Integration of Hematoma Volume and Density Heterogeneity via the Harmonic Mean Is Associated With Improved Early Prediction of Hematoma Progression in Frontal Lobe Contusion: A Multicenter Retrospective Cohort Study

Technisches Resümee: Integration von Hämatomvolumen und Dichteheterogenität mittels des harmonischen Mittels zur Früherkennung der Hämatomprogression bei Frontallappenkontusionen

1. Problemstellung

Die Frontallappenkontusion (FCL) ist eine häufige und hochgradig heterogene Läsion infolge eines Schädel-Hirn-Traumas (SHT). Eine kritische klinische Herausforderung besteht in der frühzeitigen Identifizierung von Patienten, die einem Risiko für eine Hämatomprogression (HPC) ausgesetzt sind, definiert als eine Zunahme des Hämatomvolumens um $\ge$ 25 % innerhalb von 72 Stunden nach der Verletzung. HPC ist stark mit sekundärer neurologischer Verschlechterung, erhöhtem intrakraniellem Druck und schlechten Outcomes assoziiert.

Die aktuelle klinische Beurteilung stützt sich primlich auf qualitative CT-Zeichen und die Erfahrung von Chirurgen, was aufgrund des „Salz-und-Pfeffer“-Aussehens von FCLs zu einer geringen Inter-Beobachter-Übereinstimmung führt. Während quantitative Metriken existieren, weisen diese bei isolierter Anwendung Limitationen auf:

• Basales Hämatomvolumen (V): Spiegelt die räumliche Last wider, gibt jedoch keinen Aufschluss darüber, ob das Innere der Läsion sich in einem aktiven Blutungszustand oder einem instabilen Koagulationszustand befindet.
• Dichtekoeffizient der Variationsbreite (DCV): Quantifiziert die interne Dichteheterogenität (ein Marker für gemischte alte/neue Blutungen), ist jedoch ein relativer Indikator, der die absolute physische Größe der Läsion ignoriert.

Die Studie postuliert, dass weder eine Dimension allein ausreichend ist, um das Risiko einer frühen Progression zu charakterisieren, und dass ein integrierter, mathematisch fundierter Index benötigt wird, um die gemeinsame Konfiguration von Läsionsgröße und Dichteinstabilität zu erfassen.

2. Methodik

Studiendesign und Kohorten
Es handelte sich um eine multizentrische retrospektive Kohortenstudie, die den TRIPOD+AI-Richtlinien entsprach.

• Entwicklungskohorte: 341 Patienten mit FCL aus dem General Hospital der Ningxia Medical University (August 2020–Oktober 2025).
• Externe Validierungskohorte: 273 Patienten aus dem Second Affiliated Hospital der Hengyang Medical School, University of South China (Januar 2020–Dezember 2025).
• Einschlusskriterien: Notfall-Nativ-CT (NCCT) bestätigte FCL, erstes NCCT innerhalb von 6 Stunden nach der Verletzung, Follow-up-NCCT innerhalb von 72 Stunden, GCS $\ge$ 9 und vollständige Daten.
• Ausschlusskriterien: Sofortige Notfalloperation, GCS < 9 oder fehlende Daten.

Datenverarbeitung und Feature-Engineering

• Segmentierung: Das basale Hämatomvolumen ($V$) und die Dichtestatistiken (Mittelwert, Standardabweichung $SD$) wurden mittels 3D Slicer (v5.8.1) durch zwei Neurochirurgen mit $>5$ Jahren Erfahrung extrahiert.
• Dichtekoeffizient der Variationsbreite (DCV): Berechnet als $DCV = SD / Mittelwert$.
• Volumen-Dichte-Integrationsindex (VDII): Ein neuer zusammengesetzter Marker, der unter Verwendung des harmonischen Mittels des basalen Volumens ($V$) und des DCV konstruiert wurde:
  $$VDII = \frac{2}{(1/V) + (1/DCV)}$$
  Das harmonische Mittel wurde gewählt, da es sensitiv gegenüber kleineren Werten ist; somit unterdrückt ein niedriger Wert in entweder dem Volumen oder der Heterogenität den Gesamtindex signifikant. Dies deckt sich mit der Pathophysiologie, wonach Hochrisiko-Läsionen sowohl ein gewisses räumliches Ausmaß als auch eine signifikante interne Heterogenität erfordern.
• Kovariaten: Zu den klinischen Variablen gehörten GCS, Alter und Laborparameter (SIRI, LMR, Eosinophilenzahl, Blutzucker, Albumin).

Modellentwicklung
Es wurden vier logistische Regressionsmodelle konstruiert und verglichen:

1. Nur VDII: Standardisierter VDII allein.
2. Modell 1 (Rohkomponenten): Beinhaltete rohes $V$, $DCV$ sowie klinische/laborchemische Variablen.
3. Modell 2 (VDII integriert): Ersetzte rohes $V$ und $DCV$ durch standardisierten VDII unter Beibehaltung anderer klinischer Variablen.
4. Modell 3 (Erweitert): Modell 2 + Blutzucker + Albumin.

Statistische Analyse

• Variablenselektion: LASSO-Regression mit 10-facher Kreuzvalidierung und dem Boruta-Algorithmus.
• Leistungsmetriken: Area Under the Curve (AUC) mit DeLong-Test zum Vergleich (Bonferroni-korrigierter Schwellenwert $P < 0,0083$), Kalibrierung (Brier-Score, Kalibrierungskurven), Decision Curve Analysis (DCA) und Integrated Discrimination Improvement (IDI).
• Validierung: Interne Bootstrap-Validierung und externe Validierung in der unabhängigen Kohorte.
• Nichtlinearität: Die Analyse mittels Restricted Cubic Spline (RCS) wurde verwendet, um die Beziehung zwischen VDII und dem HPC-Risiko zu bewerten.

3. Kernergebnisse

Demografie und Baseline
Die Entwicklungskohorte wies eine HPC-Rate von 29,0 % (Training) und 28,3 % (Test) auf, während die externe Validierungskohorte eine Rate von 21,0 % aufwies. Die externe Kohorte war signifikant älter, hatte niedrigere GCS-Werte und höhere Roh-VDII-Werte, was auf eine Populationsheterogenität hindeutet, die für die Prüfung der Generalisierbarkeit geeignet ist.

Diskriminative Leistung

• Einzelindikatoren: Im Testset übertraf VDII-only (AUC 0,745) signifikant das Volumen-only (AUC 0,514) und das DCV-only (AUC 0,659).
• Modellvergleich (Externe Validierung):
  • Modell 2 (VDII integriert) erreichte eine AUC von 0,763 (95 % KI: 0,698–0,824).
  • Modell 1 (Rohkomponenten) erreichte eine AUC von 0,699 (95 % KI: 0,627–0,769).
  • Die Verbesserung von Modell 2 gegenüber Modell 1 war statistisch signifikant ($P < 0,001$).
  • Modell 3 (Hinzufügen von Glukose und Albumin) verbesserte die Diskriminierung gegenüber Modell 2 nicht signifikant (AUC 0,758 vs. 0,763, $P = 0,649$).
• Robustheit: Die interne Bootstrap-Validierung bestätigte, dass Modell 2 nach Optimierungskorrektur weiterhin eine überlegene Leistung gegenüber Modell 1 aufwies.

Multivariable Analyse und Assoziationen

• Unabhängiger Prädiktor: Ein niedrigerer standardisierter VDII war unabhängig mit einem höheren Risiko für HPC assoziiert (OR 0,425, 95 % KI: 0,269–0,671, $P < 0,001$).
• Nichtlinearität: Die RCS-Analyse zeigte eine signifikante nichtlineare Assoziation ($P$ für Nichtlinearität = 0,0007). Das Risiko für HPC sank mit steigendem VDII, wobei die Risikoreduktion im niedrigen VDII-Bereich steiler verlief.
• Subgruppenanalyse: Der prädiktive Wert von VDII war bei Patienten mit kleinvolumigen Läsionen stärker (OR 0,26) als bei Patienten mit großvolumigen Läsionen (OR 0,58), mit einer signifikanten Interaktion ($P = 0,005$).

Kalibrierung und klinischer Nutzen

• Modell 2 zeigte eine bessere Kalibrierung (niedrigerer Brier-Score) und einen höheren Nettonutzen in der Decision Curve Analysis im Vergleich zu Modell 1 in der externen Validierungskohorte.
• Ein Nomogramm wurde basierend auf Modell 2 entwickelt, um eine personalisierte Risikovorhersage zu ermöglichen.

4. Zentrale Beiträge

1. Neuartiger Bildgebungsmarker: Einführung des Volumen-Dichte-Integrationsindex (VDII), eines auf dem harmonischen Mittel basierenden zusammengesetzten Markers, der das Volumen der Läsion und die Dichteheterogenität mathematisch integriert.
2. Überlegene Vorhersagekraft: Nachweis, dass VDII eine bessere Diskriminierung für die frühe Hämatomprogression bietet als Volumen oder Heterogenität allein, und dass der Ersatz der Rohkomponenten durch VDII die Generalisierbarkeit des Modells in der externen Validierung verbessert.
3. Klinische Stratifizierung: Identifizierung der Tatsache, dass VDII besonders effektiv bei der Stratifizierung des Risikos für kleinvolumige Läsionen ist – eine Gruppe, die in der traditionellen klinischen Praxis oft unterschätzt wird.
4. Modellparsimonie: Beleg dafür, dass das Hinzufügen systemischer Entzündungs- oder Stoffwechselmarker (Glukose, Albumin) keinen signifikanten inkrementellen Wert gegenüber dem bildgebungsbasierten VDII-Modell liefert, was darauf hindeutet, dass die intrinsischen Bildgebungsmerkmale der Läsion die primären Treiber des frühen Progressionsrisikos in diesem Kontext sind.

5. Bedeutung und Limitationen (Perspektive der Autoren)

Die Autoren behaupten, dass der VDII ein neues, quantitatives Werkzeug zur frühen Risikostratifizierung bei FCL bietet, das potenziell die Strategien für das CT-Follow-up und die Überwachungsintensität leiten kann. Indem er den „Short-Board“-Effekt erfasst, bei dem sowohl Größe als auch Heterogenität für ein hohes Risiko erforderlich sind, adressiert der VDII die Limitationen einzelner Dimensionsmetriken.

Dennoch wahren die Autoren einen moderaten Ton hinsichtlich der klinischen Implementierung:

• Retrospektive Natur: Die Studie ist beobachtend; die Ergebnisse zeigen Assoziationen, keine Kausalität, und beweisen nicht, dass die Verwendung von VDII die klinischen Ergebnisse verbessert.
• Generalisierbarkeit: Die Studie war auf zwei Zentren in China mit spezifischen Scannerprotokollen beschränkt. Die Leistung des Modells in anderen Regionen, Traumasystemen oder bei anderen Bildgebungsparametern bleibt ungeprüft.
• Workflow-Beschränkungen: Die aktuelle Messung erfordert eine semiautomatische Segmentierung und manuelle Korrektur, was die Echtzeitanwendung in der Klinik einschränkt.
• Definitionsbias: Die Definition von HPC (relativer Volumenanstieg) begünstigt möglicherweise inhärent die Detektion der Progression in kleineren Läsionen, was die beobachtete Stärke des VDII in dieser Subgruppe beeinflussen könnte.
• Zukünftiger Bedarf: Die Autoren betonen, dass prospektive Validierungen, automatisierte Messworkflows und die Analyse der Auswirkungen erforderlich sind, bevor der VDII für die routinemäßige klinische Entscheidungsfindung empfohlen werden kann.