EEG reactivity for prognostication after cardiac arresta

EEG reactivity for prognostication after cardiac arrest

Proefschrift Marjolein M. Admiraal

Promotoren: prof. dr. Marcus .J. Schultz, prof. dr. ir. Michel J.A.M. van Putten

Co-promotoren: dr. Janneke Horn, dr. Anne-Fleur van Rootselaar

In het onderzoek in dit proefschrift hebben we de prognostische waarde van EEG reactiviteit bij patiënten na een reanimatie onderzocht. We hebben zowel de prognostische waarde van EEG reactiviteit op zich, als de toegevoegde waarde naast andere prognostische middelen, zoals het EEG achtergrondpatroon onderzocht. Verder zijn verschillende stimuli, de omstandigheden waaronder EEG reactiviteit getest wordt en kwantitatieve analyse onderzocht. We hadden de hypothese dat gestandaardiseerd testen van EEG reactiviteit een betrouwbare voorspeller zou zijn voor zowel goede als slechte uitkomst van patiënten na reanimatie.

In een systematische review vonden we dat de manier waarop EEG reactiviteit getest wordt, alsmede de beoordeling daarvan, niet gestandaardiseerd is en meestal onvoldoende omschreven wordt in de literatuur. Als vervolg hierop hebben we een consensus studie uitgevoerd onder IC EEG experts wereldwijd om tot overeenstemming te komen over een gestandaardiseerd stimulus protocol en een definitie van EEG reactiviteit. In een prospectieve studie bij 160 patiënten na reanimatie vonden we dat afwezigheid van EEG reactiviteit geen betrouwbare voorspeller is voor een slechte uitkomst en niet van toegevoegde waarde is naast onder andere het EEG achtergrondpatroon. Echter voor het voorspellen van een goede uitkomst zou EEG reactiviteit wel van toegevoegde waarde kunnen zijn. In een secundaire analyse vonden we onder andere dat EEG reactiviteit voornamelijk in combinatie met een continu of discontinu achtergrondpatroon waardevol is voor het voorspellen van een goede uitkomst. Verder vonden we dat dat herhaaldelijk testen de prognostische waarde verhoogt. In een kwantitatieve analyse studie vonden we ten slotte dat een random forest model getraind met EEG reactiviteit data een slechte uitkomst vergelijkbaar voorspelt als visuele analyse van EEG reactiviteit. Echter, een random forest model getraind op EEG achtergrondpatroon data gaf een hogere voorspellende waarde voor slechte uitkomst en de combinatie van beide modellen leidde niet tot een verdere verhoging van de voorspellende waarde.

Concluderend, EEG reactiviteit op zich is geen betrouwbare voorspeller voor zowel slechte als goede uitkomst. Voor het voorspellen van een goede uitkomst lijkt er wel plaats te zijn voor EEG reactiviteit. Kwantitatieve analyse door middel van ‘machine learning’ is een mogelijk alternatief voor visuele beoordeling.

Eenieder is van harte welkom de openbare verdediging bij te wonen op vrijdag 8 november 2019 te 12.00 uur in de Agnietenkapel van de Universiteit van Amsterdam, Oudezijds Voorburgwal 229, 1012 EZ Amsterdam.