Joeky Senders

184 Appendices Vanwege het persisterende risico op een longembolie na de opname en de accumulatie van intracraniële bloedingen in de eerste dagen na chirurgie, werd een retrospectieve studie ( Hoofdstuk 4 ) gedaan om de veiligheid en effectiviteit van het continueren van thromboprophylaxe na ontslag te onderzoeken. Een multivariabele analyse van 301 patiënten liet zien dat thromboprophylaxe tot 21 dagen na de operatie niet geassocieerd was met een lagere VTE incidentie in vergelijking met thromboprophylaxe tot aan ontslag. Echter werden er meer intracraniële bloedingen gezien in de eerste groep. Functionele status en BMI werden in dit cohort bevestigd als voorspellers van VTE. Deel II: Predictieve analyse in de neurochirurgische oncologie In dit deel, zijn verscheidene machine learning modellen ontwikkeld en geëvalueerd in hun vermogen om klinisch vergaarde patiënt informatie te analyseren en zodoende de klinische besluitvorming te informeren voor patiënten met een maligne hersentumor. Hoofdstuk 5 vergeleek 15 veelgebruikte statistische en machine learning algoritmen in hun vermogen om overleving te voorspellen in glioblastoom patiënten op basis van gestructureerde demografische, socio-economische, klinische en radiologische informatie. In een cohort van 20.281 patiënten van de Surveilance Epidemiology and End Results (SEER) database, was de accelerated failure time model in vergelijking met andere algoritmen superieur wat betreft voorspellend vermogen, maar ook wat betreft de interpreteerbaarheid, toepasbarheid en computationele efficiëntie. Dit model is dan ook beschikbaar gesteld middels een gratis en publiek-toegankelijke, online software. Deel III: Natural language processing in de neurochirurgische oncologie In dit deel, zijn verscheidene natural language processing methoden ontwikkeld voor de verwerking en analyse van medische tekstinformatie bij hersentumor patiënten. In Hoofdstuk 6 , is een open-source natural language processing framework ontwikkeld om de extractie van medische informatie te automatiseren. Hiervoor hebben we een dataset van radiologieverslagen van glioblastoom patiënten (n = 562) geanalyseerd middels een regressie (LASSO-regressie) algoritme. Het uiteindelijke framework was in staat om 15 radiologische karakteristieken te extraheren met een hoog tot excellent discriminerend vermogen (AUC 0,82 - 0,98). Dit discriminerend vermogen was gecorreleerd met de consensus tussen klinische experts ten aanzien van de manueel geconstrueerde labels (ρ = 0,904; p < 0,001), maar niet met de frequentieverdeling van de desbetreffende variabelen (ρ = 0,179; p = 0,52).