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

技术摘要：通过调和平均数整合血肿体积与密度异质性，用于额叶挫伤血肿进展的早期预测

1. 问题陈述

额叶挫伤（FCL）是创伤性脑损伤后常见且具有高度异质性的病变。一个关键的临床挑战是早期识别具有血肿进展（HPC）风险的患者，其中 HPC 定义为在损伤后 72 小时内血肿体积增加 ≥25%。HPC 与继发性神经功能恶化、颅内压升高及预后不良密切相关。

目前的临床评估严重依赖于定性的 CT 征象和外科医生的经验，由于 FCL 具有“椒盐样”外观，这些方法存在主观一致性低的问题。虽然存在定量指标，但单独使用时存在局限性：

• 基线血肿体积 (V)： 反映空间负荷，但无法指示病灶内部是否处于活跃出血或不稳定的凝固状态。
• 密度变异系数 (DCV)： 量化内部密度异质性（混合新旧出血的标志），但它是一个相对指标，忽略了病灶的绝对物理尺寸。

本研究认为，仅凭其中一个维度不足以表征早期进展的风险，需要一个整合的、具有数学原则的指数，以捕捉病灶大小与密度不稳定性之间的联合构型。

2. 研究方法

研究设计与队列
这是一项遵循 TRIPOD+AI 指南的多中心回顾性队列研究。

• 开发队列： 来自宁夏医科大学第一附属医院的 341 名 FCL 患者（2020 年 8 月 – 2025 年 10 月）。
• 外部验证队列： 来自湖南中南大学第二附属医院的 273 名患者（2020 年 1 月 – 2025 年 12 月）。
• 纳入标准： 经 NCCT 证实为 FCL，首次 NCCT 在损伤后 6 小时内，72 小时内有随访 NCCT，GCS ≥9 且数据完整。
• 排除标准： 立即进行紧急手术、GCS <9 或数据缺失。

数据处理与特征工程

• 分割： 由两名具有 >5 年经验的神经外科医生使用 3-D Slicer (v5.8.1) 提取基线血肿体积 ($V$) 和密度统计数据（均值、标准差 $SD$）。
• 密度变异系数 (DCV)： 计算公式为 $DCV = SD / Mean$。
• 体积-密度整合指数 (VDII)： 一种基于基线体积 ($V$) 和 DCV 的调和平均数构建的新型复合指标：
  $$VDII = \frac{2}{(1/V) + (1/DCV)}$$
  选择调和平均数是因为它对较小值敏感；因此，体积或异质性中的任何一个较低值都会显著抑制整体指数。这符合病理生理学，即高风险病灶既需要一定的空间规模，也需要显著的内部异质性。
• 协变量： 临床变量包括 GCS、年龄和实验室指标（SIRI、LMR、嗜酸性粒细胞计数、血糖、白蛋白）。

模型开发
构建并比较了四个逻辑回归模型：

1. 仅 VDII 模型： 标准化后的 VDII 单独建模。
2. 模型 1 (原始组分)： 包含原始 $V$、$DCV$ 以及临床/实验室变量。
3. 模型 2 (VDII 整合)： 用标准化后的 VDII 替换原始 $V$ 和 $DCV$，保留其他临床变量。
4. 模型 3 (扩展模型)： 模型 2 + 血糖 + 白蛋白。

统计分析

• 变量筛选： 使用带有 10 折交叉验证的 LASSO 回归和 Boruta 算法。
• 性能指标： 用于比较的 AUC（采用 DeLong 检验，Bonferroni 校正阈值 $P < 0.0083$）、校准度（Brier 分数、校准曲线）、决策曲线分析 (DCA) 以及综合判别改善指数 (IDI)。
• 验证： 内部 Bootstrap 验证和针对独立队列的外部验证。
• 非线性： 使用限制性立方样条 (RCS) 分析来评估 VDII 与 HPC 风险之间的关系。

3. 关键结果

人口统计学与基线
开发队列的 HPC 率分别为 29.0%（训练集）和 28.3%（测试集），而外部验证队列的 HPC 率为 21.0%。外部队列年龄更大、GCS 评分更低、原始 VDII 值更高，表明其具有适合测试泛化性的群体异质性。

判别性能

• 单一指标： 在测试集中，仅 VDII 模型 (AUC 0.745) 的表现显著优于仅体积模型 (AUC 0.514) 和仅 DCV 模型 (AUC 0.659)。
• 模型比较 (外部验证)：
  • 模型 2 (VDII 整合) 实现了 0.763 (95% CI: 0.698–0.824) 的 AUC。
  • 模型 1 (原始组分) 实现了 0.699 (95% CI: 0.627–0.769) 的 AUC。
  • 模型 2 较模型 1 的提升具有统计学意义 ($P < 0.001$)。
  • 模型 3 (加入血糖和白蛋白) 未能显著提高模型 2 的判别能力 (AUC 0.758 vs. 0.763, $P = 0.649$)。
• 稳健性： 内部 Bootstrap 验证确认，在经过乐观度校正后，模型 2 仍保持优于模型 1 的性能。

多变量分析与关联

• 独立预测因子： 较低的标准化 VDII 与较高的 HPC 风险独立相关 (OR 0.425, 95% CI: 0.269–0.671, $P < 0.001$)。
• 非线性： RCS 分析显示出显著的非线性关联 ($P$ for nonlinearity = 0.0007)。随着 VDII 增加，HPC 风险降低，且在低 VDII 范围内风险下降更为剧烈。
• 亚组分析： VDII 的预测价值在小体积病灶患者中比在大体积病灶中更强 (OR 0.26 vs. OR 0.58)，交互作用显著 ($P = 0.005$)。

校准度与临床实用性

• 与模型 1 相比，模型 2 在外部验证集中表现出更好的校准度（更低的 Brier 分数）和更高的决策曲线净获益。
• 基于模型 2 开发了一个列线图，以实现个性化风险预测。

4. 核心贡献

1. 新型影像学标志物： 引入了基于调和平均数的复合指标——体积-密度整合指数 (VDII)，该指标在数学上整合了病灶体积与密度异质性。
2. 卓越的预测能力： 证明了 VDII 在预测早期血肿进展方面比单纯的体积或异质性具有更好的判别力，并且用 VDII 替换原始组分可提高模型在外部验证中的泛化能力。
3. 临床分层： 确定了 VDII 在小体积病灶中进行风险分层的效果尤为出色，而这类病灶在传统临床实践中常被低估。
4. 模型简洁性： 有效证据表明，添加全身炎症/代谢指标（血糖、白蛋白）并未对基于 VDII 的影像模型产生显著的增量价值，这表明在此背景下，病灶自身的影像学特征是早期进展风险的主要驱动因素。

5. 意义与局限性（作者观点）

作者声称 VDII 提供了一种新的定量工具，用于额叶挫伤的早期风险分层，有望指导 CT 随访策略和监测强度。通过捕捉“短板效应”（即需要体积和异质性同时满足才能构成高风险），VDII 解决了单一维度指标的局限性。

然而，作者对临床应用保持了审慎的态度：

• 回顾性性质： 本研究是观察性的；结果显示的是相关性而非因果关系，且并未证明使用 VDII 能改善患者预后。
• 泛化性： 研究局限于两个中国的医疗中心，使用了特定的扫描协议。该模型在其他地区、不同创伤系统或不同影像参数下的表现仍有待验证。
• 工作流限制： 目前的测量需要半自动分割和人工校正，这限制了其实时临床应用。
• 定义偏差： HPC 的定义（相对体积增加）可能本质上有利于检测小体积病灶中的进展，从而影响了观察到的 VDII 在该亚组中的强度。
• 未来需求： 作者强调，在将 VDII 推荐用于常规临床决策之前，需要进行前瞻性验证、自动化测量工作流开发以及影响分析。