Hematoma Intracerebral espontáneo. Implicación pronóstica de los signos radiológicos de la TC sin contraste y papel de la radiómica

Abstract

INTRODUCCIÓN: El Hematoma intracerebral espontáneo (HIE) es una causa importante de mortalidad y morbilidad en todo el mundo, por ello es fundamental identificar los pacientes con mayor riesgo de mal pronóstico, para intentar estratificarlos y adaptar terapias invasivas en aquellos de mayor riesgo. OBJETIVOS: Analizar los parámetros cualitativos (signos radiológicos) de la TCCSC que predicen un mal pronóstico funcional al alta y desarrollar un modelo cuantitativo (clasificadores de inteligencia artificial basados en radiómica) para predecir mal pronóstico al alta en pacientes con HIE. MÉTODOS: Estudio observacional retrospectivo en el que se analizaron pacientes con HIE confirmado por TCCSC entre enero 2016 y abril 2018. Se incluyeron pacientes de más de de 18 años y con TCCSC realizado dentro de las primeras 24 horas desde el inicio de los síntomas. Se excluyeron los pacientes con HIE secundario. En el estudio cuantitativo además se excluyeron los pacientes en los que no estaban disponibles los variables de radiómica. En la TCCSC fueron analizados los signos radiológicos (parámetros cualitativos) por dos radiólogos independientes, sin acceso a la información clínica y a la evolución. Los signos radiológicos (parámetros cualitativos) evaluados fueron los siguientes: - Signos individuales: Black hole sign (BH), Blend sign (BS), cualquier hipodensidad, Island sign (IS), Swirl sign (SwS) y la clasificación de barras atendiendo a densidad y morfología. - Nuevos parámetros combinados: combined barras total score (CBTS) y hematoma maturity score (HMS). La variable resultado fue el grado de dependencia al alta según la Escala Modificada de Rankin (mRS): no síntomas o incapacidad muy leve-leve (mRS 0-2); Incapacidad moderada o grave (mRS 3-5) y muerte (mRS 6). En segundo lugar, se analizaron los biomarcadores de imagen cuantitativa (clasificadores de inteligencia artificial basados en radiómica) en la TCCSC. Estos biomarcadores se extrajeron utilizando el módulo “Radiomics” del programa 3D-Slicer con segmentación manual de la TCCSC de cada HIE por un radiólogo cualificado, sin acceso a la información clínica. Después de imputar valores perdidos y valores atípicos, los valores se estandarizaron y normalizaron. La muestra se dividió en una cohorte de entrenamiento y otra de validación (70-30% respectivamente). Se usaron diferentes métodos de selección de variables y clasificadores predictivos, para clasificar el pronóstico funcional del paciente al alta en buen/mal pronóstico(mRS0-2/mRS3-6). Se realizaron 10 iteraciones de validación cruzada estratificada en la cohorte de entrenamiento y se calculó la media de los valores de área bajo la curva (AUC). Una vez entrenados los distintos modelos, se calculó la sensibilidad de cada uno en la cohorte de validación. RESULTADOS: En el estudio cualitativo (signos radiológicos) se incluyeron un total de 114. El estudio multivariable se ajustó según las variables que obtuvieron un resultado p<0.1 en el estudio univariante, que fueron edad, antecedentes de fibrilación auricular (FA), hipertensión (HTA), anticoagulación, glicemia al ingreso, volumen del hematoma y extensión ventricular. El estudio multivariante demostró que los signos individuales: cualquier hipodensidad(OR 4.768, p 0.006), cualquier irregularidad(OR 4.768, p 0.006), y los dos nuevos signos combinados: CBTS≥4(OR 3.205, p 0.025) y HMS(Inmaduro) (OR 5.872, p 0.006) fueron predictores independientes del pronóstico funcional al alta en pacientes con HIE. En el análisis cuantitativo (clasificadores de inteligencia artificial basados en radiómica) 105 pacientes cumplieron los criterios de inclusión y fueron analizados. Se analizaron 105 biomarcadores de imagen cuantitativos obtenidos de la TCCSC de los 105 pacientes con. Los clasificadores P-SVM, KNN-E y RF-10, en combinación con la selección de variables ANOVA, fueron los que consiguieron mejor rendiemiento en la cohorte de entrenamiento (AUC 0.798, 0.752 y 0.742 respectivamente). Para los modelos con mejor rendimiento, la sensibilidad en la cohorte de validación fue de 0.892(0.778-1; IC95%), con 0 falsos negativos. CONCLUSIONES: El nuevo concepto de Hematoma Maturity Score es el signo radiológico en la TCCSC con mayor impacto en la predicción de mal pronóstico funcional al alta de los pacientes con HIE. El uso de clasificadores de inteligencia artificial basados en radiómica (análisis cuantitativo), son una herramienta diagnóstica prometedora para predecir el pronóstico funcional en pacientes con HIE.

OBJECTIVES: The purpose of this study was to analyze the qualitative parameters (radiological signs) of non-contrast CT (NCCT) that predict poor functional prognosis at discharge and to develop a quantitative model (radiomics-based artificial intelligence classifiers) to predict poor prognosis at discharge in patients with intracerebral hemorrhage (ICH). METHODS: Patients with spontaneous ICH who underwent baseline CT scan were retrospectively analyzed. Black Hole Sign(BH), Blend Sign(BS), Island sign(IS), Swirl sign(SwS), Barras classification, any hypodensity, any irregularity and two combined novel indicators, Combined Barras Total Score (CBTS) and Hematoma Maturity Score, were assessed independently by two radiologists blinded to clinical information. Patients were trichotomized depending on the disability or dependency at discharge according to modified Rankin Scale (mRS): mRS 0-2; mRS 3-5 and mRS 6. Biomarkers were extracted using the 3D-Slicer Radiomic-module with a manual segmentation by a certified radiologist. After impute missing values and drop out outliers, radiomics values were standardized and normalized to train different classifiers. Sample was split in 70-30% training-test and validation cohort. A variety of linear, nonlinear, and ensemble predictive classifying models, along with several feature selection methods, were used to classify the binary outcome of good/poor outcome at discharge. Tenfold stratified cross validation method was used, and average AUC was calculated. Sensitivity rate was calculated in validation cohort. RESULTS: 114 patients with spontaneous ICH confirmed in NCCT were included in the qualitative analysis (radiological signs). Multivariable statistical analysis was adjusted for anticoagulation, hematoma volume, ventricular expansion, hypertension, blood glucose level at admission, age and history of atrial fibrillation and demonstrated that any hypodensity (OR 4.768, p 0.006), any irregularity(OR 4.768, p 0.006), CBTS ≥ 4 (OR 3.205, p0.025) and the new Hematoma maturity score (Immature)(OR 5.872, p 0.006) are independent predictors of functional outcome at discharge. Regarding quantitative analysis (radiomics-based artificial intelligence classifiers), Polynomial-SVM, KNN-Euclidean and Random Forest-10 in combination with ANOVA correlation features selection method were the best-performing classifiers in training-test cohort(AUC of 0.798, 0.752 and 0.742 respectively). For the best performing models, the sensitivity rate in validation cohort was 0.892(0.778-1;95%IC), with false negative rate of 0%. CONCLUSIONS: The new concept of Hematoma maturity Score was the radiological sign on NCCT with the highest impact on clinical outcome in comparison with the rest of the evaluated radiological signs. The use of radiomic biomarkers with machine learning methods are a promising diagnostic tool for predict functional outcome at discharge in patients with ICH, with a low false negative rate.