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.

Rugpijn is een universele menselijke ervaring, een hardnekkige metgezel voor miljoenen werkende volwassenen die eenvoudige bewegingen kunnen veranderen in dagelijkse worstelingen. Wanneer de tussenwervelschijven tussen de botten van de onderrug uit hun plaats glippen, kunnen ze op zenuwen drukken, wat scherpe pijn naar de benen stuurt en het vermogen van een persoon om te functioneren beperkt. Hoewel chirurgie een optie is bij ernstige gevallen, krijgen de meeste mensen eerst conservatieve behandelingen aangeboden die ontworpen zijn om druk te verlichten zonder in het lichaam te snijden. Een dergelijke methode maakt gebruik van een gespecialiseerde machine om de wervelkolom voorzichtig te strekken, waardoor er ruimte ontstaat voor de zenuwen en het lichaam wordt aangemoedigd zichzelf te genezen. Deze behandeling werkt echter niet voor iedereen. Sommige patiënten ervaren onmiddellijke verlichting, terwijl anderen geen enkele verandering merken. Decennialang hebben artsen moeten gokken welke patiënten baat zouden hebben bij de behandeling, waarbij ze vertrouwden op ervaring en algemene symptomen in plaats van een duidelijke, objectieve manier om de uitkomst te voorspellen.

Een team van onderzoekers heeft nu een nieuw hulpmiddel ontwikkeld om die vraag te helpen beantwoorden. Door standaard medische beelden te combineren met geavanceerde computeranalyse, hebben zij een systeem gecreëerd dat de wervelkolom van een patiënt kan bekijken voordat de behandeling begint en kan inschatten hoe groot de kans op verbetering is. De studie richtte zich op de spieren die langs de wervelkolom lopen, die vaak over het hoofd worden gezien bij standaard scans. Met behulp van een techniek genaamd radiomics hebben de onderzoekers een computer geleerd om minuscule, onzichtbare patronen in de textuur en samenstelling van deze spieren te detecteren die het menselijk oog niet kan zien. Ze ontdekten dat door naar deze spierpatronen te kijken in combinatie met eenvoudige feiten over de leeftijd en de gezondheidsgeschiedenis van de patiënt, ze nauwkeurig konden voorspellen wie goed op de rektherapie zou reageren en wie niet.

De onderzoekers verzamelden gegevens van 76jes patiënten uit twee verschillende ziekenhuizen die deze niet-chirurgische spinale decompressiebehandeling hadden ondergaan. Voordat de behandeling begon, maakte elke patiënt een MRI-scan van hun onderrug. Het team richtte zijn aandacht op drie specifieke groepen spieren: de psoas major, die diep in de buik loopt; de erector spinae, die de wervelkolom ondersteunt; en de multifidus, een kleine maar cruciale spier die elke individuele wervel stabiliseert. Met behulp van gespecialiseerde software brachten zij deze spieren in kaart op de MRI-beelden en extraheerden zij honderden kwantitatieve kenmerken. Deze kenmerken maten zaken zoals de dichtheid van het weefsel, de aanwezigheid van vet en de microscopische textuur van de spiervezels.

Om deze enorme hoeveelheid gegevens te begrijpen, gebruikte het team machine learning, een type computerprogramma dat patronen leert herkennen door voorbeelden te bestuderen. Zij deelden de patiënten op in groepen, waarbij ze één grote groep gebruikten om de computer te trainen en een aparte groep om de voorspellingen te testen. De computer leerde het onderscheid te maken tussen patiënten die na de behandeling aanzienlijk verbeterden en patiënten die dat niet deden. De resultaten lieten zien dat het computermodel zeer accuraat was. Wanneer het model de spiergegevens combineerde met basis klinische informatie — zoals de leeftijd van de patiënt, of zij diabetes of hoge bloeddruk hadden, en hun beroep — presteerde het beter dan welke enkele bron van informatie dan ook op zichzelf kon doen.

De belangrijkste bevinding was dat de computer specifieke tekenen in de spieren kon identificeren die succes voorspelden. De analyse onthulde dat de conditie van de multifidus-spier bijzonder veelzeggend was. Patiënten wier multifidus-spieren tekenen vertoonden van een gezonde textuur en minder vetinfiltratie, hadden veel meer kans om goed op de behandeling te reageren. Omgekeerd waren patiënten met spieren die er gedegenereerd of zwaar met vet geïnfiltreerd uitzagen, minder geneigd om baat te hebben bij de behandeling. De computer bevestigde ook wat artsen al lang vermoedden: leeftijd is een belangrijke factor. Jongere patiënten, wier wervelschijven en spieren over het algemeen flexibeler en gehydrateerder zijn, reageerden veel beter dan oudere patiënten, wier weefsels vaak stijver en meer versleten zijn.

De studie produceerde niet alleen een lijst met cijfers; het creëerde een praktisch model dat gebruikt kan worden om beslissingen te sturen. De onderzoekers testten hun model op een volledig nieuwe groep patiënten uit een ander ziekenhuis om te verzekeren dat het in de echte wereld werkte, en het hield stand. Het model identificeerde correct de meerderheid van de patiënten die zouden verbeteren, terwijl het ook de patiënten markeerde die waarschijnlijk geen resultaat zouden zien. Dit is cruciaal omdat het betekent dat artsen patiënten niet langer bloot kunnen stellen aan een behandeling die waarschijnlijk niet zal helpen, waardoor tijd en middelen worden bespaard. In plaats daarvan kunnen die patiënten eerder naar andere opties worden geleid, zoals chirurgie of andere therapieën.

Wat deze aanpak uniek maakt, is dat het naar het hele plaatje kijkt. Eerdere studies richtten zich vaak alleen op de discus zelf of vertrouwden uitsluitend op de subjectieve beoordeling van de arts. Deze nieuwe methode beschouwt de wervelkolom als een systeem waarbij de gezondheid van de omliggende spieren even belangrijk is als de conditie van de discus. De computeranalyse fungeert als een krachtige microscoop die de subtiele verschillen in spierweefsel onthult die bepalen of de wervelkolom effectief kan reageren op de zachte trekkracht van de decompressiemachine. Als de spieren te zwak of te stijf zijn, kunnen ze de noodzakelijke kracht niet overbrengen naar de discus, en faalt de behandeling.

De onderzoekers waren zorgvuldig om te vermelden dat hun werk gebaseerd is op het terugkijken naar gegevens uit het verleden, wat betekent dat het bevestigd moet worden door toekomstige studies waarbij patiënten in de loop van de tijd worden gevolgd. Ze erkenden ook dat het proces van het in kaart brengen van de spieren op de MRI-scans handmatig werd gedaan, wat tijdrovend is, en dat toekomstige versies van dit hulpmiddel mogelijk geautomatiseerde systemen zullen gebruiken om de snelheid te verhogen. Ondanks deze beperkingen biedt de studie een sterke fundering voor een nieuwe manier van denken over rugpijnbehandeling. Het beweegt het vakgebied weg van een eenheidsworst-benadering naar een meer gepersonaliseerde strategie, waarbij de beslissing om een specifieke therapie te gebruiken wordt ondersteund door data uit het eigen lichaam van de patiënt.

Uiteindelijk biedt dit onderzoek een blik op een toekomst waarin medische beslissingen worden gestuurd door precieze, objectieve bewijslast. Door de verborgen taal van spierweefsel te begrijpen, kunnen artsen patiënten beter matchen met de behandelingen die voor hen zullen werken. Voor de miljoenen mensen die lijden aan hernia's, betekent dit een duidelijk pad vooruit, wat de onzekerheid vermindert over of een conservatieve behandeling zal helpen of dat het tijd is om andere opties te overwegen. De studie belooft geen genezing voor iedereen, maar het belooft wel een slimmere manier om de juiste weg te kiezen voor elk individu.