Vorhersage eines schlechten funktionellen Outcomes nach aneurysmatischer Subarachnoidalblutung mittels Random Forests

Zielsetzung:

Patienten nach aneurysmatischer Subarachnoidalblutung (SAB) leiden häufig unter einem schlechten funktionellen Outcome. Nur etwa 33% der primär überlebenden Patienten kehren wieder in Vollzeit in ihren vormaligen Beruf zurück. Die zugrundeliegende Pathogenese ist nicht vollständig verstanden. Einer dysfunktionalen Mikrozirkulation wird dabei eine Schlüsselrolle zugeschrieben. Diese kann mit CT-Perfusionsuntersuchungen (CTP) indirekt quantifiziert werden. Basierend auf zum Aufnahmezeitpunkt einfach zu bestimmenden Eigenschaften sowie frühen CTP-Untersuchungen haben wir maschinelles Lernen eingesetzt um ein Modell zur Vorhersage eines schlechten funktionellen Outcomes zu trainieren.

Material und Methodik:

Von 614 konsekutiven SAB Patienten zwischen 2009 – 2015 wurden 351 eingeschlossen (aneurysmatische SAB, ≥1 CTP innerhalb von 72h nach Iktus und dokumentierte modified Rankin Scores (mRS) nach 6 Monaten). 67,4% der Patienten waren weiblich. Das mittlere Alter betrug 53,9 +/-11,7 Jahre. Die Patienten wurde in einen Trainings- (n = 264) und einen Testdatensatz (n = 87) partitioniert. Aus den CTP Daten wurden der Maximal- und Mittelwert, deren Differenz und die Standardabweichung der bihemisphärischen mittleren Transitzeit (MTT) und des zerebralen Blutflusses (CBF) in das Modell aufgenommen. Zusätzlich wurden Alter, Geschlecht, der WFNS und der Fisher Grad integriert. Das Modell wurde mittels des Random Forest Algorithmus trainiert, um einen dichotomisierten mRS vorherzusagen (≤2, > 2). Die externe Validierung erfolgte anhand des Testdatensatzes.

Ergebnisse:

Das Modell sagt im Testdatensatz einen mRS > 2 mit einer Spezifität von 81,8% und einer Sensitivität von 68,8% voraus. Die Fläche unter der ROC Kurve beträgt 0,82. Die Standardabweichung der MTT, WFNS und Alter tragen am stärksten zur Vorhersage bei.

Schlussfolgerungen:

Das funktionelle Outcome nach aneurysmatischer SAB kann mittels Random Forests gut anhand von CTP und klinischen Daten vorhergesagt werden. Ein neue Erkenntnis ist die Relevanz der Standardabweichung der MTT.