Delayed Cerebral Ischemia prediction in aneurysmal subharacnoid hemorrhage patients with vasospasm: a new integrated methodological approach

Aneurysmal subarachnoid hemorrhage (aSAH) represents a severe neurological condition associated with high morbidity and mortality rates. One of its most feared complications is the development of delayed cerebral ischemia (DCI), a multifactorial phenomenon primarily linked to cerebral vasospasm but also influenced by impaired autoregulation and microvascular dysfunction. Despite significant advancements in neurocritical care, the early prediction of DCI remains challenging, limiting the timely administration of targeted interventions. Due to the impact of this pathology, this thesis aims to develop a machine learning-driven framework to improve the prediction of DCI occurrence in vasospasm patients by integrating multimodal data sources, including clinical variables, imaging-derived perfusion metrics, and therapeutic interventions. This study adopts a retrospective design, focusing on SAH patients admitted to neurological intensive care of Niguarda Hospital, Milan, between 2018 and 2022. Patients pool is refined according to the presence of a diagnosis of radiological vasospasm and perfusion CT availability. From these images perfusion statistics are systematically extracted performing an automatic segmentation of vasospasm affected regions and exploited, with clinical and therapeutic information, to train ML models, such as logistic regression, decision trees, support vector classifiers, and random forests. Results demonstrate that the integration of perfusion imaging significantly enhances model accuracy and area under the curve (AUC), with the highest-performing models reaching an AUC of 0.93. The innovations of this research lie in the combination of advanced imaging analytics and ML methodologies, bridging the gap between computational modeling and real-world clinical applicability. Furthermore, the proposed pipeline is based on vasospasm segmentation, which is considered as the clinical sign that increases DCI risk. By enabling a more precise and patient-specific risk stratification and providing predictions for each specific area at risk, this work contributes to the advancement of medicine approaches in the management of aSAH and its complications.

L'emorragia subaracnoidea aneurismatica (aSAH) è una grave condizione neurologica con elevata morbilità e mortalità. Una delle sue complicanze più temute è l'ischemia cerebrale ritardata (DCI), fenomeno multifattoriale legato al vasospasmo cerebrale, ad alterata autoregolazione e a disfunzioni microvascolari. Nonostante i progressi clinici, prevedere precocemente il DCI resta difficile, limitando interventi tempestivi. A causa dell'impatto di questa patologia, questa tesi mira a sviluppare un approccio basato sul machine learning per migliorare la previsione dell'insorgenza di DCI nei pazienti affetti da vasospasmo, integrando fonti di dati multimodali, tra cui variabili cliniche, metriche di perfusione derivate dall'imaging e interventi terapeutici. Questo studio adotta un approccio retrospettivo, analizzando pazienti con aSAH ricoverati nella terapia intensiva neurologica dell'Ospedale Niguarda di Milano (2018-2022). La pool selezionata è stata rifinita includendo solo i pazienti con una diagnosi di vasospasmo radiologico e con esami TC perfusionali. Su queste immagini viene eseguita una segmentazione automatica delle aree affette da vasospasmo e da queste vengono estratte le statistiche perfusionali. Queste ultime, insieme alle informazioni cliniche e terapeutiche, vengono impiegate per addestrare modelli di ML, quali regressione logistica, alberi decisionali, support vectors classifiers e random forests. I risultati dimostrano che l'integrazione delle statistiche di perfusione migliora significativamente l'accuratezza del modello e l'area sotto la curva ROC, con i modelli più performanti che raggiungono un'AUC di 0,93. L'innovazione di questa ricerca risiede nella combinazione di analisi di imaging avanzate e metodologie di ML, che colmano il divario tra la modellazione computazionale e l'applicabilità clinica nel mondo reale. Inoltre, la pipeline proposta si basa sulla segmentazione del vasospasmo, considerato il segno clinico che aumenta il rischio di DCI. Consentendo una stratificazione del rischio più precisa e specifica per il paziente e fornendo previsioni per ogni specifica area a rischio, questo lavoro contribuisce all'avanzamento degli approcci clinico-ingegneristici nella gestione dell'aSAH e delle sue complicanze.