Multimodaal contrastief prognosekader voor vroege voorspelling van neurologische uitkomst bij patiënten na hartstilstand

Waarom vroege hersenuitkomst na een hartstilstand ertoe doet

Na een plotselinge hartstilstand worden veel mensen gereanimeerd maar blijven bewusteloos, wat families en behandelaars in pijnlijk onzekerheid laat over het herstel van de hersenen. Huidige richtlijnen stellen vaak een duidelijke prognose uit tot drie dagen of langer, terwijl cruciale beslissingen over behandelingsintensiteit, inzet van middelen en verwachtingen van familie veel eerder genomen moeten worden. Deze studie onderzoekt of kunstmatige intelligentie veilig gebruik kan maken van informatie die al in de eerste uren na reanimatie beschikbaar is, om eerder en duidelijker inzicht te geven in het waarschijnlijke herstel van de hersenen.

Een nadere blik op het probleem

Plotselinge hartstilstand treft jaarlijks honderdduizenden mensen, met overleving en betekenisvol herstel van de hersenfunctie die zeldzaam blijven. Nadat de bloedtoevoer is hersteld, blijven veel patiënten in coma door zuurstofgebrek in de hersenen. Artsen kunnen pupillen en bewegingen onderzoeken, hersenactiviteiten meten, bloedmarkers bepalen en scans van de hersenen beoordelen, maar elk van deze middelen op zichzelf is imperfect. Sedatie, beperkingen van apparatuur en tegenstrijdige testresultaten dragen allemaal bij aan onzekerheid. Vanwege deze uitdagingen wachten veel ziekenhuizen minstens 72 uur voordat ze een definitieve prognose geven, waardoor een kloof ontstaat in de vroege periode waarin het zorgpad wordt bepaald.

Een nieuwe manier om scans en bedzijdegegevens te combineren

Om deze kloof aan te pakken, bouwden de onderzoekers een multimodaal AI-systeem genaamd CLAIR dat hersen-CT-scans mengt met routinematige klinische informatie om de Cerebral Performance Category-score van een patiënt te voorspellen, een standaardmaat voor de hersenuitkomst bij ontslag uit het ziekenhuis. CLAIR kijkt niet alleen naar één beeld of één getal. In plaats daarvan verwerkt het CT-reconstructies vanuit drie aanzichten van het hoofd samen met gegevens zoals leeftijd, tijd tot het hart weer begon te kloppen, lichaamstemperatuur, laboratoriumwaarden en resultaten van elektrische hersentests wanneer beschikbaar. Een gespecialiseerde architectuur maakt het model mogelijk dat beeldkenmerken en klinische kenmerken ‘‘elkaar aandacht geven’’, zodat de betekenis van een scan geïnterpreteerd kan worden in de volledige klinische context.

Hoe de studie het model testte

Het team analyseerde retrospectief 208 volwassenen die een hartstilstand hadden doorgemaakt en minstens één hersen-CT hadden ondergaan in één medisch centrum tussen 2020 en 2022. Patiënten bij wie de levensondersteuning werd stopgezet om niet-hersen gerelateerde redenen werden uitgesloten om te focussen op neurologische uitkomsten. In totaal werden 306 CT-scans verzameld, maar belangrijk is dat de belangrijkste tests van CLAIR alleen scans gebruikten die binnen de eerste 24 uur na de hartstilstand waren verkregen, met een mediaan van net iets meer dan drie uur. De gegevens werden per patiënt verdeeld in trainings-, validatie- en testsets om overlap te voorkomen. CLAIR werd getraind en geëvalueerd in twee versies: één die alleen informatie gebruikte die vroeg na opname beschikbaar was, en een andere die ook latere testresultaten verzameld gedurende het ziekenhuisverblijf meenam.

Hoe goed CLAIR presteerde

De voorspellingen van CLAIR werden vergeleken met die van een sterke, alleen-op-beelden gebaseerd deep learning-model en met beoordelingen door twee ervaren neurologen. Wanneer het model zowel meerzijdige CT-scans als vroege klinische gegevens kreeg, behaalde CLAIR een area under the ROC-curve van 0,94, duidelijk hoger dan de alleen-op-CT gebaseerde benadering die ongeveer 0,80 bereikte. Dit betekent dat CLAIR beter was in het onderscheiden van patiënten die uiteindelijk een goede hersenfunctie zouden hebben van degenen die dat niet zouden hebben. Beide versies van CLAIR toonden hoge nauwkeurigheid, sensitiviteit en specificiteit. In een afzonderlijke oefening met 20 bijzondere uitdagende gevallen maakten zowel menselijke als AI-evalueerders enkele fouten, maar clinici die CLAIR’s voorspellingen te zien kregen maakten minder prognostische fouten dan wanneer ze alleen werkten, wat suggereert dat het hulpmiddel kan dienen als een nuttig second opinion in plaats van als vervanging van deskundig oordeel.

Wat dit voor patiënten en families kan betekenen

De studie toont aan dat een AI-systeem dat vroegtijdige hersen-CT-scans en bedzijdeklinische gegevens gezamenlijk analyseert, nauwkeurigere vroege voorspellingen van neurologische uitkomst na een hartstilstand kan geven dan methoden die alleen op beeldvorming vertrouwen. Hoewel het werk is gebaseerd op een monocentrische, relatief kleine dataset en bevestiging vereist in grotere, meer diverse populaties, wijst het op een toekomst waarin artsen en families mogelijk niet dagen hoeven te wachten op een goed onderbouwd beeld van het waarschijnlijke herstel. Zorgvuldig gebruikt naast klinische expertise kunnen dergelijke hulpmiddelen meer tijdige en doordachte beslissingen ondersteunen over voortgezette behandeling, communicatie met dierbaren en het eerlijke gebruik van intensivecaremiddelen.

Bronvermelding: Kasturi, A., Proctor, A.R., Vosoughi, A. et al. Multimodal contrastive prognostication framework for early neurological outcome prediction in post-cardiac arrest patients. Sci Rep 16, 15582 (2026). https://doi.org/10.1038/s41598-026-45573-3

Trefwoorden: hartstilstand, neurologische uitkomst, hersen-CT, kunstmatige intelligentie, prognose