Somatosensory evoked potentials as a rehabilitation assessment tool for spinal cord injury patients, with the contribution of artificial intelligence

Abstract

Background: Spinal Cord Injury (SCI) is among the most severe neurological disorders, often resulting in irreversible motor and sensory deficits. Current clinical tools, such as the ASIA score, provide essential diagnostic insight but fall short in predicting individualized recovery outcomes with high accuracy and objectivity. There is a growing need for scalable, data-driven solutions to improve neuro-rehabilitation planning and patient management. Objective: This doctoral thesis investigates the prognostic value of Somatosensory Evoked Potentials (SSEPs) in SCI recovery. It aims to develop and validate artificial intelligence (AI) models for predicting outcomes, design a clinical decision support system, and evaluate the generalizability of this approach to Multiple Sclerosis (MS). The work is structured around three core pillars: a scoping review to map the existing evidence, a primary machine learning study on a multicenter cohort, and a meta-analysis to quantify the predictive performance of evoked potential-based AI models across neurological disorders. Methods: The research utilized multiple methodological approaches. First, a scoping review was conducted to synthesize existing literature. Then, using a high-quality retrospective dataset from the European Multicenter Study about Spinal Cord Injury (EMSCI), we analyzed 123 records after filtering 748 patients’ clinical and electrophysiological data. We applied supervised ML algorithms—including Decision Trees, Neural Networks, and ensemble models—to identify key predictors of SCI recovery, with a focus on the prognostic value of SSEPs compared to other inputs like MEPs, NCS, and sensory scores. Additionally, an external MS dataset was used to test the generalizability of the models in predicting Expanded Disability Status Scale (EDSS) progression. Lastly, a meta-analysis was performed to pool predictive accuracy data for EP-based ML models in both SCI and MS. Results: SSEPs emerged as the most predictive electrophysiological parameter, achieving up to 91.9% accuracy in forecasting motor recovery. A Decision Support System based solely on sensory electrophysiology reached 86% accuracy, proving to be a viable, cost-effective, and scalable alternative to conventional assessments. Feature importance analyses confirmed the dominant role of SSEPs in SCI outcome prediction. Moreover, the same AI methodology applied to MS data showed that SSEPs and multimodal evoked potentials hold predictive value in other neurological diseases. The meta-analysis confirmed the strong pooled predictive performance of EP-based ML models (accuracy: 79.2%, AUC: 0.82) across diseases. Conclusion: This thesis validates the integration of SSEP-based biomarkers with AI-driven analytics for SCI prognosis, highlighting their superiority in recovery prediction and clinical decision support. The successful extension of this framework to MS confirms the general utility of electrophysiological modeling in broader neurorehabilitation contexts. Finally, the study advocates for the adoption of digital health tools—including portable SSEPs and AI-based decision systems—into routine neurorehabilitation to facilitate real-time, patient-specific treatment optimization.

Εισαγωγή: Η Κάκωση Νωτιαίου Μυελού (ΚΝΜ) αποτελεί μία από τις σοβαρότερες νευρολογικές διαταραχές, οδηγώντας συχνά σε σημαντικές κινητικές και αισθητικές δυσλειτουργίες. Τα υφιστάμενα κλινικά εργαλεία, όπως η κλίμακα ASIA, παρέχουν βασική διαγνωστική πληροφορία, αλλά δεν επαρκούν για την ακριβή και εξατομικευμένη πρόβλεψη της αποκατάστασης. Υπάρχει επιτακτική ανάγκη για υιοθέτηση κλιμακούμενων, βασισμένων σε δεδομένα προσεγγίσεων στη νευροαποκατάσταση. Σκοπός: Αυτή η διδακτορική διατριβή έχει ως στόχο να διερευνήσει την προγνωστική αξία των Σωματοαισθητικών Προκλητών Δυναμικών (ΣΠΔ) στην πρόγνωση από ΚΝΜ. Στοχεύει στην ανάπτυξη και επικύρωση μοντέλων Τεχνητής Νοημοσύνης (ΤΝ) για εξατομικευμένη πρόγνωση, στο σχεδιασμό ενός συστήματος υποστήριξης κλινικών αποφάσεων και στην αξιολόγηση της γενικευσιμότητας αυτής της προσέγγισης σε άλλους νευρολογικούς πληθυσμούς, όπως σε άτομα με Σκλήρυνση Κατά Πλάκας (ΣΚΠ). Η εργασία δομείται γύρω από τρεις βασικούς πυλώνες: μια ανασκόπηση πεδίου για τη σύνθεση της υπάρχουσας βιβλιογραφίας, μια πρωτογενή μελέτη μηχανικής μάθησης σε πολυκεντρικό δείγμα ασθενών με ΚΝΜ και ΣΚΠ, και μια μετα-ανάλυση για την ποσοτικοποίηση της προγνωστικής ακρίβειας μοντέλων ΤΝ βασισμένων σε προκλητά δυναμικά. Μεθοδολογία: Στην έρευνα χρησιμοποιήθηκαν πολλαπλές μεθοδολογικές προσεγγίσεις. Αρχικά, διεξήχθη μια ανασκόπηση πεδίου. Στη συνέχεια, χρησιμοποιώντας ένα υψηλής ποιότητας αναδρομικό σύνολο δεδομένων από την Ευρωπαϊκή Πολυκεντρική Μελέτη για τον Τραυματισμό του Νωτιαίου Μυελού (EMSCI), αναλύθηκαν 123 καταγραφές μετά το φιλτράρισμα κλινικών και ηλεκτροφυσιολογικών δεδομένων 748 ασθενών. Εφαρμόστηκαν εποπτευόμενοι αλγόριθμοι ΤΝ, συμπεριλαμβανομένων Δέντρων Αποφάσεων, Νευρωνικών Δικτύων και μοντέλων συνόλου, για τον εντοπισμό βασικών προγνωστικών παραγόντων, με έμφαση στην αξία των ΣΠΔ έναντι άλλων δεδομένων. Επιπλέον, χρησιμοποιήθηκε ένα ξεχωριστό σύνολο δεδομένων ατόμων με ΣΚΠ για τον έλεγχο της γενικευσιμότητας των μοντέλων ΤΝ. Τέλος, πραγματοποιήθηκε μια μετα-ανάλυση για τη συγκέντρωση δεδομένων προγνωστικής ακρίβειας για μοντέλα ΤΝ που βασίζονται σε Προκλητά Δυναμικά (ΠΔ) τόσο στην ΚΝΜ όσο και στην ΣΚΠ. Αποτελέσματα: Τα ΣΠΔ αναδείχθηκαν ως ο ισχυρότερος προγνωστικός ηλεκτροφυσιολογικός δείκτης, με ακρίβεια πρόβλεψης κινητικής αποκατάστασης που έφτασε το 91,9%. Ένα Σύστημα Υποστήριξης Απόφασης βασισμένο αποκλειστικά σε ΣΠΔ πέτυχε ακρίβεια 86%, αποδεικνύοντας τη βιωσιμότητα και αποτελεσματικότητά του ως κλινική προσέγγιση χαμηλού κόστους. Αντίστοιχα αποτελέσματα στον πληθυσμό με ΣΚΠ δείχνουν ότι τα ΣΠΔ και τα πολυτροπικά δυναμικά έχουν προγνωστική αξία και σε άλλες νευρολογικές παθήσεις. Η μετα-ανάλυση επιβεβαίωσε την ισχυρή συνολική απόδοση των μοντέλων ΤΝ που βασίζονται σε προκλητά δυναμικά (συγκεντρωτική ακρίβεια: 79,2%, AUC: 0,82) και στις δύο νόσους. Συμπεράσματα: Αυτή η διατριβή επικυρώνει την ενσωμάτωση βιοδεικτών βασισμένων σε ΣΠΔ και αναλυτικών μεθόδων ΤΝ για την πρόγνωση της ΚΝΜ, υπογραμμίζοντας την ανωτερότητά τους στην πρόβλεψη αποκατάστασης και στην υποστήριξη λήψης κλινικών αποφάσεων. Η επιτυχημένη επέκταση αυτού του πλαισίου στην ΣΚΠ επιβεβαιώνει την ευρύτερη χρησιμότητα της ηλεκτροφυσιολογικής μοντελοποίησης στη νευροαποκατάσταση. Τέλος, η μελέτη υποστηρίζει την ενσωμάτωση ψηφιακών εργαλείων υγείας συμπεριλαμβανομένων των φορητών ΣΠΔ, και των συστημάτων λήψης αποφάσεων που βασίζονται στην Τεχνητή Νοημοσύνη, στην κλινική ρουτίνα της νευροαποκατάστασης για τη βελτιστοποίηση της θεραπείας σε πραγματικό χρόνο και με εξατομικευμένο τρόπο.