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

Technische Samenvatting: Integratie van Hematoomvolume en Dichtheidsheterogeniteit via het Harmonisch Gemiddelde voor Vroege Voorspelling van Hematoomprogressie bij Frontale Lobe Contusie

1. Probleemstelling

Frontale lobe contusie (FCL) is een veelvoorkomende en zeer heterogene laesie na traumatisch hersenletsel (TBI). Een kritische klinische uitdaging is de vroege identificatie van patiënten die risico lopen op hematoomprogressie (HPC), gedefinieerd als een toename van ≥25% in hematoomvolume binnen 72 uur na het letsel. HPC is sterk geassocieerd met secundaire neurologische achteruitgang, verhoogde intracraniële druk en slechte uitkomsten.

De huidige klinische beoordeling leunt zwaar op kwalitatieve CT-kenmerken en chirurgische ervaring, wat lijdt onder een lage inter-waarnemer overeenstemming door het "peper-en-zout"-uiterlijk van FCL's. Hoewel kwantitatieve metrieken bestaan, hebben deze beperkingen wanneer ze geïsoleerd worden gebruikt:

• Basale Hematoomvolume (V): Weerspiegelt de ruimtelijke belasting, maar geeft geen indicatie of het binnenste van de laesie zich in een actieve bloedingsfase of een instabiele coagulatietoestand bevindt.
• Dichtheidscoëfficiënt van Variatie (DCV): Kwantificeert de interne dichtheidsheterogeniteit (een marker voor gemengde oude/nieuwe bloedingen), maar is een relatieve indicator die de absolute fysieke grootte van de laesie negeert.

De studie stelt dat noch de ene, noch de andere dimensie alleen voldoende is om het risico op vroege progressie te karakteriseren, en dat een geïntegreerde, wiskundig gefundeerde index nodig is om de gezamenlijke configuratie van laesiegrootte en dichtheidsinstabiliteit vast te leggen.

2. Methodologie

Studieontwerp en Cohorten
Dit was een multicenter retrospectieve cohortstudie die de TRIPOD+AI-richtlijnen volgde.

• Ontwikkelingscohort: 341 patiënten met FCL van het General Hospital of Ningxia Medical University (augustus 2020–oktober 2025).
• Externe Validatiecohort: 273 patiënten van The Second Affiliated Hospital, Hengyang Medical School, University of South China (januari 2020–december 2025).
• Inclusiecriteria: Natietrouw NCCT bevestigt FCL, eerste NCCT binnen 6 uur na het letsel, follow-up NCCT binnen 72 uur, GCS ≥9, en volledige gegevens.
• Exclusiecriteria: Onmiddellijke spoedchirurgie, GCS <9, of ontbrekende gegevens.

Gegevensverwerking en Feature Engineering

• Segmentatie: Basale hematoomvolume ($V$) en dichtheidsstatistieken (Gemiddelde, Standaarddeviatie $SD$) werden geëxtraheerd met behulp van 3D Slicer (v5.8.1) door twee neurochirurgen met >5 jaar ervaring.
• Dichtheidscoëfficiënt van Variatie (DCV): Berekend als $DCV = SD / Gemiddelde$.
• Volume-Dichtheid Integratie-index (VDII): Een nieuwe samengestelde marker geconstrueerd met behulp van het harmonisch gemiddelde van het basale volume ($V$) en de DCV:
  $$VDII = \frac{2}{(1/V) + (1/DCV)}$$
  Het harmonisch gemiddelde werd gekozen omdat het gevoelig is voor kleinere waarden; een lage waarde in volume of heterogeniteit onderdrukt de totale index aanzienlijk. Dit komt overeen met de pathofysiologie waarbij risicovolle laesies zowel een bepaalde ruimtelijke schaal als een significante interne heterogeniteit vereisen.
• Covariaten: Klinische variabelen omvatten GCS, leeftijd en laboratoriummarkers (SIRI, LMR, eosinofielenaantal, bloedglucose, albumine).

Modelontwikkeling
Vier logistische regressiemodellen werden geconstrueerd en vergeleken:

1. Alleen VDII: Gestandaardiseerde VDII alleen.
2. Model 1 (Ruwe Componenten): Bevat de ruwe $V$, $DCV$ en klinische/laboratoriumvariabelen.
3. Model 2 (VDII Geïntegreerd): Vervangt de ruwe $V$ en $DCV$ door gestandaardiseerde VDII, met behoud van andere klinische variabelen.
4. Model 3 (Uitgebreid): Model 2 + bloedglucose + albumine.

Statistische Analyse

• Variabele Selectie: LASSO-regressie met 10-voudige kruisvalidatie en het Boruta-algoritme.
• Prestatie-metrieken: Area Under the Curve (AUC) met DeLong-test voor vergelijking (Bonferroni-gecorrigeerde drempelwaarde $P < 0,0083$), kalibratie (Brier-score, kalibratiecurves), Decision Curve Analysis (DCA) en Integrated Discrimination Improvement (IDI).
• Validatie: Interne bootstrap-validatie en externe validatie op de onafhankelijke cohort.
• Niet-lineariteit: Restricted Cubic Spline (RCS) analyse werd gebruikt om de relatie tussen VDII en HPC-risico te beoordelen.

3. Belangrijkste Resultaten

Demografie en Baseline
Het ontwikkelingscohort had een HPC-percentage van 29,0% (training) en 28,3% (testen), terwijl de externe validatiecohort een percentage van 21,0% had. De externe cohort was significant ouder, had lagere GCS-scores en hogere ruwe VDII-waarden, wat wijst op populatieheterogeniteit die geschikt is voor het testen van generaliseerbaarheid.

Discriminatieve Prestaties

• Enkele Indicatoren: In de testset presteerde VDII-alleen (AUC 0,745) significant beter dan Volume-alleen (AUC 0,514) en DCV-alleen (AUC 0,659).
• Modelvergelijking (Externe Validatie):
  • Model 2 (VDII Geïntegreerd) bereikte een AUC van 0,763 (95% BI: 0,698–0,824).
  • Model 1 (Ruwe Componenten) bereikte een AUC van 0,699 (95% BI: 0,627–0,769).
  • De verbetering van Model 2 ten opzichte van Model 1 was statistisch significant ($P < 0,001$).
  • Model 3 (toevoeging van glucose en albumine) verbeterde de discriminatie niet significant ten opzichte van Model 2 (AUC 0,758 vs. 0,763, $P = 0,649$).
• Robuustheid: Interne bootstrap-validatie bevestigde dat Model 2 superieure prestaties behield ten opzichte van Model 1 na optimalisatiecorrectie.

Multivariabele Analyse en Associaties

• Onafhankelijke Predictor: Een lagere gestandaardiseerde VDII was onafhankelijk geassocieerd met een hoger risico op HPC (OR 0,425, 95% BI: 0,269–0,671, $P < 0,001$).
• Niet-lineariteit: RCS-analyse onthulde een significante niet-lineaire associatie ($P$ voor niet-lineariteit = 0,0007). Het risico op HPC nam af naarmate de VDII toenam, met een steilere risicoreductie in het lagere VDII-bereik.
• Subgroepanalyse: De voorspellende waarde van VDII was sterker bij patiënten met kleine laesies (OR 0,26) vergeleken met grote laesies (OR 0,58), met een significante interactie ($P = 0,005$).

Kalibratie en Klinische Bruikbaarheid

• Model 2 vertoonde een betere kalibratie (lagere Brier-score) en een hoger netto voordeel in de Decision Curve Analysis vergeleken met Model 1 in de externe validatieset.
• Een nomogram werd ontwikkeld op basis van Model 2 om gepersonaliseerde risicovoorspelling te faciliteren.

4. Belangrijkste Bijdragen

1. Nieuwe Imaging Marker: Introductie van de Volume-Dichtheid Integratie-index (VDII), een op het harmonisch gemiddelde gebaseerde samengestelde marker die het volume van de laesie en de dichtheidsheterogeniteit wiskundig integreert.
2. Superieure Voorspellende Kracht: Demonstratie dat VDII een betere discriminatie biedt voor vroege hematoomprogressie dan volume of heterogeniteit alleen, en dat het vervangen van ruwe componenten door VDII de generaliseerbaarheid van het model in externe validatie verbetert.
3. Klinische Stratificatie: Identificatie dat VDII bijzonder effectief is bij het stratificeren van risico voor kleine laesies, een groep die in de traditionele klinische praktijk vaak wordt onderschat.
4. Model Parsimonie: Bewijs dat het toevoegen van systemische inflammatoire/metabole markers (glucose, albumine) geen significante incrementele waarde bood bovenop het imaging-gebaseerde VDII-model, wat suggereert dat de intrinsieke imaging-kenmerken van de laesie de primaire drijfveren zijn van het risico op vroege progressie in deze context.

5. Betekenis en Beperkingen (Perspectief van de Auteur)

De auteurs stellen dat VDII een nieuwe, kwantitatieve tool biedt voor vroege risicostratificatie bij FCL, wat potentieel de CT-follow-up strategieën en surveillance-intensiteit kan sturen. Door het "short board"-effect te vangen waarbij zowel grootte als heterogeniteit vereist zijn voor een hoog risico, adresseert VDII de beperkingen van enkelvoudige dimensie-metrieken.

De auteurs hanteren echter een bescheiden toon met betrekking tot klinische implementatie:

• Retrospectief Karakter: De studie is observationeel; resultaten tonen associatie aan, geen causaliteit, en bewijzen niet dat het gebruik van VDII de patiëntuitkomsten verbetert.
• Generaliseerbaarheid: De studie was beperkt tot twee centra in China met specifieke scannerprotocollen. De prestaties van het model in andere regio's, traumagesystemen of met andere imaging-parameters blijven onverifieerd.
• Workflowbeperkingen: De huidige meting vereist semi-automatische segmentatie en handmatige correctie, wat de real-time klinische toepassing beperkt.
• Definitiebias: De definitie van HPC (relatieve volumetoename) kan inherent de detectie van progressie in kleinere laesies bevoordelen, wat de geobserveerde kracht van VDII in deze subgroep beïnvloedt.
• Toekomstige Behoeften: De auteurs benadrukken dat prospectieve validatie, geautomatiseerde meetworkflows en impactanalyse vereist zijn voordat VDII kan worden aanbevolen voor routinematige klinische besluitvorming.