	24.91 ± 3.48	0.077	0.939
Kaymış segment, n (%)			0.564	0.754
L3	31 (12.50)	14 (13.21)
L4	149 (60.08)	67 (63.21)
L5	68 (27.42)	25 (23.58)
Pfirrmann evresi, n (%)			0.104	0.991
Evre II	18 (7.26)	8 (7.55)
Evre III	74 (29.84)	33 (31.13)
Evre IV	93 (37.50)	38 (35.85)
Evre V	63 (25.40)	27 (25.47)
Goutallier evresi, n (%)			3.022	0.388
Evre 1	78 (31.45)	27 (25.47)
Evre 2	86 (34.68)	33 (31.13)
Evre 3	52 (20.97)	28 (26.42)
Evre 4	32 (12.90)	18 (16.98)
Distal faset eklem açısı (°)	55.26 ± 6.42	55.18 ± 6.39	0.111	0.912
Distal faset eklem efüzyonu (mm)	0.94 ± 0.21	0.93 ± 0.20	0.444	0.657
Distal disk yüksekliği (mm)	9.16 ± 1.92	9.20 ± 1.88	0.193	0.847
Proksimal faset eklem açısı (°)	49.95 ± 6.03	50.03 ± 5.99	0.115	0.908
Proksimal faset eklem efüzyonu (mm)	0.84 ± 0.26	0.83 ± 0.25	0.237	0.813
Proksimal disk yüksekliği (mm)	8.05 ± 1.52	8.08 ± 1.50	0.156	0.876
Pelvik insidans (PI, °)	52.18 ± 7.94	52.35 ± 7.85	0.188	0.851
Pelvik tilt (PT, °)	24.35 ± 7.17	24.28 ± 7.23	0.080	0.936
Sakral eğim (SS, °)	44.91 ± 6.83	45.01 ± 6.79	0.129	0.898
Torakal kifoz (TK, °)	21.18 ± 7.67	21.25 ± 7.62	0.075	0.940

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

2. MRI Edinme Protokolü

1. Standart bir anket kullanarak MRI güvenlik taraması gerçekleştirin. Gebelik, implante edilmiş elektronik cihazlar, ferromanyetik yabancı cisimler, klostrofobi ve gadolinyum bazlı kontrast maddelere karşı alerjik reaksiyon öyküsü dahil olmak üzere kontrendikasyonları belirleyin.
   1. Hastaya mücevher, saat, piercing ve işitme cihazları dahil tüm metalik nesneleri çıkarması talimatını verin. Hastayı MRI masasına sırt üstü (supine) pozisyonda yerleştirin.
   2. Yaklaşık 20°–30° fleksiyon sağlamak ve fizyolojik lomber lordozu azaltmak için dizlerin altına yumuşak bir yastık yerleştirin. T12'den S3'e kadar kapsama sağlamak için spinal koili L3 vertebral seviyesine merkezlenmiş şekilde konumlandırın.
   3. Koili ciltle doğrudan temas edecek şekilde sabitleyin ve görünür hava boşluklarını ortadan kaldırın. Hasta hareketini en aza indirmek için her iki yana köpük destekler yerleştirin ve MRI uyumlu bir acil çağrı cihazı sağlayın.
   4. İntravenöz gadolinyum bazlı kontrast maddeler uygulamayın. Tanısal iş akışı; kontrastsız sagital T1-ağırlıklı, sagital T2-ağırlıklı ve aksiyel T2-ağırlıklı sekansları kullanır.
2. TR = 8 ms, TE = 4 ms, kesit kalınlığı = 8 mm ve görüş alanı = 400 mm × 400 mm olan bir gradyan-eko sekansı kullanarak üç düzlemli bir scout (lokalizör) sekansı edinin.
   1. T12/L1'den sakruma kadar tüm lomber spinal kapsamanın tam olduğunu doğrulayın. Lumbosakral bileşke tamamen görüntülenmemişse hastayı yeniden konumlandırın.
3. TR = 500 ms, TE = 12 ms, görüş alanı = 280 × 280 mm, matris = 512 × 256, kesit kalınlığı = 4 mm, kesit aralığı = 0.4 mm ve NEX = 2 kullanarak sagital T1-ağırlıklı turbo spin-eko görüntüler edinin.
   1. Kesitleri spinöz çıkıntılara paralel olarak belirleyin. Soldan sağa tam kapsama sağlamak için en az 11 sagital kesit edinin.
      ​NOT: Adipoz doku, çevredeki yapılara kıyasla doğal olarak yüksek sinyal yoğunluğu gösterdiğinden, T1-ağırlıklı görüntüleme epidural lipomatozun belirlenmesi için birincil sekanstır. Seçilen edinim parametreleri, yeterli sinyal-gürültü oranı ve uzamsal çözünürlüğü korurken T1 ağırlığını maksimize eder. Tipik edinim süresi yaklaşık 3–4 dk'dır.
   2. Protokolü eşdeğer bir 1.5 veya 3.0 T platformuna uyarlarken; gerekli anatomik kapsamı, sekans tipini, kesit yönelimini, kesit kalınlığını, kesitler arası boşluğu ve tanısal düzlemleri koruyun. Epidural yağ, tekal kese kenarları ve kaymış seviye anatomisi tanısal yorumlama için net bir şekilde görünür kaldığı sürece; görüş alanını, matrisi, eksitasyon sayısını, eko tren uzunluğunu ve paralel görüntüleme faktörünü gerektiği gibi optimize edin.
4. TR = 3,500-4,000 ms, TE = 100-120 ms, görüş alanı = 280 mm × 280 mm, matris = 512 × 256, kesit kalınlığı = 4 mm, kesit aralığı = 0.4 mm ve NEX = 2 kullanarak sagital T2-ağırlıklı turbo spin-eko görüntüler edinin.
   1. Doğrudan görüntü karşılaştırmasına izin vermek için kesit konumlandırmasını sagital T1-ağırlıklı edinimle eşleştirin.
      ​NOT: T2-ağırlıklı görüntüleme; serebrospinal sıvının (CSF), tekal kesenin ve intervertebral disk morfolojisinin görselleştirilmesini iyileştirerek tamamlayıcı anatomik bilgiler sağlar. Bu sekans ayrıca intervertebral disk dejenerasyonunun Pfirrmann derecelendirmesi için de kullanılır. Tipik edinim süresi yaklaşık 4–5 dk'dır.
5. TR = 4,000 ms, TE = 112 ms, görüş alanı = 180 mm × 180 mm, matris = 320 × 256, kesit kalınlığı = 4 mm, kesit aralığı = 0.4 mm ve NEX = 3 kullanarak L1/L2'den L5/S1'e kadar her lomber intervertebral disk seviyesinde aksiyel T2-ağırlıklı hızlı spin-eko görüntüler edinin.
   1. Aksiyel kesitleri her bir intervertebral disk boşluğuna paralel olarak belirleyin. Tam anatomik kapsama sağlamak için kaymış segment boyunca 6-8 kesit edinin.
      ​NOT: Aksiyel T2-ağırlıklı görüntüleme, epidural yağ dağılımının ve tekal kese morfolojisinin değerlendirilmesine olanak tanır. Sagital T1-ağırlıklı, sagital T2-ağırlıklı ve aksiyel T2-ağırlıklı sekansların kombinasyonu, kapsamlı değerlendirme için tamamlayıcı anatomik bilgiler sağlar. Tüm lomber seviyeler için toplam edinim süresi yaklaşık 15–20 dk'dır. Hasta konumlandırma ve scout görüntüleme dahil olmak üzere tüm inceleme yaklaşık 30–35 dk sürer.
6. İncelemeyi bitirmeden önce görüntü kalitesini değerlendirin. Grade II veya daha yüksek hareket artefaktının yokluğunu, lumbosakral bileşkenin tam görselleştirilmesini, yeterli sinyal-gürültü oranını ve anlamlı wrap-around artefaktının yokluğunu onaylayın.
   1. Görüntü kalitesi kriterlerini karşılamayan herhangi bir sekansı tekrarlayın. Tüm Digital Imaging and Communications in Medicine (DICOM) görüntülerini, meta verileri korunmuş şekilde PACS'a aktarın.
   2. Kabul edilebilir görüntü kalitesini; T12/L1'den sakruma kadar tam kapsama, posterior vertebral gövde kortekslerinin ve tekal kese kenarlarının net görselleştirilmesi, spinal kanala uzanan wrap-around artefaktının yokluğu ve epidural yağı CSF ve paraspinal kaslardan ayırt etmek için yeterli sinyal-gürültü oranı olarak tanımlayın. Bu kriterleri karşılamayan herhangi bir sekansı tekrarlayın.
   3. Adım 1.3.3'te açıklanan aynı dört seviyeli hareket artefaktı derecelendirme sistemini kullanın. Hastayı çıkarmadan önce grade II veya III hareket artefaktı içeren sekansları tekrarlayın veya tekrarlı görüntüleme yapılamıyorsa incelemeyi hariç tutun.
      NOT: Hastayı tarayıcıdan çıkarmadan önce görüntü kalitesini doğrulayın.

3. Epidural Lipomatoz İçin MRI Görüntü Yorumlama

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

1. Görüntü yorumlamayı, tıbbi sınıf tanı monitörü (minimum 3 megapiksel; DICOM Bölüm 14 Gri Tonlamalı Standart Ekran Fonksiyonu) ile donatılmış özel bir PACS iş istasyonunda gerçekleştirin. Kontrollü ortam aydınlatmasını (≤50 lüks) koruyun.
   1. MRI incelemesinin tamamını yükleyin. Üst izleme penceresinde sagital T1-ağırlıklı ve sagital T2-ağırlıklı görüntüleri yan yana, alt izleme penceresinde ise senkronize anatomik çapraz referanslama ile aksiyel T2-ağırlıklı görüntüleri görüntüleyin.
   2. DICOM kalibrasyonlu ölçüm araçlarına ve senkronize sagital-aksiyel çapraz referanslamaya sahip kurumsal PACS görüntüleyiciyi kullanın. Her okuma oturumu sırasında yan yana görüntü karşılaştırması için tutarlı pencere ve seviye ayarları uygulayın. PACS tedarikçisini ve yazılım versiyonunu Malzemeler Tablosuna kaydedin.
2. Anterior vertebral deplasmanı gözlemleyerek midsagital T1-ağırlıklı görüntü üzerinde kaymış vertebral seviyeyi belirleyin. Alttaki vertebral gövdenin posterior korteksi boyunca bir referans çizgisi çizin.
   1. Referans çizgisinden kaymış vertebranın posterior-inferior köşesine olan dik mesafeyi ölçün. Ölçülen deplasman miktarının ≥3 mm veya vertebral gövde genişliğinin ≥%10 olduğundan emin olun.
      ​NOT: Kaymış seviyenin doğru lokalizasyonu esastır çünkü epidural lipomatosis özellikle vertebral kayma seviyesinde değerlendirilir.
   2. Vertebral kayma ölçümlerini, PACS iş istasyonundaki yerleşik kalibre edilmiş elektronik kumpas aracıyla gerçekleştirin. Ölçümden önce DICOM meta verilerinden piksel kalibrasyonunu doğrulayın ve tüm mesafeleri en yakın 0,1 mm'ye kaydedin.
3. Midsagital T1-ağırlıklı görüntüde, kaymış seviyedeki posterior epidural alanı inceleyin. Anterior olarak tekal kese ile posterior olarak ligamentum flavum veya spinöz proses arasında yer alan bant benzeri veya hilal şeklinde hiperintens bir sinyal belirleyin.
   1. Lezyon sinyal yoğunluğunu aynı görüntüdeki cilt altı yağ dokusu ile doğrudan karşılaştırın. Yağ baskılı sekanslar mevcutsa, lezyonun yağlı doğasını doğrulamak için sinyal baskılanmasını teyit edin.
      ​NOT: Epidural lipomatosis'i, subakut epidural hematom ve proteinöz sıvı koleksiyonları dahil diğer T1-hiperintens epidural lezyonlardan ayırt edin. Epidural lipomatosis tanısını, yalnızca lezyon cilt altı yağ dokusuyla özdeş sinyal özellikleri gösterdiğinde ve epidural alana uyum sağladığında onaylayın.
   2. Birincil kaymış seviye tarama yöntemi olarak protokolde tanımlanan sagital kriterleri kullanın ve pozitif veya şüpheli bulguları aksiyel T2-ağırlıklı görüntüler üzerinde çapraz referanslayın. Prospektif uygulama sırasında; epidural yağ dağılımını, tekal kese deformasyonunu ve aksiyel epidural yağ-tekal kese oranı yaklaşımları ile lokoregional Manjila evreleme sistemi dahil olmak üzere yerleşik MRI tabanlı değerlendirme yöntemleriyle uyumluluğu belgeleyin. Model geliştirme için kullanılan retrospektif kohortta, bu yerleşik evreleme sistemleri bağımsız referans standartlar olarak uygulanmamış ve orijinal ikili sonuç retrospektif olarak yeniden sınıflandırılmamıştır.
4. Epidural yağ birikiminin kraniyokaudal boyutunu PACS iş istasyonundaki elektronik kumpaslar kullanarak ölçün. Kumpasları, bitişik epidural yağ birikiminin süperior ve inferior kenarlarına yerleştirin ve maksimum ölçümü kaydedin.
   1. Kraniyokaudal boyutun aynı sagital planda ≥5 mm olduğunu doğrulayın. En az iki komşu sagital kesitteki görünürlüğü yalnızca mediolateral sürekliliği onaylamak ve parsiyel hacim artefaktlarını azaltmak için kullanın; kraniyokaudal boyutu tahmin etmek için komşu sagital kesitleri kullanmayın.
   2. Sinyal özelliklerini değerlendirmek için lezyonu sagital T2-ağırlıklı görüntülerde çapraz referanslayın. Çevresel epidural yağ dağılımını ve tekal kesenin anterior-posterior daralmasını değerlendirmek için ilgili aksiyel T2-ağırlıklı görüntüleri inceleyin.
      ​NOT: Bu protokolde operasyonel kaymış seviye tarama eşiği olarak ≥5 mm kraniyokaudal boyut kullanın. Aksiyel görüntülerdeki tekal kese anteroposterior çapını ve kesit alanını sürekli doğrulama ölçümleri olarak kaydedin. Mevcut retrospektif kohortta sabit aksiyel kesme değerlerini bağımsız referans standartlar olarak kullanmayın.
   3. Yağ sinyali yalnızca tek bir sagital kesitte görünürse, aksiyel görüntüler karşılık gelen bir epidural yağ birikimi göstermediği ve aynı plandaki kraniyokaudal boyut ≥5 mm olarak kalmadığı sürece bulguyu belirsiz olarak sınıflandırın. Bu kriter, birincil kraniyokaudal ölçümü destekleyici mediolateral süreklilik değerlendirmesinden ayırır.
   4. Kaymış seviyede maksimum kompresyonun görüldüğü aksiyel T2-ağırlıklı görüntüde, dural kesenin anterior kenarından posterior kenarına olan mesafeyi ölçerek tekal kesenin anteroposterior çapını ölçün. PACS ilgi alanı (ROI) aracını veya ImageJ poligon seçim aracını kullanarak iç dural sınırı çizerek kesit alanını ölçün ve alanı mm² cinsinden kaydedin.
   5. Sagital boyutu ve aksiyel şiddeti Manjila evreleme çerçevesi ile kalitatif olarak karşılaştırın. DLS odaklı bu protokolde, çalışma son noktası tahmin modeli içindeki kaymış seviye epidural lipomatosis varlığı olduğu için, Manjila evreleme sistemini birincil sonuç tanımı olarak değil, belgeleme için lokoregional bir referans olarak kullanın.
5. Kohort sınıflandırması için kullanılan orijinal dört kaymış seviye kriterini uygulayın: (1) kaymış seviyedeki posterior epidural alanda bant benzeri veya hilal şeklinde T1-hiperintens sinyal; (2) cilt altı yağ dokusuyla özdeş sinyal yoğunluğu; (3) aynı sagital planda ≥5 mm kraniyokaudal boyut; ve (4) komşu sagital kesitlerde tekrarlanabilirlik. Prospektif klinik uygulama için yalnızca sagital kriterlere güvenmeyin. Aksiyel görüntülerde karşılık gelen epidural yağ birikimini ve tekal kese kontur deformitesini doğrulayın ve yağ dağılımının dorsal, ventral veya çevresel olup olmadığını belgeleyin.
   1. Tekal kesenin anteroposterior çapı ve kesit alanı dahil aksiyel kantitatif bulguları, epidural yağ-tekal kese oranı tabanlı değerlendirme yöntemleri ve Manjila lokoregional evreleme sistemi ile kalitatif uyumlulukla birlikte kaydedin.
      NOT: Orijinal çalışma, yerleşik bir MRI referans standardı kullanan bir tanısal doğruluk çalışması olarak tasarlanmamıştır ve orijinal DICOM görüntüler makale revizyonu sırasında yeniden analiz edilmemiştir. Bu nedenle hassasiyet, özgüllük ve yöntemler arası uyum yeniden hesaplanmamıştır. Bu ek aksiyel tanımlayıcılar, prospektif klinik uygulamayı desteklemek amacıyla eklenmiştir ve orijinal çalışma sonucunu veya tahmin modelini değiştirmez.
6. Tüm incelemelerin iki kıdemli omurga radyoloğu (≥10 yıl deneyimli) tarafından bağımsız olarak yorumlanmasını sağlayın. Her bir tanı kriterinin varlığını veya yokluğunu, kaymış vertebral seviyeyi, maksimum kraniyokaudal boyutu (mm) ve genel tanıyı belgeleyen standartlaştırılmış yapılandırılmış bir raporlama formu doldurun.
   1. Uyuşmazlıkları, ilk değerlendirmelerden habersiz olan üçüncü bir kıdemli omurga radyoloğu (>15 yıl deneyimli) ile konsensüs yoluyla çözün. Gözlemciler arası uyumu Cohen’s kappa istatistiğini kullanarak hesaplayın.
   2. Kaymış seviyeyi, epidural yağ dağılımını (dorsal, ventral veya çevresel), maksimum kraniyokaudal boyutu, aynı plandaki sagital ölçümü, komşu kesit görünürlüğünü, aksiyel doğrulamayı, tekal kese çapını, tekal kese kesit alanını, kesin tanıyı ve okuyucu güvenini belgelemek için yapılandırılmış bir raporlama formu kullanın. Resmi görüntü yorumlamadan önce, tüm gözlemcileri negatif, sınırda ve pozitif incelemeleri içeren 20 temsili eğitim vakasıyla kalibre edin.
      NOT: İstatistiksel analize geçmeden önce tüm konsensüs yorumlamaları tamamlayın.

4. İntervertebral Disk Dejenerasyonunun Değerlendirilmesi

1. Kaymış segmentteki sagittal T2-ağırlıklı MRI görüntülerini inceleyin. Tüm sagittal kesitleri kaydırarak nucleus pulposus'un en net görselleştirildiği görüntüyü seçin.
   1. İntervertebral disk dejenerasyonunu Pfirrmann derecelendirme sistemini kullanarak sınıflandırın¹⁸. CSF ile özdeş homojen hiperintens sinyale, normal disk yüksekliğine ve net bir nucleus-annulus ayrımına sahip disklere Grade I atayın.
   2. Yatay düşük sinyalli bantlar içeren inhomojen hiperintens sinyale, korunmuş disk yüksekliğine ve net bir nucleus-annulus ayrımına sahip disklere Grade II atayın. Orta gri sinyale, belirsiz bir nucleus-annulus sınırına ve normal veya hafif azalmış disk yüksekliğine sahip disklere Grade III atayın.
   3. İnhomojen hipointens koyu gri sinyale, nucleus-annulus ayrımının tamamen kaybına ve orta ile şiddetli derecede azalmış disk yüksekliğine sahip disklere Grade IV atayın. İnhomojen hipointens sinyale, çökmüş disk boşluğuna, nucleus-annulus ayrımının tamamen kaybına ve belirgin disk boşluğu daralmasına sahip disklere Grade V atayın.
2. Kas-iskelet sistemi görüntüleme konusunda ≥5 yıllık deneyime sahip, kurul onaylı iki radyologla Pfirrmann derecelerini bağımsız olarak belirleyin. Değerlendirilen her disk için atanan dereceyi kaydedin.
   1. Derecelendirme farklılıklarını, üçüncü bir kurul onaylı radyolog aracılığıyla hakem kararıyla çözün. Gözlemciler arası uyumu, ağırlıklı Cohen kappa istatistiğini kullanarak hesaplayın.
   2. Bağımsız Pfirrmann derecelendirmesi sırasında radyologların klinik semptomlar, tedavi geçmişi, epidural lipomatosis durumu, tahmin modeli değişkenleri ve birbirlerinin değerlendirmeleri hakkında bilgi sahibi olmamalarını sağlayın.
   3. Pfirrmann derecelendirmesini, Adım 3.1'de açıklanan aynı tanı kalitesindeki monitörleri ve standardize edilmiş görüntüleme koşullarını kullanarak gerçekleştirin.
      NOT: Paraspinal kas yağ infiltrasyonu değerlendirmesine geçmeden önce konsensüs derecelendirmesini tamamlayın.

5. Paraspinal Kas Yağ İnfiltrasyonu Değerlendirmesi

1. Kaymış intervertebral diskin orta noktasındaki aksiyel T2-ağırlıklı hızlı spin-eko görüntülerini inceleyin. Spinöz çıkıntı ve laminanın hemen lateralindeki derin paraspinal kaslar olarak bilateral multifidus kaslarını tanımlayın.
   1. Baskın vertebral kayma tarafını belirlemek için sagital görüntüleri inceleyin. Değerlendirme için ilgili taraftaki multifidus kasını seçin.
   2. Yağlı kas dejenerasyonunun orijinal sınıflandırmasından ve lumbar multifidusa yönelik önceki uygulamalardan türetilmiş, omurgaya uyarlanmış bir Goutallier derecelendirme yaklaşımı kullanın^19,20. Homojen düşük sinyal yoğunluğu gösteren, yağlı çizgilerin tamamen yok olduğu ve kas kütlesinin iyi korunduğu kaslara Grade 0 atayın. Kesit alanının <%5'ini kaplayan küçük lineer yüksek sinyalli yağlı çizgiler içeren kaslara Grade 1 atayın.
   3. Kesit alanının %5–50'sini etkileyen, belirgin şekilde görünür yağlı infiltrasyon gösteren kaslara Grade 2 atayın. Kalan kas dokusu ile birlikte ≥%50 yağlı infiltrasyon gösteren kaslara Grade 3 atayın.
   4. Tüm kesit alanının, ayırt edilebilir kas dokusu olmaksızın yağ ile yer değiştirdiği kaslara Grade 4 atayın. İstatistiksel analiz için sonuçları Grade 0-2 ve Grade 3-4 olarak ikiye ayırın.
      ​NOT: Multifidus, en büyük ve en medial paraspinal kas olup lumbar segmentin temel dinamik stabilizatörü olarak görev yapar. Şiddetli yağlı infiltrasyon (Grade 3-4), önemli düzeyde yağlı yer değiştirmeyi gösterir ve yağın kas kesit alanının yaklaşık yarısını kapladığı eşiği yansıttığı için modellemede klinik olarak şiddetli kategori olarak değerlendirilir.
   5. Orijinal Goutallier derecelendirme sisteminin, aksiyel MRI'da lumbar multifidus değerlendirmesi için uyarlandığını belirtin. Yoktan orta dereceye kadar olan yağlı infiltrasyonu, şiddetli yağlı yer değiştirmeden ayırmak için Grade 0–2 ve Grade 3–4 şeklinde ikiye ayırın; böylece tahmin modelindeki değişken başına olay oranını yeterli düzeyde tutarken model karmaşıklığını azaltın. Bu protokolde kullanılan yüzde eşiklerini, orijinal omuz bilgisayarlı tomografi Goutallier sınıflandırmasının birebir reprodüksiyonu olarak değil, operasyonel MRI tabanlı kriterler olarak değerlendirin.
   6. Asimetrik vertebral translasyon, rotasyonel deplasman veya daha belirgin lateral reses daralması için aksiyel ve sagital görüntüleri inceleyerek baskın vertebral kayma tarafını belirleyin. Baskın bir taraf yoksa, daha fazla multifidus yağlı infiltrasyonu gösteren tarafı değerlendirin. Her iki taraf simetrikse, sağ multifidus kasını değerlendirin ve bu kararı belgeleyin.
2. Aksiyel T2-ağırlıklı hızlı spin-eko DICOM görüntüsünü PACS'tan dışa aktarın. Görüntüyü ImageJ yazılımında (versiyon 1.53t) açın.
   1. Poligon seçim aracını seçin ve hedef multifidus kasının fasyal sınırını çizin. Fasyal sınırı, kası çevreleyen ince koyu çizgi olarak tanımlayın.
   2. Image > Adjust > Threshold yolunu izleyin. Alt eşiği 120 arbitrer birime, üst eşiği ise maksimum piksel değerine ayarlayın.
   3. Yağlı bölgelerin tanımlandığını doğrulamak için görüntüleme rengi olarak Kırmızı'yı seçin. İkili maskeyi oluşturmak için Apply'a tıklayın.
   4. 120 arbitrer birimlik eşik değerini evrensel bir eşik olarak değil, tarayıcıya ve sekansa özgü bir başlangıç noktası olarak kullanın. Tarayıcı platformu, radyo frekans bobini, manyetik alan gücü veya görüntüleme parametreleri türetme protokolünde kullanılanlardan farklı olduğunda, eşiği temsilci yerel görüntüler kullanarak yeniden kalibre edin.
   5. Eşik değerini tüm görüntüleme sistemleri için histolojik olarak valide edilmiş şeklinde yorumlamayın. Bunu tekrarlanabilir bir görüntü işleme yardımı olarak kullanın ve kantitatif ölçümleri gerçekleştirmeden önce her bir ikili maskeyi orijinal aksiyel T2-ağırlıklı görüntü ile görsel olarak doğrulayın.
3. ImageJ'de Analyze > Measure menüsünü açın. Ölçümü gerçekleştirmeden önce Area, Area Fraction, Limit to Threshold ve Display Label seçeneklerini etkinleştirin.
   1. %Area değerini, kantitatif intramüsküler yağ yüzdesi olarak kaydedin.
   2. Aynı operatörle, en az 24 saatlik bir aralıktan sonra ölçümü tekrarlayın. Operatör içi güvenilirliği değerlendirmek için sınıf içi korelasyon katsayısını (ICC) hesaplayın.
      ​NOT: 0,90'ın üzerindeki bir ICC > mükemmel operatör içi güvenilirliğe işaret eder.
   3. Tekrarlanan ölçümler sırasında, orijinal değeri kilitli bir REDCap alanında saklayarak ve DICOM görüntüsünü en az 24 saatlik bir aradan sonra yeni bir ölçüm oturumu olarak yeniden açarak operatörü ilk ölçüme karşı kör tutun.
4. Sertifikalı iki radyoloğun bağımsız olarak Goutallier dereceleri atamasını ve ImageJ tabanlı kantitatif ölçümleri gerçekleştirmesini sağlayın. Çalışma değerlendirmeleri öncesinde referans bir görüntü seti kullanarak standart eğitim verin.
   1. Uyuşmazlıkları, üçüncü bir kıdemli kas-iskelet sistemi radyoloğu ile konsensüs yoluyla çözün. Goutallier sınıflandırması için Cohen’s kappa'yı ve kantitatif yağ yüzdesi için sınıf içi korelasyon katsayısını hesaplayın.
   2. Çalışma değerlendirmesi öncesinde, minimal, hafif, orta ve şiddetli yağlı infiltrasyonu temsil eden beşer vakayı içeren 20 vakalık bir eğitim veri seti kullanın. Bağımsız görüntü derecelendirmesi başlamadan önce referans görüntüleri, ilgi alanı yerleşimini, eşik ayarını ve uyuşmazlık çözüm prosedürlerini gözden geçirmek için bir kalibrasyon oturumu gerçekleştirin.
      NOT: Eğer gözlemciler arası Cohen’s kappa 0,70'in altına veya sınıf içi korelasyon katsayısı 0,85'in altına düşerse, analize devam etmeden önce yeniden kalibrasyon oturumu yapın.

6. Risk Tahmin Modeli Geliştirme ve Uygulama

1. Tüm çalışma değişkenlerini REDCap kullanarak yapılandırılmış bir veri setinde derleyin. Sonuç değişkenini ikili olarak tanımlayın: 1 = epidural lipomatoz mevcut (Adım 3.5'teki dört tanı kriterinin tamamı karşılanmış) ve 0 = epidural lipomatoz yok.
   1. Öngörücü değişkenleri şu şekilde kodlayın: yaş (yıl); cinsiyet (0 = erkek, 1 = kadın); BMI (kg/m²); kayma seviyesi (0 = L3/L4, 1 = L5) ve Goutallier evresi (0 = Evre 0–2; 1 = ağır yağlı infiltrasyonu temsil eden Evre 3–4). Raporlama için yaşın etkisini her 10 yıllık artış başına ve BMI etkisini her 5 kg/m² artış başına ifade edin. Yatak başı öngörü denkleminde, rapor edilen artış tabanlı katsayılara cebirsel olarak eşdeğer olan ham birim katsayıları kullanın.
   2. Eksik değerleri belirleyerek, aykırı değerleri doğrulayarak ve tüm değişkenlerin beklenen aralıklarda olduğunu teyit ederek veri temizleme işlemini gerçekleştirin.
   3. Kaynak kayıtları doğruladıktan sonra, gerekli sonuç veya öngörücü değişkenleri eksik olan hastaları hariç tutun. Sürekli değişkenleri aralık kontrolleri ve saçılım grafikleri kullanarak inceleyin, doğrulanan veri giriş hatalarını kaynak kayıtlara göre düzeltin, biyolojik olarak makul aykırı değerleri tutun ve gerekli model değişkenleri için atama yapmayın.
2. SPSS versiyon 27.0'ı açın ve tekrarlanabilirliği sağlamak için rastgele sayı tohumunu (random seed) 42 olarak ayarlayın. Sürekli değişkenler için Student's t-testi ve kategorik değişkenler için ki-kare testi kullanarak tek değişkenli tarama yapın.
   1. Çok değişkenli analiz için P < 0,05 olan değişkenleri seçin. Akaike Bilgi Kriteri (AIC) minimizasyonuna dayalı geriye doğru adım adım eleme yöntemini kullanarak çok değişkenli ikili lojistik regresyon modeli kurun.
   2. Hosmer-Lemeshow testi ile model uyum iyiliğini değerlendirin. Tüm tutulan öngörücüler için varyans şişirme faktörünü (VIF) hesaplayın ve tüm VIF değerlerinin <5 olduğunu teyit edin.
   3. Regresyon katsayılarının eksponansiyelini alarak %95 güven aralıkları (GA) ile düzeltilmiş risk oranlarını (OR) elde edin. Etki büyüklüklerini görselleştirmek için R'daki forestplot paketini kullanarak bir forest plot oluşturun (Şekil 1). Yaşın etkisini her 10 yıllık artış başına ve BMI etkisini her 5 kg/m² artış başına raporlayın.
   4. Bu tek merkezli veri seti için keşifçi bir model kurma stratejisi olarak, tek değişkenli taramayı ardından geriye doğru adım adım seçimi kullanın. Adım adım seçim, dengesiz katsayı tahminlerine ve iyimser model performansına yol açabileceği için final modeli hipotez üreten bir klinik karar destek aracı olarak yorumlayın. Klinik uygulama öncesinde model performansını dış doğrulama yoluyla teyit edin.
   5. Temizlenmiş SPSS veri setini, değişken etiketleri kaldırılmış ve kodlamalar korunmuş şekilde virgülle ayrılmış değerler (.csv) dosyası olarak dışa aktarın. R versiyon 4.3.1'de forestplot paketini kullanarak forest plot'u oluşturun. Çizimi yapmadan önce R'deki değişken kodlamasının SPSS kodlama sözlüğüyle eşleştiğini teyit edin.
3. Modelleme kohortu için alıcı işletim karakteristik eğrisinin altında kalan alanı (AUC) hesaplayarak model ayırt ediciliğini değerlendirin. Standart hatayı DeLong testi ile tahmin edin.
   1. Hem modelleme hem de doğrulama kohortlarında, gruplandırılmış öngörülen risk aralıkları boyunca öngörülen ve gözlemlenen olasılıkları karşılaştıran kalibrasyon grafikleri kullanarak model kalibrasyonunu değerlendirin (Şekil 2). Öngörülen riskin uç noktalarında daha az gözlem bulunduğu için doğrulama kohortu kalibrasyon eğrisini dikkatli yorumlayın.
   2. R versiyon 4.3.1'de rmda paketi (versiyon 1.6) kullanarak karar eğrisi analizi gerçekleştirin. Öngörü modelini, bir dizi eşik olasılığı boyunca "herkesi tedavi et" ve "hiç kimseyi tedavi etme" stratejileriyle karşılaştırın (Şekil 3).
   3. Final modeli, ayrılmış iç doğrulama kohortunu (n = 106) kullanarak doğrulayın. Doğrulama AUC'sini, kalibrasyon grafiğini ve karar eğrisini betimleyici olarak raporlayın. Modelleme ve doğrulama kohortları arasındaki uyumu, dış geçerliliğin kanıtı olarak değil, iç tutarlılığın bir göstergesi olarak yorumlayın.
   4. Alıcı işletim karakteristik analizi, kalibrasyon çizimi ve karar eğrisi analizini R versiyon 4.3.1'de gerçekleştirin. R betiklerini, paket versiyonlarını, giriş veri setini, kodlama sözlüğünü ve çıktı şekillerini istatistiksel analiz kaydıyla birlikte arşivleyin.
   5. AUC farkı ≤0,05 veya 0,8–1,2'lik bir kalibrasyon eğimi gibi sabit eşikleri resmi doğrulama kriterleri olarak kullanmayın. Bu değerleri iç model stabilitesinin göstergeleri olarak betimleyici şekilde raporlayın ve geniş klinik uygulama öncesinde çok merkezli dış doğrulamanın gerekli olduğunu belirtin.
      NOT: Modeli dış klinik veri setlerine uygulamadan önce iç doğrulamayı tamamlayın.
4. DLS olan yeni bir hasta için beş öngörücü değişkeni toplayın: yaş (yıl), cinsiyet, BMI (kg/m²), kayma seviyesi (L3/L4 veya L5) ve kayma seviyesindeki multifidus Goutallier evresi.
   1. Ham klinik birimlerle ifade edilen lojistik regresyon denklemini kullanarak öngörülen olasılığı hesaplayın:
      
      Burada, z = -5,521 + (0,0412 × yaş) + (0,856 × cinsiyet) + (0,1256 × BMI) + (1,326 × kayma seviyesi) + (1,158 × Goutallier evresi). Yaşı yıl olarak girin; cinsiyeti 0 = erkek ve 1 = kadın olarak kodlayın; BMI'ı kg/m² olarak girin; kayma seviyesini 0 = L3/L4 ve 1 = L5 olarak kodlayın; Goutallier evresini 0 = Evre 0–2 ve 1 = Evre 3–4 olarak kodlayın. Yaş ve BMI için ham birim katsayıları, sırasıyla her 10 yıllık ve her 5 kg/m² artış başına ifade edilen katsayılara cebirsel olarak eşdeğerdir.
   2. Öngörülen olasılığı betimleyici olarak şu şekilde yorumlayın: <20% düşük tahmin edilen olasılığı, %20–50 orta tahmin edilen olasılığı ve >50% epidural lipomatozun yüksek tahmin edilen olasılığını gösterir. Bu kategorileri tedavi seçimi için değil, risk iletişimi ve iş akışı önceliklendirmesi için kullanın.
      NOT: Öngörü modelini yalnızca bir klinik karar destek aracı olarak kullanın. Modelin klinik yargının veya radyolojik yorumun yerine geçmesine izin vermeyin. Modeli, ek doğrulama yapmadan isthmik spondilolistezis, postoperatif spinal durumlar veya steroid kaynaklı epidural lipomatozlu hastalar dahil olmak üzere türetme kohortu dışındaki popülasyonlara uygulamayın.
   3. Ham yaş ve BMI değerlerini doğrudan öngörü denklemine girin. Yaş ve BMI katsayılarının cebirsel olarak yeniden ölçeklendirilmesi yalnızca denklemin sunumunu değiştirir; öngörülen olasılıkları, risk oranlarını, alıcı işletim karakteristik eğrilerini, kalibrasyon grafiklerini veya karar eğrisi analizi sonuçlarını değiştirmez.
   4. Risk oranlarını tutarlı bir şekilde şu şekilde raporlayın: yaş her 10 yıllık artış başına; BMI her 5 kg/m² artış başına; cinsiyet, kadın ve erkek karşılaştırması; kayma seviyesi, L5 ve L3/L4 karşılaştırması; ve Goutallier evresi, Evre 3–4 ve Evre 0–2 karşılaştırması.
   5. Düşük, orta ve yüksek olasılık kategorilerini, model tarafından öngörülen olasılık dağılımından ve karar eğrisi analizinden türetilmiş pragmatik klinik iletişim grupları olarak kullanın. Optimal karar eşiklerini belirlemek için prospektif dış doğrulama gerektiğinden, bu kategorileri doğrulanmış tedavi eşikleri olarak yorumlamayın.

Şekil 1. Degeneratif lomber spondilolistezisli hastalarda epidural lipomatozun bağımsız öngörücülerinin forest plot'u. Çok değişkenli binomyal lojistik regresyon ile belirlenen beş bağımsız öngörücü için düzeltilmiş odds oranlarını (OR'lar) ve %95 güven aralıklarını (GA'lar) gösteren forest plot. Kırmızı kareler düzeltilmiş OR'ları, yatay mavi çizgiler ilgili %95 GA'ları ve dikey kesikli çizgi nul değerini (OR = 1) göstermektedir. Yaşın etkisi her 10 yıllık artış için ve vücut kitle indeksinin (BMI) etkisi her 5 kg/m² artış için bildirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

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

Şekil 3. Tahmin modelinin alıcı işletim karakteristik eğrisi ve karar eğrisi analizi. (A) Modelleme kohortu (eğri altındaki alan [AUC] = 0,834) ve doğrulama kohortu (AUC = 0,815) için alıcı işletim karakteristik (ROC) eğrileri. Gri diyagonal çizgi, ayırıcı özelliği olmayan bir sınıflandırıcı için referans çizgiyi temsil eder. (B) Eşik olasılıklar genelinde tahmin modelinin net faydasını gösteren karar eğrisi analizi. Kırmızı düz çizgi modelleme kohortunu, mavi kesikli çizgi doğrulama kohortunu, siyah tire-nokta çizgi tümünü tedavi et stratejisini ve gri noktalı çizgi hiçbirini tedavi etme stratejisini temsil eder. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Sonuçlar

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

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

Değişken	Lipomatoz Grubu (n = 87)	Non-lipomatoz Grubu (n = 161)	t/χ2	P Değeri
Yaş (yıl)	70.28 ± 10.84	66.57 ± 11.50	2.47	0.014
Cinsiyet, n (%)			3.844	0.05
Erkek	26 (29.89)	70 (43.48)
Kadın	61 (70.11)	91 (56.52)
Vücut kütle indeksi (kg/m²)	26.84 ± 3.68	23.82 ± 3.12	6.815	<0.001
Kaymış segment, n (%)			9.304	0.01
L3	6 (6.90)	25 (15.53)
L4	48 (55.17)	101 (62.73)
L5	33 (37.93)	35 (21.74)
Pfirrmann evresi, n (%)			0.99	0.804
Evre II	5 (5.75)	13 (8.07)
Evre III	24 (27.59)	50 (31.06)
Evre IV	34 (39.08)	59 (36.65)
Evre V	24 (27.59)	39 (24.22)
Goutallier evresi, n (%)			9.446	0.024
Evre 1	22 (25.29)	56 (34.78)
Evre 2	26 (29.89)	60 (37.27)
Evre 3	21 (24.14)	31 (19.25)
Evre 4	18 (20.69)	14 (8.70)
Distal faset eklem açısı (°)	55.38 ± 6.52	55.20 ± 6.39	0.208	0.835
Distal faset eklem efüzyonu (mm)	0.96 ± 0.22	0.93 ± 0.20	1.091	0.277
Distal disk yüksekliği (mm)	9.08 ± 1.96	9.20 ± 1.90	0.469	0.64
Proksimal faset eklem açısı (°)	49.82 ± 6.17	50.02 ± 5.97	0.252	0.802
Proksimal faset eklem efüzyonu (mm)	0.85 ± 0.27	0.83 ± 0.25	0.584	0.56
Proksimal disk yüksekliği (mm)	8.02 ± 1.56	8.07 ± 1.50	0.247	0.805
Pelvik insidans (PI, °)	52.46 ± 8.12	52.03 ± 7.86	0.404	0.687
Pelvik tilt (PT, °)	24.58 ± 7.33	24.22 ± 7.10	0.375	0.708
Sakral eğim (SS, °)	44.78 ± 6.91	44.98 ± 6.80	0.224	0.823
Torakal kifoz (TK, °)	21.08 ± 7.79	21.24 ± 7.62	0.158	0.875

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

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

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

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

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

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

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

Tartışma

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

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

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

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

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

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

Malzemeler

Bu makalede kullanılan malzemelerin listesi

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