Universität zu Köln

Schmieschek, Maximilian ORCID: 0000-0001-8726-4647 (2025). Prognostische Modellierung und Klassifikation neurologischen Outcomes nach Herz-Kreislauf-Stillstand mittels maschinellen Lernens von zerebralen Computertomographien. PhD thesis, Universität zu Köln.

PDF Dissertation_Schmieschek_revMS_clean_Neurologyrev_KUPS.pdf - Accepted Version Download (21MB)

Abstract

Angesichts begrenzter Intensivkapazitäten und des Mangels an zuverlässigen prognostischen Instrumenten, um Behandelnde und Angehörige verantwortungsvoll zu beraten, soll in dieser Studie untersucht werden, ob die automatisierte Analyse der kraniellen Computertomographie (CCT) eine Prognose nach außerklinischem Herz-Kreislauf-Stillstand ermöglicht. In dieser monozentrischen, retrospektiven Kohortenstudie wurde ein überwachter Machine-Learning-Klassifikator, der auf einem logistischen Regressionsmodell mit Elastic-Net-Regularisierung für Veränderungen der grauen Substanz in nativen CCT-Aufnahmen nach Herz-Kreislauf-Stillstand basiert, mittels 10-facher Kreuzvalidierung trainiert und zur Vorhersage des Outcomes an einer Hold-out-Stichprobe (zufällige Aufteilung 75 %/25 %) getestet. Entsprechend der Literatur wurde ein günstiges Outcome als Cerebral Performance Category von 1–2 und ein schlechtes Outcome als 3–5 definiert. Die diagnostische Genauigkeit wurde innerhalb der Stichprobe mit etablierten und in Leitlinien empfohlenen prognostischen Parametern verglichen, nämlich dem Verhältnis von grauer zu weißer Substanz (Gray-White-Matter-Ratio, GWR), der neuronenspezifischen Enolase (NSE) und dem Neurofilament-Leichtkettenprotein (NfL) im Serum. Von 279 erwachsenen Patientinnen und Patienten wurden 132 identifiziert, bei denen innerhalb von 14 Tagen nach dem Herz-Kreislauf-Stillstand eine CCT mit guter Bildqualität durchgeführt worden war. Unser Ansatz unterschied zwischen günstigem und schlechtem Outcome mit einer Fläche unter der Kurve (AUC) von 0,73 (95-%-KI 0,59–0,82). Damit übertraf die prognostische Aussagekraft die der GWR (AUC 0,66; 95-%-KI 0,56–0,76). Die Biomarker NfL, gemessen an den Tagen 1 und 2, sowie NSE, gemessen an Tag 2, übertrafen die Zuverlässigkeit der aus der CT abgeleiteten bildgebenden Marker (AUC NfL Tag 1: 0,87; 95-%-KI 0,75–0,99; AUC NfL Tag 2: 0,90; 95-%-KI 0,79–1,00; AUC NSE Tag 2: 0,78; 95-%-KI 0,62–0,94). Unsere Daten zeigen, dass die durch Machine Learning unterstützte Analyse der grauen Substanz in CCT-Bildern prognostische Informationen nach außerklinischem Herz-Kreislauf-Stillstand liefert. Somit könnte die CCT-Analyse der grauen Substanz eine zuverlässige und zeitunabhängige Ergänzung zur Standarddiagnostik mit Serumbiomarkern darstellen, die zu vorab festgelegten Zeitpunkten entnommen werden. Prospektive Studien sind erforderlich, um diese Ergebnisse zu replizieren.

Item Type:	Thesis (PhD thesis)
Translated title:	Title Language Prognostic Modeling and Classification of Neurological Outcomes after Cardiac Arrest Using Machine Learning on Cerebral Computed Tomography Scans English
Translated abstract:	Abstract Language In light of limited intensive care capacities and a lack of accurate prognostic tools to advise caregivers and family members responsibly, this study aims to determine whether automated cerebral CT (CCT) analysis allows prognostication after out-of-hospital cardiac arrest. In this monocentric, retrospective cohort study, a supervised machine learning classifier based on an elastic net regularized logistic regression model for gray matter alterations on non- enhanced CCT obtained after cardiac arrest was trained using 10-fold cross-validation and tested on a hold-out sample (random split 75%/25%) for outcome prediction. Following the literature, a favorable outcome was defined as a cerebral performance category of 1–2 and a poor outcome of 3–5. The diagnostic accuracy was compared with established and guideline- recommended prognostic measures within the sample, that is, gray matter-white matter ratio (GWR), neuron-specific enolase (NSE), and neurofilament light chain (NfL) in serum. Of 279 adult patients, 132 who underwent CCT within 14 days of cardiac arrest with good imaging quality were identified. Our approach discriminated between favorable and poor outcomes with an area under the curve (AUC) of 0.73 (95% CI 0.59–0.82). Thus, the prog- nostic power outperformed the GWR (AUC 0.66, 95% CI 0.56–0.76). The biomarkers NfL, measured at days 1 and 2, and NSE, measured at day 2, exceeded the reliability of the imaging markers derived from CT (AUC NfL day 1: 0.87, 95% CI 0.75–0.99; AUC NfL day 2: 0.90, 95% CI 0.79–1.00; AUC NSE day: 2 0.78, 95% CI 0.62–0.94). Our data show that machine learning–assisted gray matter analysis of CCT images offers prognostic information after out-of-hospital cardiac arrest. Thus, CCT gray matter analysis could become a reliable and time-independent addition to the standard workup with serum biomarkers sampled at predefined time points. Prospective studies are warranted to replicate these findings. English
Creators:	Creators Email ORCID ORCID Put Code Schmieschek, Maximilian maximilian.schmieschek@uk-koeln.de https://orcid.org/0000-0001-8726-4647 UNSPECIFIED
URN:	urn:nbn:de:hbz:38-813917
Identification Number:	10.1212/WNL.0000000000209583
Date:	2025
Publisher:	American Academy of Neurology
Place of Publication:	Neurology
Language:	German
Faculty:	Faculty of Medicine
Divisions:	Ehemalige Fakultäten, Institute, Seminare > Faculty of Human Sciences
Subjects:	Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language Prognosis UNSPECIFIED Clinical Neurology UNSPECIFIED Imaging UNSPECIFIED
Date of oral exam:	23 September 2025
Referee:	Name Academic Title Onur, Özgür Universitätsprofessor Dr. med. Dohmen, Christian Professor Dr. med.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/81391