{"id":11450,"date":"2026-04-13T10:56:00","date_gmt":"2026-04-13T10:56:00","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/wessel-van-der-steen\/"},"modified":"2026-04-22T14:43:44","modified_gmt":"2026-04-22T14:43:44","slug":"wessel-van-der-steen","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/wessel-van-der-steen\/","title":{"rendered":"Wessel Van Der Steen"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":8,"featured_media":12086,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-11450","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"Quantification of Subarachnoid Hemorrhage","samenvatting":"Kwantificatie van Subarachno\u00efdale Bloedingen: Voorspellen van Delayed Cerebral Ischemia en Uitkomst\n\nEen aneurysmatische subarachno\u00efdale 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 pati\u00ebnten die DCI zullen ontwikkelen en pati\u00ebnten die een slechte functionele uitkomst zullen hebben kan artsen helpen met het maken van behandelbeslissingen en het informeren en adviseren van pati\u00ebnten 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 pati\u00ebnten 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.\n\nIn 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 ge\u00ebvalueerde 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 ge\u00efncludeerde 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.\n\nIn 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 co\u00ebffici\u00ebnt van 0.966, Dice co\u00ebffici\u00ebnt 0.63 \u00b1 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.\n\nIn 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.\n\nIn Hoofdstuk 5 onderzochten we de associatie tussen het intraparenchymateuze bloedvolume, de neurologische conditie bij opname en de klinische uitkomst bij SAB pati\u00ebnten met een geruptureerd arteria cerebri media aneurysma. Tevens onderzochten we de associatie tussen de behandelopties (clippen, coilen, geen behandeling) en klinische uitkomst bij deze pati\u00ebnten. We vonden een significant verschil in klinische uitkomst tussen pati\u00ebnten 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 pati\u00ebnten met een groot (> 50 ml) intraparenchymateus bloedvolume (29% goede klinische uitkomst) en een klein (< 50 ml) intraparenchymateus bloedvolume (45% goede klinische uitkomst). Zowel bij pati\u00ebnten 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 pati\u00ebnten 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 pati\u00ebnten met een geruptureerd media aneurysma en daarbij een intraparenchymateus hematoom moet worden overgelaten aan het locale neurovasculaire behandelteam.\n\nIn Hoofdstuk 6 hebben we een predictiemodel voor klinische DCI bij pati\u00ebnten 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 pati\u00ebnten uit de prospectieve SAB-database van de afdeling Neurochirurgie van het Amsterdam UMC ge\u00efncludeerd. 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.\n\nIn 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.\n\nIn Hoofdstuk 8 hebben we een predictiemodel voor de klinische uitkomst van pati\u00ebnten 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 pati\u00ebnten uit de prospectieve SAB-database van het UMC Utrecht ge\u00efncludeerd. 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 ge\u00efncludeerd in het definitieve model. De extern gevalideerde accuraatheid en onderscheidend vermogen waren groot (R2 = 56% \u00b1 1.8%; c-statistic = 0.89 \u00b1 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 pati\u00ebnten met een SAB een hoge voorspellende waarde heeft, hoger dan een predictiemodel met de vaker gebruikte modified Fisher schaal.\n\nList of Abbreviations\n\nAIC = akaike information criterion\naOR = adjusted odds ratio\naSAH = aneurysmal subarachnoid hemorrhage\nCNN = convolutional neural network\nCNTK = The Microsoft Cognitive Toolkit\nCSF = cerebrospinal fluid\nCT = computed tomography\nCTA = computed tomography angiography\nDCI = delayed cerebral ischemia\nDSA = digital subtraction angiography\nEVD = extraventricular drain\nGOS = Glasgow outcome scale\nIPH = intraparenchymal hemorrhage\nIQR = interquartile range\nIVH = intraventricular hemorrhage\nLIME = local interpretable model-agnostic explanations\nLR = logistic regression\nMCA = middle cerebral artery\nML = machine learning\nMLP = multi-layer perceptron\nMRI = magnetic resonance imaging\nmRS = modified Rankin Scale\nNCCT = noncontrast computed tomography\nNOS = Newcastle - Ottawa quality assessment\nORs = odds ratios\nPCA = principal component analysis\nPVO = parent vessel occlusion\nRFC = random forest classifier\nSAH = subarachnoid hemorrhage\nSD = standard deviation\nSDCAE = stacked denoising convolutional auto-encoder\nSDH = subdural hemorrhage\nSVM = support vector machine\nTBV = total blood volume\nULTRA = Ultra-Early Tranexamic Acid After Subarachnoid Hemorrhage\nWFNS = World Federation of Neurosurgical Societies\n\nPublications\n\n1. 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\n2. 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\n3. 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\n4. 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\n5. 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\n6. 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.\n7. 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\n8. 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)\n9. 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-","summary":"Quantification of Subarachnoid Hemorrhage: Prediction of Delayed Cerebral Ischemia and Outcome\n\nAneurysmal subarachnoid hemorrhage (aSAH) is a severe form of stroke that occurs at a relatively young age and has a poor outcome compared with other forms of stroke. Delayed cerebral ischemia (DCI) is a complication of aSAH, which is associated with high mortality and a poor functional outcome. Early and accurate prediction of patients who will develop DCI or have a poor outcome could assist physicians in making treatment decisions and counseling patients and their families. Imaging characteristics, more specifically the amount of blood on CT-scan, have shown to be associated with the occurrence of DCI and poor clinical outcome. The aim of this thesis was to evaluate currently broadly utilized grading scales to estimate the amount of blood on CT-scan in patients with aSAH, introduce a new quantitative aSAH segmentation method based on convolutional neural networks and to develop new prediction models for DCI and clinical outcome using quantified blood volumes.\n\nIn Chapter 2, we performed a systematic review and meta-analysis on the association of currently broadly utilized radiological grading scales to assess the amount of blood after aSAH with clinical DCI. The assessed scales were the Fisher scale, modified Fisher scale, and Hijdra sum score. When possible, pooled odds ratios for the occurrence of DCI were calculated per grade increase on the radiological scale. Due to a large variability in data reporting and the varying definitions of DCI, only for the Fisher scale a meta-analysis could be performed. This analysis showed that of all 4 Fisher grades, Fisher grade 3 had the strongest association with DCI. However, in literature the modified Fisher scale was more commonly significantly associated with DCI than the Fisher scale. This advocates using the modified Fisher scale in favor of the two other reviewed scales.\n\nIn Chapter 3, we proposed a new automatic method for aSAH detection and volumetric segmentation based on convolutional neural networks (CNNs). A CNN was trained on 302 baseline non-contrast CT-scans and validated on 473 non-contrast CT-scans. The agreement between the automatically segmented blood volumes and manually delineated blood volumes was high (intraclass correlation coefficient of 0.966, Dice coefficient 0.63 \u00b1 0.16). This accuracy is similar to expert interobserver agreement. Since the time for detecting and segmenting SAH was only 30 seconds on average, combined with its high accuracy, we believe that this method could be valuable in a clinical setting.\n\nIn Chapter 4, we investigated the association between the cisternal, intraventricular, intraparenchymal, and subdural blood volumes and the occurrence of DCI in patients with aSAH. Only the blood volume inside of the cisterns was significantly associated with DCI (adjusted OR 1.02 per milliliter blood volume). For the intraventricular, intraparenchymal, and subdural blood volumes no significant association was found. The findings in this chapter suggest that the amount of blood located inside of the cisterns plays a more important role in the development of DCI than the amount of blood in other locations of the brain.\n\nIn Chapter 5, we assessed the association of intraparenchymal hematoma volume and neurologic condition at admission with clinical outcome in patients with aSAH and a ruptured middle cerebral artery aneurysm. Furthermore, we evaluated the association of any treatment option (clipping, coiling, no treatment) with outcome. We found a significant difference in favorable outcome between patients with a poor (17% favorable outcome) and a good neurologic condition (68% favorable outcome) on admission. This significant difference was not found for large (> 50 ml) intraparenchymal hematoma volume (29% favorable outcome) and small (< 50 ml) hematoma volume (45% favorable outcome). Both in patients with small and large hematoma volumes no difference in outcome was found between patients that underwent clipping or coiling of the aneurysm, both with or without decompression and clot removal. Therefore, in this chapter we conclude that neurologic condition on admission plays a more important role in estimating the outcome of the patient than intraparenchymal hematoma volume in patients with ruptured middle cerebral artery aneurysms. Furthermore, as no difference in outcome was found between clipping and coiling of the aneurysm, this study suggests that the choice of coiling or clipping of the aneurysm in patients with a ruptured middle cerebral artery aneurysm with concurrent intraparenchymal hematoma is at the discretion of the local neurovascular treating team.\n\nIn Chapter 6, we developed and internally validated a prediction model for clinical DCI in patients with aSAH including total blood volume (TBV) as one of the candidate predictors. From the prospective SAH registry of the Neurosurgery department of the Amsterdam University Medical Centers, 369 patients were included. Of all candidate predictors, only TBV was an independent predictor of DCI. The model including only TBV showed moderate predictive accuracy for DCI (c-statistic 0.64). Nevertheless, it performed better than a model including the Fisher (c-statistic 0.56) or modified Fisher scale (c-statistic 0.58). The findings in this chapter suggest that though blood volume plays a role in the development of DCI, other factors may need to be identified to achieve a higher accuracy for DCI prediction models.\n\nIn Chapter 7, we aimed to improve DCI prediction by training a machine learning algorithm. A machine learning algorithm was trained using the same prospective dataset as in Chapter 6. Furthermore, automatically extracted image features were included in the model to account for blood volume and location. Combining the machine learning model trained on the prospective dataset and automatically extracted image features resulted in the highest predictive accuracy for DCI (c-statistic 0.74). Therefore, in this chapter we conclude that machine learning algorithms improve the prediction of DCI in patients with aSAH, particularly when image features are also included.\n\nIn Chapter 8, we developed and externally validated a prediction model for clinical outcome in patients with aSAH including TBV as one of the candidate predictors. For developing the models, the same prospective dataset as in Chapter 6 was used. For external validation of the model, 317 patients were included from the prospective aSAH registry of the University Medical Center Utrecht. The TBV, neurologic condition, age, aneurysm size, and history of cardiovascular disease were independent predictors of outcome and were included in the final model. The externally validated predictive accuracy and discriminative power were high (R2 = 56% \u00b1 1.8%; c-statistic = 0.89 \u00b1 0.01). Including the cisternal-, intraventricular-, and intraparenchymal blood volume separately did not improve the model. Replacing the TBV with the modified Fisher scale significantly decreased the performance of the model. Therefore, in this chapter we conclude that the TBV-based prediction model for clinical outcome in patients with aSAH has a high predictive accuracy, significantly higher than a prediction model including the commonly used modified Fisher scale.","auteur":"Wessel Van Der Steen","auteur_slug":"wessel-van-der-steen","publicatiedatum":"19 maart 2021","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/wesselvandersteen?iframe=true","url_download_pdf":"","url_epub":"","ordernummer":"FTP-202604131052","isbn":"978-94-6423-112-0","doi_nummer":"","naam_universiteit":"Universiteit van Amsterdam","afbeeldingen":12086,"naam_student:":"","binnenwerk":"","universiteit":"Universiteit van Amsterdam","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/11450","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=11450"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/11450\/revisions"}],"predecessor-version":[{"id":11453,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/11450\/revisions\/11453"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/12086"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=11450"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=11450"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}