Prediction of non-surgical spinal decompression efficacy in lumbar disc herniation patients is based on pre-treatment paravertebral muscle MRI radiomics and clinical factors in a two-center study with external validation.

Rückenschmerzen sind eine universelle menschliche Erfahrung, ein beständiger Begleiter für Millionen von Erwachsenen im erwerbsfähigen Alter, der einfache Bewegungen in tägliche Kämpfe verwandeln kann. Wenn die dämpfenden Bandscheiben zwischen den Knochen der unteren Wirbelsäule aus ihrer Position gleiten, können sie auf Nerven drücken, Schmerzen in die Beine senden und die Fähigkeit einer Person einschränken, zu funktionieren. Während eine Operation eine Option für schwere Fälle darstellt, wird den meisten Menschen zuerst eine konservative Behandlung angeboten, die darauf abzielt, den Druck zu lindern, ohne in den Körper einzugreifen. Eine solche Methode nutzt eine spezialisierte Maschine, um die Wirbelsäule sanft zu dehnen, Raum für die Nerven zu schaffen und den Körper dazu zu ermutigen, sich selbst zu heilen. Diese Behandlung wirkt jedoch nicht bei jedem. Einige Patienten verspüren sofortige Erleichterung, während andere keinerlei Veränderung feststellen. Seit Jahrzehnten müssen Ärzte raten, welche Patienten profitieren würden, wobei sie sich auf Erfahrung und allgemeine Symptome verlassen müssen, statt auf eine klare, objektive Möglichkeit, das Ergebnis vorherzusagen.

Ein Forscherteam hat nun ein neues Werkzeug entwickelt, um diese Frage zu beantworten. Durch die Kombination von Standard-medizinischen Bildern mit fortschrittlicher Computeranalyse haben sie ein System geschaffen, das die Wirbelsäule eines Patienten vor Beginn der Behandlung betrachten und abschätzen kann, wie wahrscheinlich eine Besserung ist. Die Studie konzentrierte sich auf die Muskeln, die entlang der Wirbelsäule verlaufen und in Standard-Scans oft übersehen werden. Mit einer Technik namens Radiomics brachten die Forscher einem Computer bei, winzige, unsichtbare Muster in der Textur und Zusammensetzung dieser Muskeln zu erkennen, die das menschliche Auge nicht sehen kann. Sie fanden heraus, dass sie durch die Betrachtung dieser Muskelmuster zusammen mit einfachen Fakten über das Alter und die Krankengeschichte des Patienten genau vorhersagen konnten, wer gut auf die Dehntherapie ansprechen würde und wer nicht.

Die Forscher sammelten Daten von 766 Patienten aus zwei verschiedenen Krankenhäusern, die sich dieser nicht-chirurgischen spinalen Dekompressionstherapie unterzogen hatten. Vor Beginn der Behandlung hatte jeder Patient eine MRT-Aufnahme seines unteren Rückens. Das Team konzentrierte seine Aufmerksamkeit auf drei spezifische Muskelgruppen: den Psoas major, der tief im Abdomen verläuft; den Erector spinae, der die Wirbelsäule stützt; und den Multifidus, einen kleinen, aber entscheidenden Muskel, der jedes einzelne Wirbelsegment stabilisiert. Unter Verwendung spezialisierter Software kartierten sie diese Muskeln auf den MRT-Bildern und extrahierten hunderte quantitativer Merkmale. Diese Merkmale maßen Dinge wie die Dichte des Gewebes, das Vorhandensein von Fett und die mikroskopische Textur der Muskelfasern.

Um diese riesige Menge an Daten zu verstehen, nutzte das Team maschinelles Lernen, eine Art von Computerprogramm, das lernt, Muster zu erkennen, indem es Beispiele studiert. Sie teilten die Patienten in Gruppen ein, wobei sie eine große Gruppe zur Trainierung des Computers und eine separate Gruppe zur Testung seiner Vorhersagen verwendeten. Der Computer lernte, zwischen Patienten zu unterscheiden, die sich nach der Behandlung signifikant verbesserten, und solchen, die dies nicht taten. Die Ergebnisse zeigten, dass das Computermodell hochpräzise war. Wenn das Modell die Muskeldaten mit grundlegenden klinischen Informationen kombinierte – wie dem Alter des Patienten, ob Diabetes oder Bluthochdruck vorlag und dem Beruf –, schnitt es besser ab, als es jede einzelne Informationsquelle für sich allein könnte.

Die wichtigste Erkenntnis war, dass der Computer spezifische Anzeichen in den Muskeln identifizieren konnte, die den Erfolg vorhersagten. Die Analyse ergab, dass der Zustand des Multifidus-Muskels besonders aussagekräftig war. Patienten, deren Multifidus-Muskel Anzeichen einer gesunden Textur und weniger Fettinfiltration aufwies, reagierten viel wahrscheinlicher gut auf die Behandlung. Umgekehrt waren Patienten, deren Muskeln degeneriert oder stark fettinfiltriert erschienen, weniger wahrscheinlich in der Lage, davon zu profitieren. Der Computer bestätigte auch, was Ärzte schon lange vermutet haben: Das Alter ist ein wesentlicher Faktor. Jüngere Patienten, deren Bandscheiben und Muskeln im Allgemeinen flexibler und hydrierter sind, sprachen viel besser an als ältere Patienten, deren Gewebe oft steifer und stärker abgenutzt ist.

Die Studie lieferte nicht nur eine Liste von Zahlen; sie schuf ein praktisches Modell, das zur Entscheidungsfindung genutzt werden kann. Die Forscher testeten ihr Modell an einer völlig neuen Gruppe von Patienten aus einem anderen Krankenhaus, um sicherzustellen, dass es in der realen Welt funktioniert, und es hielt stand. Das Modell identifizierte korrekt die Mehrheit der Patienten, die sich verbessern würden, während es gleichzeitig diejenigen markierte, die unwahrscheinlich Ergebnisse sehen würden. Dies ist entscheidend, da es bedeutet, dass Ärzte vermeiden können, Patienten einer Behandlung zu unterziehen, die ihnen wahrscheinlich nicht helfen wird, wodurch Zeit und Ressourcen gespart werden. Stattdessen könnten diese Patienten früher auf andere Optionen, wie etwa eine Operation oder andere Therapien, hingewiesen werden.

Was diesen Ansatz einzigartig macht, ist, dass er das Gesamtbild betrachtet. Frühere Studien konzentrierten sich oft nur auf die Bandscheibe selbst oder verließen sich ausschließlich auf die subjektive Einschätzung des Arztes. Diese neue Methode betrachtet die Wirbelsäule als ein System, in dem die Gesundheit der umliegenden Muskeln genauso wichtig ist wie der Zustand der Bandscheibe. Die Computeranalyse wirkt wie ein Hochleistungsmikroskop, das die subtilen Unterschiede im Muskelgewebe offenbart, die bestimmen, ob die Wirbelsäule effektiv auf die sanfte Zugkraft der Dekompressionsmaschine reagieren kann. Wenn die Muskeln zu schwach oder zu steif sind, können sie die notwendige Kraft nicht auf die Bandscheibe übertragen, und die Behandlung schlägt fehl.

Die Forscher wiesen sorgfältig darauf hin, dass ihre Arbeit auf der Betrachtung vergangener Daten basiert, was bedeutet, dass sie durch zukünftige Studien, in denen Patienten prospektiv beobachtet werden, bestätigt werden muss. Sie räumten auch ein, dass der Prozess der Kartierung der Muskeln auf den MRT-Scans manuell durchgeführt wurde, was zeitaufwendig ist, und dass zukünftige Versionen dieses Werkzeugs automatisierte Systeme nutzen könnten, um die Geschwindigkeit zu erhöhen. Trotz dieser Einschränkungen bietet die Studie eine starke Grundlage für eine neue Art des Denkens in der Behandlung von Rückenschmerzen. Sie bewegt das Feld weg von einem Einheitsansatz hin zu einer personalisierteren Strategie, bei der die Entscheidung für eine bestimmte Therapie durch Daten aus dem eigenen Körper des Patienten gestützt wird.

Letztendlich bietet diese Forschung einen Ausblick auf eine Zukunft, in der medizinische Entscheidungen durch präzise, objektive Evidenz geleitet werden. Indem sie die verborgene Sprache des Muskelgewebes verstehen, können Ärzte Patienten besser mit den Behandlungen zusammenführen, die für sie funktionieren werden. Für die Millionen von Menschen, die unter Bandscheibenvorfällen leiden, bedeutet dies einen klareren Weg nach vorne und reduziert die Ungewissheit darüber, ob eine konservative Behandlung helfen wird oder ob es an der Zeit ist, andere Optionen in Betracht zu ziehen. Die Studie verspricht keine Heilung für alle, aber sie verspricht einen klügeren Weg, um den richtigen Pfad für jeden Einzelnen zu wählen.