Promotie
Outcome after anterior cervical discectomy: From inferential statistics to Machine Learning
- C.M.W. Goedmakers
- Datum
- woensdag 20 december 2023
- Tijd
- Locatie
-
Academiegebouw
Rapenburg 73
2311 GJ Leiden
Promotor(en)
- Prof.dr. W.C. Peul
- dr. C.L.A. Vleggeert-Lankamp
Samenvatting
Na de standaard operatie voor nekhernia’s rapporteert ongeveer 25% van de patiënten een lage tevredenheid. Dit proefschrift werd klassieke statistiek toegepast op klinische gegevens en Machine Learning op medische beeldvorming. Het doel was om te achterhalen waar verschillen in de functionele uitkomsten na operatie vandaan komen en hoe kunstmatige intelligentie het diagnostische en prognostische proces kan verbeteren.
De aanvankelijke gedachte dat verschillen in functioneel herstel te wijten waren aan operatietechniek werd weerlegd door een RCT uit dit proefschrift. De verschillen in functioneel herstel tussen drie verschillende operatiegroepen (verwijderen van de tussenwervelschijf zonder kunstmateriaal, plaatsen van tussenwervelschijfprothese, en fusie van wervels met een cage) bleken minimaal. Opvallend was dat niet de operatie techniek, maar de mentale gezondheid en preoperatieve, radiologische beeldvorming van patiënten voorspellend bleken voor het klinisch herstel na de operatie.
Hoewel de tussenwervelschijfprothese de belofte van behoud van mobiliteit niet waarmaakte en daarmee degeneratie op aangrenzende niveaus niet kon voorkomen, slaagden onderzoekers erin met behulp van Deep Learning op basis van uitsluitend de preoperatieve MRI van de nek, onder andere, te voorspellen welke patiënten er na de operatie opnieuw geopereerd moesten worden voor die aangrenzende degeneratie. Het Deep Learning model deed dat significant veel beter dan een ervaren neuroradioloog en neurochirurg.
Dergelijke Deep Learning-modellen elimineren de noodzaak voor tijdrovende vragenlijsten en zijn daarmee kosten-effectiever en minder belastend voor de patiënt, terwijl ze gebruikt kunnen worden voor de identificatie van radiologische kenmerken die van belang zijn voor het voorspellen van het postoperatieve beloop. Na validatie met grotere radiologische datasets kunnen deze modellen de klinische besluitvorming ondersteunen en artsen helpen bij het ontwikkelen van gepersonaliseerde behandelstrategieën. Een uitdating binnen beeldanalyseonderzoek voor de wervelkolom ligt in het integreren van verschillende modellen in één geautomatiseerd proces, bij voorkeur ingebouwd in het elektronisch patiëntendossier.
Proefschriften
Ongeveer een week na de promotie zijn proefschriften van Leidse promovendi digitaal beschikbaar via het Leids Repositorium. De proefschriften op deze site zijn vrij toegankelijk. Alleen in sommige gevallen rust er een tijdelijk embargo op een proefschrift en wordt het proefschrift pas later volledig beschikbaar gesteld.
Persvragen (alleen journalisten)
Algemene informatie
Bureau Pedel
pedel@bb.leidenuniv.nl
071 527 7211