Artificial Intelligence and Robotics in Neurosurgery: A Systematic Review of Performance, Validation Quality, and Translational Readiness

Technische Samenvatting: Kunstmatige Intelligentie en Robotica in de Neurochirurgie

Probleemstelling
Neurochirurgie vereist extreme precisie, waarbij kleine winsten in intraoperatieve besluitvorming een aanzienlijke impact hebben op de patiëntveiligheid en de langetermijnneurologische uitkomsten. Ondanks vooruitgang in navigatie en beeldvorming blijven hardnekkige uitdagingen bestaan, waaronder hersenverschuiving (brain shift) tijdens operaties, variabele doelwitprecisie bij stereotactische interventies, steile leercurves en tijdrovende planning. Hoewel Kunstmatige Intelligentie (AI), Machine Learning (ML), Deep Learning (DL) en robotica afzonderlijk zijn gevorderd om deze problemen aan te pakken, heeft de bestaande literatuur deze domeinen grotendeels in isolatie onderzocht. Er is een gebrek aan uitgebreide reviews die deze technologieën integreren terwijl de kwaliteit van validatie en translationele gereedheid kritisch beoordeelt. Bovsertelijk hebben weinig reviews een transparante, domeinspecifieke risico op bias (RoB) beoordeling toegepast op zowel klinische interventionele studies als algoritmische ontwikkelingsstudies, wat het moeilijk maakt om duidelijke translationele hiaten te identificeren.

Methodologie
Deze systematische review volgde de PRISMA 2020-richtlijnen. Er werd een systematische zoekopdracht uitgevoerd in PubMed/MEDLINE, Embase, Scopus en Web of Science naar studies gepubliceerd tussen januari 2015 en juni 2026. De zoekopdracht richtte zich op kwantitatieve uitkomsten gerelateerd aan AI, ML, DL, robotica en adaptieve stimulatie in de neurochirurgie.

• Selectie: Van een initiële pool van meer dan 1.400 records werden 56 originele studies die kwantitatieve uitkomsten rapporteerden, opgenomen.
• Classificatie: Studies werden gecategoriseerd in vijf technologische domeinen: Deep Learning (DL) voor hersentumordetectie, Machine Learning (ML) voor uitkomstvoorspelling, Robotische Stereoelectroencephalografie (SEEG), Deep Brain Stimulation (DBS) innovaties, en andere toepassingen (bijv. simulaties, documentatie).
• Risico op Bias Framework: Een nieuw, op maat gemaakt vijf-domeinen RoB-framework werd ontwikkeld en toegepast op alle 56 studies. De beoordeelde domeinen waren: (1) Databron en selectie, (2) Validatiemethode, (3) Risico op overfitting en data leakage, (4) Uitkomstmeting, en (5) Rapportagekwaliteit.
• Analyse: Vanwege de hoge heterogeniteit in onderzoeksontwerpen en technologieën werd er geen meta-analyse uitgevoerd. In plaats daarvan werd een gestructureerde narratieve synthese ondersteund door kwantitatieve samenvattingen gebruikt.

Belangrijkste Bijdragen

1. Geïntegreerde Synthese: Dit is een van de eerste reviews die AI/ML/DL en robotische technologieën in de neurochirurgie gezamenlijk onderzoekt, waarbij verder wordt gekeken dan geïsoleerde domeinbeoordelingen.
2. Aangepast RoB Framework: De toepassing van een op maat gemaakt vijf-domeinen RoB-instrument maakte een genuanceerde kritische beoordeling mogelijk van zowel algoritmische ontwikkeling als klinische interventionele studies, waarbij specifieke zwakheden zoals overfitting en het gebrek aan externe validatie werden benadrukt.
3. Kwantificering van de Translationele Kloof: De review kwantificeert expliciet de discrepantie tussen hoge technische prestatie-indicatoren en het lage niveau van prospectieve, extern gevalideerde klinische bewijsvoering.
4. Convergentiepaden: Het artikel stelt specifieke paden voor voor de toekomstige integratie tussen intelligente algoritmen en robotische platformen, bewegend voorbij gesiloed ontwikkelingen.

Resultaten

• Studieverdeling: Het grootste domein was DL voor hersentumordetectie (11 studies, 19,6%), gevolgd door ML voor uitkomstvoorspelling (10 studies), Robotische SEEG (8 studies) en DBS-innovaties (8 studies). De publicatietrends versnelden significant na 2020.
• Risico op Bias: Over het algemeen werd 50% van de opgenomen studies beoordeeld als een hoog risico op bias en 57,1% vertrouwde uitsluitend op interne validatie. Slechts 12,5% waren prospectieve klinische trials, en slechts 7,1% voerde externe validatie uit op onafhankelijke cohorten.
• Prestatie-indicatoren:
  • DL Tumordetectie: Rapporteerde een mediane accuratesse van 98,6% (bereik 95,86%–99,7%). Echter, 8 van de 11 studies werden beoordeeld als een hoog risico op bias vanwege enkel interne validatie. Eén studie (Cepeda et al.) bereikte een laag risico op bias met externe validatie, waarbij een Dice-score van 0,81 werd gerapporteerd voor contrastversterkende tumoren.
  • Robotische Toepassingen: Robotische SEEG en DBS-implantatie vertoonden een mediane doelwitfout van ongeveer 1,5 mm (variërend van 1,14 mm tot 2,74 mm). Deze studies vertoonden over het algemeen betere RoB-profielen (meestal een gemiddeld risico) vergeleken met pure algoritmeontwikkeling.
  • Adaptieve DBS: Adaptieve systemen vertoonden een statistisch significante verbreding van het therapeutische venster (p = 0,005 bij de ziekte van Parkinson) en een reductie in de totale geleverde elektrische energie van ongeveer 22 µW vergeleken met continue stimulatie.
  • Mens-AI Samenwerking: Bij de schatting van glioblastoomresectie verbeterde de combinatie van uitlegbare AI met menselijke expertise de accuratesse van 0,53 (experts alleen) naar 0,94.
  • Documentatie: NLP-tools (ChatGPT) verkortten de tijd voor het genereren van operatieverslagen van 15–21 minuten naar 2,3–4,6 minuten, hoewel de feitelijke nauwkeurigheid varieerde (71–85%).
• Translationele Bottleneck: Een belangrijke bottleneck was geïdentificeerd waarbij 88% van de studies een gebrek had aan prospectieve validatie. Het veld wordt gekenmerkt door een hoog volume aan retrospectieve en algoritmische ontwikkelingsstudies, maar een tekort aan prospectieve, multicenter klinische trials.

Betekenis en Claims
De auteurs beweren dat deze review de eerste geïntegreerde synthese biedt van AI en robotische technologieën in de neurochirurgie met behulp van een rigoureus, aangepast RoB-framework. De betekenis ligt in het vermogen om:

• Methodologische Kwetsbaarheid Bloot te Leggen: Het benadrukt dat hoge gerapporteerde prestaties (bijv. 98,6% accuratesse in tumordetectie) niet gelijkstaan aan robuustheid wanneer externe validatie ontbreend is.
• Klinische Volwassenheid te Identificeren: Het stelt vast dat adaptieve neuromodulatiesystemen en robotica momenteel een sterkere klinische translatie en gunstigere risico-op-bias-profielen vertonen dan pure deep learning-toepassingen, die grotendeels nog in de fase van algoritmische ontwikkeling verkeren.
• Actiegerichte Paden voor te Stellen: Door de translationele kloof in kaart te brengen, stelt de review concrete paden voor voor convergentie, zoals closed-loop adaptieve DBS met multimodale biomarkers en AI-verbeterde robotische navigatie.

Het artikel concludeert dat het realiseren van het volledige potentieel van deze technologieën een bewuste verschuiving vereist van gesiloiseerde, retrospectieve algoritmische verbeteringen naar prospectieve, extern gevalideerde, multicenter studies en een intentionele convergentie tussen robotische platformen en intelligente algoritmen.