Wessel Van Der Steen

Kwantificatie van Subarachnoïdale Bloedingen: Voorspellen van Delayed Cerebral Ischemia en Uitkomst

Een aneurysmatische subarachnoïdale bloeding (SAB) is een ernstig type beroerte die op een relatief jonge leeftijd optreedt en een slechtere prognose heeft dan andere typen beroerten. Een van de complicaties van een aneurysmatische SAB is delayed cerebral ischemia (DCI), dat geassocieerd is met een hoge mortaliteit en een slechte functionele uitkomst. Snelle en accurate voorspelling van patiënten die DCI zullen ontwikkelen en patiënten die een slechte functionele uitkomst zullen hebben kan artsen helpen met het maken van behandelbeslissingen en het informeren en adviseren van patiënten en hun familie. De hoeveelheid bloed op de blanco CT-scan is geassocieerd met het optreden van DCI en het hebben van een slechte functionele uitkomst. Het doel van dit proefschrift was het evalueren van de huidige veelgebruikte radiologische schalen om de hoeveelheid bloed op de blanco CT-scan bij patiënten met een SAB te schatten, het introduceren van een nieuwe methode gebaseerd op convolutional neural networks om de hoeveelheid bloed te kwantificeren en het ontwikkelen van nieuwe predictiemodellen voor DCI en een slechte functionele uitkomst gebruik makend van gekwantificeerde bloedvolumes.

In Hoofdstuk 2 hebben we een systematische review en meta-analyse gedaan om de associatie tussen de huidige veel gebruikte radiologische schalen om de hoeveelheid bloed na een SAB te schatten en DCI te evalueren. De geëvalueerde schalen waren de Fischer schaal, modified Fischer schaal en de Hijdra sum score. Indien mogelijk werden pooled odds ratios voor het optreden van DCI per punt toename op de radiologische schaal berekend. Door een grote variatie in het presenteren van data in de geïncludeerde studies en de verschillende definities voor DCI die werden gebruikt kon alleen voor de Fischer schaal een meta-analyse worden uitgevoerd en pooled odds ratios worden berekend. Dit liet zien dat Fischer graad 3 (van de 4) de sterkste associatie had met DCI. Echter, de modified Fischer schaal was in de literatuur vaker significant geassocieerd met DCI dan de Fischer schaal. Dit zou kunnen pleiten voor het gebruik van de modified Fischer schaal in plaats van de andere twee radiologische schalen.

In Hoofdstuk 3 presenteren we een nieuwe automatische methode om een SAB te detecteren en te kwantificeren gebaseerd op convolutional neural networks (CNNs). Een CNN werd getraind op 302 blanco CT-scans en gevalideerd op 473 blanco CT-scans. De overeenkomst tussen de automatisch gekwantificeerde bloedvolumes en de manueel ingetekende bloedvolumes was hoog (intraclass correlation coëfficiënt van 0.966, Dice coëfficiënt 0.63 ± 0.16). Dit is hetzelfde als de overeenkomst tussen twee getrainde observers. Het duurde gemiddeld slechts 30 seconden om de SAB te detecteren en te segmenteren. De snelheid en nauwkeurigheid van deze methode maken hem geschikt voor gebruik in de kliniek.

In Hoofdstuk 4 onderzochten we de associatie tussen het cisternale-, intraventriculaire-, intraparenchymateuze- en subdurale bloedvolume en het optreden van DCI na een SAB. Alleen het cisternale bloedvolume was significant geassocieerd met DCI (gecorrigeerde OR = 1.02 per milliliter bloedvolume). Er werd geen significante associatie gevonden tussen het intraventriculaire-, intraparenchymateuze-, en subdurale bloedvolume en DCI. De bevindingen in dit hoofdstuk suggereren dat de hoeveelheid bloed dat in de cisternen gelokaliseerd is een belangrijkere rol speelt in de ontwikkeling van DCI dan de hoeveelheid bloed op andere locaties in de hersenen.

In Hoofdstuk 5 onderzochten we de associatie tussen het intraparenchymateuze bloedvolume, de neurologische conditie bij opname en de klinische uitkomst bij SAB patiënten met een geruptureerd arteria cerebri media aneurysma. Tevens onderzochten we de associatie tussen de behandelopties (clippen, coilen, geen behandeling) en klinische uitkomst bij deze patiënten. We vonden een significant verschil in klinische uitkomst tussen patiënten met een slechte neurologische conditie (17% goede klinische uitkomst) en een goede neurologische conditie (68% goede klinische uitkomst) bij opname. Dit significante verschil werd niet gevonden tussen patiënten met een groot (> 50 ml) intraparenchymateus bloedvolume (29% goede klinische uitkomst) en een klein (< 50 ml) intraparenchymateus bloedvolume (45% goede klinische uitkomst). Zowel bij patiënten met een klein en groot intraparenchymateus bloedvolume werd geen verschil in klinische uitkomst gevonden tussen clippen of coilen van het aneurysma, met of zonder decompressie. Daarom concluderen we in dit hoofdstuk dat de neurologische conditie bij opname een belangrijkere rol speelt dan het intraparenchymateuze bloedvolume in het schatten van de klinische uitkomst bij patiënten met een SAB met een geruptureerd arteria cerebri media aneurysma. Verder concluderen we dat de beslissing om het aneurysma te clippen of te coilen bij patiënten met een geruptureerd media aneurysma en daarbij een intraparenchymateus hematoom moet worden overgelaten aan het locale neurovasculaire behandelteam. In Hoofdstuk 6 hebben we een predictiemodel voor klinische DCI bij patiënten met een aneurysmatische SAB ontwikkeld en intern gevalideerd. Hierbij hebben we gebruik gemaakt van het totale bloedvolume (TBV) als een van de voorspellers. We hebben 369 patiënten uit de prospectieve SAB-database van de afdeling Neurochirurgie van het Amsterdam UMC geïncludeerd. Van alle kandidaat voorspellers was alleen het TBV een onafhankelijke voorspeller van DCI. Het model met alleen het TBV had een middelmatige voorspellende waarde voor DCI (c-statistic 0.64). Desalniettemin, dit model presteerde beter dan een model met de Fisher schaal (c-statistic 0.56) of de modified Fisher schaal (c-statistic 0.58). De bevindingen in dit hoofdstuk suggereren dat ondanks dat bloedvolume een rol speelt in de ontwikkeling van DCI er andere factoren moeten worden gevonden om DCI beter te kunnen voorspellen. In Hoofdstuk 7 proberen we DCI beter te voorspellen door een machine learning algoritme te trainen. Een machine learning algoritme werd getraind door gebruik te maken van gegevens uit dezelfde prospectieve dataset als in Hoofdstuk 6. Verder werden automatisch uit beeldvorming gehaalde gegevens als bloedvolume en locatie toegevoegd aan het model. Het combineren van het machine learning algoritme dat getraind was op de prospectieve dataset en de automatisch uit beeldvorming gehaalde gegevens resulteerde in de hoogste voorspellende waarde voor DCI (c-statistic 0.74). Daarom concluderen we in dit hoofdstuk dat machine learning algoritmes het voorspellen van DCI verbeterd, met name als ook gebruikt wordt gemaakt van uit beeldvorming gehaalde gegevens. In Hoofdstuk 8 hebben we een predictiemodel voor de klinische uitkomst van patiënten met een aneurysmatische SAB ontwikkeld en extern gevalideerd. Hierbij hebben we gebruik gemaakt van het TBV als een van de voorspellers. Voor het ontwikkelen van de modellen hebben we dezelfde dataset als in Hoofdstuk 6 gebruikt. Voor het extern valideren van de modellen hebben we 317 patiënten uit de prospectieve SAB-database van het UMC Utrecht geïncludeerd. Het TBV, de neurologische conditie, de leeftijd, de grootte van het aneurysma en een cardiovasculaire ziekte in de voorgeschiedenis waren onafhankelijke voorspellers van de klinische uitkomst en werden geïncludeerd in het definitieve model. De extern gevalideerde accuraatheid en onderscheidend vermogen waren groot (R2 = 56% ± 1.8%; c-statistic = 0.89 ± 0.01). Het apart includeren van het cisternale-, intraventriculaire-, en intraparenchymateuze bloedvolume verbeterde het model niet. Het vervangen van het TBV door de modified Fisher schaal verminderde de kwaliteit van het model. In dit hoofdstuk concluderen we dat het TBV-predictiemodel voor het voorspellen van de klinische uitkomst van patiënten met een SAB een hoge voorspellende waarde heeft, hoger dan een predictiemodel met de vaker gebruikte modified Fisher schaal. List of Abbreviations AIC = akaike information criterion aOR = adjusted odds ratio aSAH = aneurysmal subarachnoid hemorrhage CNN = convolutional neural network CNTK = The Microsoft Cognitive Toolkit CSF = cerebrospinal fluid CT = computed tomography CTA = computed tomography angiography DCI = delayed cerebral ischemia DSA = digital subtraction angiography EVD = extraventricular drain GOS = Glasgow outcome scale IPH = intraparenchymal hemorrhage IQR = interquartile range IVH = intraventricular hemorrhage LIME = local interpretable model-agnostic explanations LR = logistic regression MCA = middle cerebral artery ML = machine learning MLP = multi-layer perceptron MRI = magnetic resonance imaging mRS = modified Rankin Scale NCCT = noncontrast computed tomography NOS = Newcastle - Ottawa quality assessment ORs = odds ratios PCA = principal component analysis PVO = parent vessel occlusion RFC = random forest classifier SAH = subarachnoid hemorrhage SD = standard deviation SDCAE = stacked denoising convolutional auto-encoder SDH = subdural hemorrhage SVM = support vector machine TBV = total blood volume ULTRA = Ultra-Early Tranexamic Acid After Subarachnoid Hemorrhage WFNS = World Federation of Neurosurgical Societies Publications 1. den Hartog AW, Franken R, de Witte P, Radonic T, Marquering HA, van der Steen WE, Timmermans J, Scholte AJ, van den Berg MP, Zwinderman AH, Mulder BJ, Groenink M. Aortic Disease in Patients with Marfan Syndrome: Aortic Volume Assessment for Surveillance. Radiology. 2013 Nov;269(2):370-7 2. van der Steen WE, Vermeij J-D, Marquering HA, van den Berg R, Majoie CBLM, Nederkoorn PJ. Intracranial Carotid Artery Stenosis Diagnosed with CTA in a Western Population: Predictor for Poor Outcome. Carotid Artery Disease: Risk Factors, Prognosis and Management, Nova publishers, 2014, ISBN: 978-1-63321-859-8 3. Zijlstra IA, van der Steen WE, Verbaan D, Majoie CB, Marquering HA, Coert BA, Vandertop WP, van den Berg R. Ruptured middle cerebral artery aneurysms with a concomitant intraparenchymal hematoma: the role of hematoma volume. Neuroradiology. 2018 Mar;60(3):335-342 4. van der Steen WE, Zijlstra IA, Verbaan D, Boers AMM, Gathier CS, van den Berg R, Rinkel GJE, Coert BA, Roos YBWEM, Majoie CBLM, Marquering HA. Association of quantified location-specific blood volumes with delayed cerebral ischemia after aneurysmal subarachnoid hemorrhage. AJNR Am J Neuroradiol. 2018 Jun;39(6):1059-1064 5. van der Steen WE, Leemans E, van den Berg R, Roos YBWEM, Marquering HA, Verbaan D, Majoie CBLM. Radiological hemorrhage grading scales for predicting delayed cerebral ischemia in patients with aneurysmal subarachnoid hemorrhage: a systematic review and meta-analysis. Neuroradiology. 2019 Mar;61(3):247-256 6. van der Steen WE, Marquering HA, van den Berg R, Coert BA, Boers AMM, Roos YBWEM, Majoie CBLM, Vandertop WP, Rinkel GJE, Vergouwen MDI, Velthuis BK, Verbaan D. Predicting Delayed Cerebral Ischemia with Quantified Aneurysmal Subarachnoid Blood Volume. World Neurosurg. 2019 Oct;130:e613-e619. 7. Ramos LA, van der Steen WE, Sales Barros R, Majoie CBLM, van den Berg R, Verbaan D, Vandertop WP, Zijlstra IA, Zwinderman AH, Strijker GJ, Delgado Olabarriaga S, Marquering HA. Machine Learning Improves Prediction of Delayed Cerebral Ischemia in Patients With Subarachnoid Hemorrhage. J Neurointerv Surg. 2019 May;11(5):497-502 8. Sales Barros R, van der Steen WE, Boers AMM, Zijlstra IA, van den Berg R, El Youssoufi W, Urwald A, Verbaan D, Vandertop WP, Majoie CBLM, Delgado Olabarriaga S, Marquering HA. Automated segmentation of subarachnoid hemorrhages with convolutional neural networks. Informatics in Medicine Unlocked, 2020; 19(100321) 9. van der Steen WE, Marquering HA, Ramos LA, van den Berg R, Coert BA, Boers AMM, Vergouwen MDI, Rinkel GJE, Velthuis BK, Roos YBWEM, Majoie CBLM, Vandertop WP, Verbaan D. Prediction of Outcome Using Quantified Blood Volume in Aneurysmal SAH. AJNR Am J Neuroradiol. 2020 Jun;41(6):1015-