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

Résumé Technique : Intégration du volume et de l'hétérogénéité de la densité de l'hématome via la moyenne harmonique pour la prédiction précoce de la progression de l'hématome dans la contusion du lobe frontal

1. Énoncé du problème

La contusion du lobe frontal (CLF) est une lésion commune et hautement hétérogène consécutive à un traumatisme crânien (TC). Un défi clinique critique est l'identification précoce des patients présentant un risque de progression de l'hématome (HPC), définie par une augmentation $\ge$ 25 % du volume de l'hématome dans les 72 heures suivant la lésion. L'HPC est fortement associée à une détérioration neurologique secondaire, une pression intracrânienne élevée et des pronostics défavorables.

L'évaluation clinique actuelle repose largement sur des signes de scanner (TDM) qualitatifs et l'expérience du chirurgien, qui souffrent d'un faible accord inter-observateur en raison de l'aspect « poivre et sel » des CLF. Bien que des mesures quantitatives existent, elles présentent des limites lorsqu'elles sont utilisées de manière isolée :

• Volume de l'hématome de base (V) : Reflète la charge spatiale mais ne permet pas d'indiquer si l'intérieur de la lésion est dans un état de saignement actif ou de coagulation instable.
• Coefficient de variation de la densité (DCV) : Quantifie l'hétérogénéité de la densité interne (un marqueur de saignement ancien/nouveau mixte) mais est un indicateur relatif qui ignore la taille physique absolue de la lésion.

L'étude postule que ni la seule dimension du volume, ni celle de la densité n'est suffisante pour caractériser le risque de progression précoce, et qu'un indice intégré, mathématiquement fondé, est nécessaire pour capturer la configuration conjointe de la taille de la lésion et de l'instabilité de la densité.

2. Méthodologie

Conception de l'étude et cohortes
Il s'agit d'une étude de cohorte rétrospective multicentrique respectant les directives TRIPOD+AI.

• Cohorte de développement : 341 patients présentant une CLF à l'Hôpital Général de l'Université Médicale du Ningxia (août 2020 – octobre 2025).
• Cohorte de validation externe : 273 patients du Deuxième Hôpital Affilié de l'École de Médecine de Hengyang, Université du Sud de la Chine (janvier 2020 – décembre 2025).
• Critères d'inclusion : TDM sans injection (NCCT) d'urgence confirmant une CLF, première NCCT dans les 6 heures suivant la lésion, NCCT de suivi dans les 72 heures, GCS $\ge$ 9, et données complètes.
• Critères d'exclusion : Chirurgie d'urgence immédiate, GCS < 9, ou données manquantes.

Traitement des données et ingénierie des caractéristiques

• Segmentation : Le volume de l'hématome de base ($V$) et les statistiques de densité (Moyenne, Écart-type $SD$) ont été extraits à l'aide de 3D Slicer (v5.8.1) par deux neurochirurgiens ayant plus de 5 ans d'expérience.
• Coefficient de variation de la densité (DCV) : Calculé comme $DCV = SD / Moyenne$.
• Indice d'intégration Volume-Densité (VDII) : Un nouveau marqueur composite construit en utilisant la moyenne harmonique du volume de base ($V$) et du DCV :
  $$VDII = \frac{2}{(1/V) + (1/DCV)}$$
  La moyenne harmonique a été choisie car elle est sensible aux valeurs plus petites ; ainsi, une valeur faible dans le volume ou l'hétérogénéité réduit significativement l'indice global. Cela s'aligne sur la pathophysiologie selon laquelle les lésions à haut risque nécessitent à la fois une certaine échelle spatiale et une hétérogénéité interne significative.
• Covariables : Les variables cliniques comprenaient le GCS, l'âge et les marqueurs de laboratoire (SIRI, LMR, taux d'éosinophiles, glycémie, albumine).

Développement du modèle
Quatre modèles de régression logistique ont été construits et comparés :

1. VDII seul : VDII standardisé seul.
2. Modèle 1 (Composants bruts) : Inclut $V$, $DCV$ bruts, ainsi que les variables cliniques et de laboratoire.
3. Modèle 2 (VDII intégré) : Remplace $V$ et $DCV$ par le VDII standardisé, tout en conservant les autres variables cliniques.
4. Modèle 3 (Étendu) : Modèle 2 + glycémie + albumine.

Analyse statistique

• Sélection des variables : Régression LASSO avec validation croisée à 10 plis et l'algorithme Boruta.
• Mesures de performance : Aire sous la courbe (AUC) avec test de DeLong pour la comparaison (seuil corrigé par Bonferroni $P < 0,0083$), calibration (score de Brier, courbes de calibration), analyse de la courbe de décision (DCA) et amélioration de la discrimination intégrée (IDI).
• Validation : Validation par bootstrap interne et validation externe sur la cohorte indépendante.
• Non-linéarité : Une analyse par spline cubique restreinte (RCS) a été utilisée pour évaluer la relation entre le VDII et le risque d'HPC.

3. Résultats clés

Démographie et base de référence
La cohorte de développement présentait un taux d'HPC de 29,0 % (entraînement) et 28,3 % (test), tandis que la cohorte de validation externe présentait un taux de 21,0 %. La cohorte externe était significativement plus âgée, présentait des scores GCS plus bas et des valeurs de VDII brut plus élevées, indiquant une hétérogénéité de population propice au test de la généralisabilité.

Performance discriminative

• Indicateurs uniques : Dans l'ensemble de test, le VDII seul (AUC 0,745) a nettement surpassé le Volume seul (AUC 0,514) et le DCV seul (AUC 0,659).
• Comparaison des modèles (Validation externe) :
  • Le Modèle 2 (VDII intégré) a atteint une AUC de 0,763 (IC 95 % : 0,698–0,824).
  • Le Modèle 1 (Composants bruts) a atteint une AUC de 0,699 (IC 95 % : 0,627–0,769).
  • L'amélioration du Modèle 2 par rapport au Modèle 1 est statistiquement significative ($P < 0,001$).
  • Le Modèle 3 (ajout du glucose et de l'albumine) n'a pas amélioré significativement la discrimination par rapport au Modèle 2 (AUC 0,758 vs 0,763, $P = 0,649$).
• Robustesse : La validation par bootstrap interne a confirmé que le Modèle 2 maintenait une performance supérieure au Modèle 1 après correction de l'optimisme.

Analyse multivariée et associations

• Prédicteur indépendant : Un VDII standardisé plus faible était indépendamment associé à un risque plus élevé d'HPC (OR 0,425, IC 95 % : 0,269–0,671, $P < 0,001$).
• Non-linéarité : L'analyse RCS a révélé une association non linéaire significative ($P$ pour la non-linéarité = 0,0007). Le risque d'HPC diminuait à mesure que le VDII augmentait, avec une réduction du risque plus abrupte dans la plage basse du VDII.
• Analyse de sous-groupes : La valeur prédictive du VDII était plus forte chez les patients présentant des lésions de petit volume (OR 0,26) par rapport aux lésions de gros volume (OR 0,58), avec une interaction significative ($P = 0,005$).

Calibration et utilité clinique

• Le Modèle 2 a démontré une meilleure calibration (score de Brier plus faible) et un bénéfice net plus élevé dans l'analyse de la courbe de décision par rapport au Modèle 1 dans l'ensemble de validation externe.
• Un nomogramme a été développé sur la base du Modèle 2 pour faciliter la prédiction personnalisée du risque.

4. Contributions clés

1. Nouveau marqueur d'imagerie : Introduction de l'Indice d'Intégration Volume-Densité (VDII), un marqueur composite basé sur la moyenne harmonique qui intègre mathématiquement le volume de la lésion et l'hétérogénéité de la densité.
2. Puissance prédictive supérieure : Démonstration que le VDII offre une meilleure discrimination pour la progression précoce de l'hématome que le volume ou l'hétérogénéité seuls, et que le remplacement des composants bruts par le VDII améliore la généralisabilité du modèle lors de la validation externe.
3. Stratification clinique : Identification du fait que le VDII est particulièrement efficace pour la stratification du risque chez les patients présentant des lésions de petit volume, un groupe souvent sous-estimé dans la pratique clinique traditionnelle.
4. Parsimonie du modèle : Preuve que l'ajout de marqueurs métaboliques et inflammatoires systémiques (glucose, albumine) n'apporte pas de valeur incrémentielle significative par rapport au modèle basé sur l'imagerie VDII, suggérant que les caractéristiques d'imagerie intrinsèques de la lésion sont les principaux moteurs du risque de progression précoce dans ce contexte.

5. Signification et limites (Perspective des auteurs)

Les auteurs affirment que le VDII offre un nouvel outil quantitatif pour la stratification précoce du risque dans la CLF, pouvant guider les stratégies de suivi par scanner et l'intensité de la surveillance. En capturant l'effet de la « courte planche » où la taille et l'hétérogénéité sont toutes deux requises pour un risque élevé, le VDII répond aux limites des mesures à une seule dimension.

Cependant, les auteurs maintiennent un ton modeste concernant la mise en œuvre clinique :

• Nature rétrospective : L'étude est observationnelle ; les résultats montrent une association, non une causalité, et ne prouvent pas que l'utilisation du VDII améliore les résultats cliniques des patients.
• Généralisabilité : L'étude a été limitée à deux centres en Chine avec des protocoles de scanner spécifiques. La performance du modèle dans d'autres régions, systèmes de traumatologie ou avec différents paramètres d'imagerie reste à vérifier.
• Contraintes de flux de travail : La mesure actuelle nécessite une segmentation semi-automatique et une correction manuelle, ce qui limite l'application clinique en temps réel.
• Biais de définition : La définition de l'HPC (augmentation relative du volume) peut intrinsèquement favoriser la détection de la progression dans les lésions plus petites, influençant la force observée du VDII dans ce sous-groupe.
• Besoins futurs : Les auteurs soulignent qu'une validation prospective, des flux de travail de mesure automatisés et une analyse d'impact sont nécessaires avant que le VDII puisse être recommandé pour la prise de décision clinique de routine.