脑出血患者血肿扩大的CT征象、参数表现及其相关的影响因素模型构建

目的 探讨脑出血(ICH)患者血肿扩大(HE)的电子计算机断层扫描(CT)征象、参数表现及其相关的影响因素,并构建模型。方法 对于2020年1月~2023年1月在湖北省潜江市中心医院接受治疗的124例ICH患者的临床资料进行回顾性分析,将发生HE的患者纳入HE组(59例),未发生HE的患者纳入无HE组(65例)。比较两组一般资料、CT征象、参数表现,并予以多因素Logistic回归分析法分析ICH患者HE的危险因素,构建预测模型,绘制受试者工作特征(ROC)曲线分析其对ICH患者HE的预测价值。结果 HE组入院时格拉斯哥昏迷量表(GCS)评分低于无HE组;基线血肿量、全血NPR水平均高于无HE组;初诊血肿体积、高低密度差大于无H E组;岛征、漩涡征、黑洞征、混合征及联合征象的患者占比分别为40.68%、44.07%、35.59%、52.54%及83.05%,均高于无HE组的7.69%、7.69%、4.62%、 9.23%及20.00%(P<0.05)。多因素Logistic回归分析结果显示,ICH患者HE的独立危险因素包括全血NPR水平高、初诊血肿体积大、高低密度差大、岛征、漩涡征、黑洞征、混合征及联合征象(OR=1.575、2.406、1.408、1.929、2.713、2.784、2.195、2.633,P<0.05)。构建回归方程模型:logit(P)=-8.983+全血NPR水平×0.454+初诊血肿体积×0.878+高低密度差×0.342+岛征×0.657+漩涡征×0.998+黑洞征X1.024+混合征×0.786+联合征象×0.968。ROC曲线显示,当logit(P)>12.41时,曲线下面积(AUC)值为0.824,95%CI为0.746~0.887,χ^(2)为8.848,诊断敏感度为79.66%,特异度为73.85%。结论 ICH患者HE的独立危险因素包括全血NPR水平高、初诊血肿体积大、高低密度差大、漩涡征、岛征、混合征、黑洞征及联合征象,预测模型对其预测价值较高,临床尽早结合上述情况进行评估,并给予针对性干预措施,有助于预防ICH患者HE的发生风险。

基于CT检查预测自发性脑出血血肿扩大的研究进展

自发性脑出血(sponteneoues intracerebral hemorrhage,sICH)指发生在脑实质内的非创伤性出血,可延伸至脑室或蛛网膜下腔^([1])。临床上sICH是一种易危及生命的严重事件,占所有脑卒中的10%~15%,死亡率约为20%~70%,75%的患者痊愈后也有功能障碍^([2-3])。因此,尽早预测sICH不良预后的发生和发展并积极进行临床干预至关重要。

临床及CT平扫特征列线图预测幕上脑实质出血早期血肿扩大的价值

目的:评价临床及CT平扫特征构建的列线图模型预测幕上脑实质出血早期血肿扩大(HE)的价值。方法:回顾性分析291例幕上脑出血患者的临床资料及CT征象。根据HE的发展,将患者分为HE组(n=131)和非HE组(n=160),按7∶3比例采用随机分层抽样将患者分为训练集(n=204)和验证集(n=87),比较两组患者的临床资料和CT征象,采用单因素及多因素Logistic回归分析筛选独立危险因素,并构建列线图预测模型。分别使用受试者操作特征(ROC)曲线及曲线下面积(AUC)、校准曲线和临床影响曲线(CIC)评估模型的区分度、校准度和临床实用性。结果:空腹血糖、黑洞征、漩涡征、混杂征是HE的独立危险因素(P均<0.05)。列线图模型在训练集、验证集AUC分别为0.787(95%CI:0.723~0.851)、0.716(95%CI:0.594~0.839)。Hosmer-Lemeshow拟合优度检验显示,模型的预测结果与实际结果差异无统计学意义(χ2=9.007,P=0.342,R 2=0.328)。校准曲线显示模型的拟合效果较好。CIC显示列线图具有较高的临床价值。结论:基于临床及CT平扫特征构建的个体化预测模型可有效预测幕上脑实质出血早期血肿扩大。

基于CT平扫征象预测自发性脑出血早期血肿扩大的研究进展

自发性脑出血是严重的急性脑血管疾病,大多数患者在发病早期可出现血肿扩大,会进行性加重神经功能损伤和不良预后,因此能否客观准确地预测血肿扩大并尽早采取个体化针对性的治疗十分关键。计算机体层成像(CT)作为脑出血诊断的金标准,能够直观地显示脑出血情况,对于CT征象预测早期血肿扩大具有重要的临床价值。本研究针对CT平扫征象预测血肿扩大的研究进展进行综述,旨在为临床医师快速、准确地判断患者病情并积极采取干预治疗提供客观参考。

AI-CAD辅助不同年资医生CT影像判读预测脑出血早期血肿扩大的效果分析

[目的]拟探讨人工智能(AI)辅助对不同年资医生预测脑出血早期血肿扩大的效果差异。[方法]回顾性地纳入大连理工大学附属中心医院诊断为脑出血的患者108例,收集入院时CT影像和入院后24 h CT影像,将病人入院时平扫CT获得的DICOM图像输入到Biomind与天坛合作开发的AI-CAD模型。在大连理工大学附属中心医院神经外科选择不同年资的医生共9名,先对患者进行独立预测,再结合辅助AI结果预测患者24 h内是否会出现血肿扩大。分别计算不同年资医生独立预测以及辅助AI预测脑出血早期血肿扩大的准确度,采用配对样本的McNemar检验不同医生间独立预测符合率和辅助AI预测准确度的差异显著性。[结果]高、中、低年资医生独立预测脑出血早期血肿扩大的准确度分别为58.95%、50.62%和38.89%,AI辅助后,预测准确度均显著提升(P<0.001),提升幅度最大的是低年资医生,为25.92%,其次是中年资医生,为19.75%,最小为高年资医生,为11.73%。在独立预测脑出血血肿扩大时,高年资医生灵敏度为18.75%(95%CI:9.44%~33.10%),特异度为65.94%(95%CI:59.98%~71.45%),中年资医生灵敏度为16.67%(95%CI:7.97%~30.76%),特异度为56.52%(95%CI:50.44%~62.42%),低年资医生灵敏度为8.33%(95%CI:2.70%~20.87%),特异度为44.20%(95%CI:38.29%~50.28%);但在AI辅助各年资医生预测后,各年资医生灵敏度和特异度均提高,高年资医生灵敏度为60.42%(95%CI:45.29%~73.88%),特异度为72.46%(95%CI:66.72%~77.57%),中年资医生灵敏度为64.58%(95%CI:49.40%~77.45%),特异度为71.38%(95%CI:65.59%~76.56%),低年资医生灵敏度为68.75%(95%CI:53.60%~80.91%),特异度为64.13%(95%CI:58.13%~69.73%)。[结论]AI-CAD辅助对高、中、低年资医生预测脑出血早期血肿扩大的准确性均有提升,尤其能显著提高低年资医生发现早期血肿扩大的能力,能够在一定程度上弥补低年资医生工作经验不足的问题。

出血性脑卒中患者血清PDGF-D GDF-15及D-二聚体水平与颅内血肿扩大的相关性

目的分析血清血小板源性生长因子-D(PDGF-D)、生长分化因子-15(GDF-15)及D-二聚体与出血性脑卒中患者血肿扩大的相关性。方法选取2021-01-2023-01厦门大学附属中山医院神经内科诊治的出血性脑卒中患者197例,根据颅内血肿是否扩大分为血肿未扩大组(119例)和血肿扩大组(78例),收集患者基线临床资料。利用酶联免疫吸附试验(ELISA)检测血清PDGF-D和GDF-15水平,采用凝血仪检测血清D-二聚体水平。比较2组患者入院时血肿量(V1)和复查时血肿量(V2),计算V2/V1比值。采用Logistic回归分析颅内血肿扩大的独立危险因素。结果与血肿未扩大组相比,血肿扩大组收缩压[(158.17±21.73)mmHg比(164.82±22.94)mmHg,P<0.05]、舒张压[(97.31±8.93)mmHg比(101.36±9.55)mmHg,P<0.05]、GCS评分[(13.52±1.31)分比(11.78±1.14)分,P<0.05]和血清PDGF-D[(498.73±40.32)ng/L比(596.91±45.82)ng/L,P<0.05]、GDF-15[(728.49±76.71)ng/L比(832.38±86.25)ng/L,P<0.05]、D-二聚体[(1.63±0.10)mg/L比(1.84±0.23)mg/L,P<0.05]水平及V2[(20.53±4.72)cm^(3)比(29.47±5.13)cm3,P<0.05]、V2/V1比值(1.04±0.31比1.42±0.43,P<0.05)均更高。Logistic回归分析显示,PDGF-D、GDF-15、D-二聚体、收缩压、舒张压及GCS评分均为出血性脑卒中患者发生颅内血肿扩大的独立危险因素(分别为OR=1.798、1.672、1.616、1.592、1.583、1.738,P<0.05)。结论血清PDGF-D、GDF-15及D-二聚体水平在发生颅内血肿扩大的出血性脑卒中患者中升高,均为血肿扩大的独立危险因素。

岛征与脑出血血肿扩大关系受血肿部位的影响:来自多中心研究的证据

目的探讨岛征在预测不同部位脑出血血肿扩大的价值。方法搜集2018年1月至2022年8月湖北医药学院附属襄阳市第一人民医院、湖北文理学院附属襄阳市中心医院、湖北理工学院附属黄石市中心医院急诊入院的854例脑出血患者的影像资料和临床资料。根据是否存在血肿扩大,分为血肿扩大组(222例)和非血肿扩大组(63.2例);并按不同部位分层对比一般资料及影像学特征;定量数据组间比较采用Student t检验(或Mann-Whitney U检验)方法,分类据采用卡方(χ^(2))检验(或Fisher精确检验)方法。结果 岛征在基底节区、丘脑不能独立预测血肿扩大(P=0.122、P=0.166),岛征在脑叶可以独立预测血肿扩大(P=0.011)。结论 岛征预测脑出血血肿扩大受出血部位的影响。

老年自发性脑出血患者早期血肿扩大的相关影响因素及护理策略

目的探讨老年自发性脑出血(SICH)患者早期血肿扩大的相关影响因素及护理策略。方法选取2020年1月至2022年12月福建省立医院收治的80例SICH患者作为研究对象,所有患者均于入院后即刻且发病24 h内开展颅脑CT检查,明确血肿扩大的情况,并依据血肿是否扩大分为扩大组及正常组,分别收集2组患者的基础资料,先行单因素分析,再行多因素分析,获得影响SICH患者早期血肿扩大的高危因素。结果80例患者经复查CT检出20例血肿扩大,发生率为25.00%。单因素分析显示,2组间出血量、脑出血部位、血肿形态、发病至首次CT检查时间、入院时收缩压、入院时格拉斯哥昏迷评分(GCS)和神经功能缺损评分(NIHSS)相比,均具有统计学差异(P均<0.05)。多因素Logistic回归分析显示,出血量≥30 mL、脑出血部位为基底核、血肿形态不规则、发病至首次CT检查时间≥3 h、入院时收缩压≥180 mmHg(1 mmHg=0.133 kPa)、入院时NIHSS评分≥15分及GCS评分≤8分均是影响老年SICH患者早期血肿扩大的高危因素(P均<0.05)。结论老年SICH患者早期血肿扩大的风险较高,与出血量、脑出血部位、血肿形态、发病至首次CT检查时间、入院时NIHSS评分等密切相关,临床应针对上述因素开展针对性护理,阻止血肿持续扩大,以改善患者预后。

基于CT图像的高精度血肿检测与脑血肿扩大预测模型研究

目的:开发一种可无缝整合脑出血(CH)患者的血肿扩大(HE)成像数据和临床信息的自动化模型,并评估其预测价值。方法:回顾性收集2016年9月至2020年10月在深圳市第二人民医院及深圳市罗湖区人民医院行颅脑计算机断层扫描(CT)的患者及其临床基线资料。模型训练分为两部分,第一部分是开发出血类型识别模型,纳入了深圳市第二人民医院2836例病例资料;第二部分为开发HE预测模型,纳入了530例CH患者的资料,包括228例HE阳性患者和302例HE阴性患者。外部临床验证队列由深圳市第二人民医院及深圳市罗湖区人民医院收集的共9677例患者组成,与第一队列无重叠。结果:对于出血类型分类模型,2分类模型(是否有CH)的准确度、灵敏度与特异度都达到了100.00%。对于HE病例的预测,基于图像和临床特征训练的深度学习模型在内部测试集和临床验证队列中的受试者工作特征曲线下面积(AUROC)分别为0.865和0.862。结论:深度学习模型对HE的预测快速准确,表明了在临床环境中改进诊断和治疗计划程序的潜力。

原发性脑出血早期血肿扩大的影响因素及列线图预测模型

目的探究原发性脑出血(sICH)患者发生早期血肿扩大(HE)的影响因素,构建预测模型并评估其预测效能。方法回顾性选取西部战区总医院2017年1月-2022年12月收治的sICH患者238例。按照HE超过33%或体积超过6 ml为标准,分为HE组(n=62)与血肿未扩大(NHE)组(n=176);比较两组患者的临床特征(临床症状、实验室检查结果)、CT平扫影像学表现(NCCT)、格拉斯哥昏迷量表(GCS)评分;采用多因素logistic回归分析筛选sICH患者发生HE的危险因素并建模预测HE的概率。采用R语言rms包构建预测sICH患者HE的列线图模型,并构建相关的临床模型、NCCT模型、GCS模型,采用受试者工作特征(ROC)曲线下面积(AUC)分析各模型对sICH患者发生HE的预测效能,采用准确度、敏感度、特异度、约登指数等评估各模型的临床应用价值,采用Delong检验分析各模型预测值的差异。结果HE组与NHE组sICH患者的卫星征、旋涡征、抗凝药物治疗史比较差异有统计学意义(P<0.05)。多因素logistic回归分析结果显示,sICH患者发生HE的危险因素包括首次CT检查时间、均匀度、抗凝药物治疗史、体积、最大径、低密度征、岛征、卫星征及旋涡征(P<0.05)。构建的临床模型、NCCT模型、GCS模型和列线图模型预测sICH患者发生HE的AUC分别为0.672、0.706、0.518和0.754,列线图模型预测的准确度、敏感度、约登指数、AUC值均高于临床模型及NCCT模型。结论首次CT检查时间、均匀度、抗凝药物治疗史、体积、最大径、低密度征、岛征、卫星征及旋涡征是预测sICH患者发生早期HE的独立影响因素;基于以上参数构建的列线图模型预测HE发生的效能较高,具有一定的临床应用前景。

CT平扫征象在自发性脑出血早期血肿扩大的预测价值

目的分析基于CT平扫征象在自发性脑出血患者早期血肿扩大的预测价值。方法回顾性分析我院2021年1月~2023年6月急性自发性脑出血患者169例,根据24 h内复查CT结果分为血肿扩大组(n=55)和非扩大组(n=114)。分析血肿的基线CT征象,并建立“密度异常组”、“形态异常组”及“联合征象组”3种征象组合,采用单因素分析及多因素Logistic回归分析筛选独立危险因素,采用ROC曲线评价各征象及征象组预测血肿扩大的价值。结果每个病例收集了11个影像特征及3种组合特征,其中血肿初始体积及“混合征”、“黑洞征”、“漩涡征”、“岛征”、“密度异常组”、“联合征象组”的组间差异有统计学意义(P<0.05);多因素Logistic回归分析显示“密度异常组”、“联合征象组”为血肿扩大的独立预测因素(P=0.031);“混合征”、“漩涡征”中相对低密度区的体积及“岛征”中最大岛屿的最大径大者更易出现血肿扩大;血肿初始体积及“混合征”、“黑洞征”、“漩涡征”、“岛征”、“密度异常组”、“联合征象组”的曲线下面积分别为0.686、0.668、0.588、0.693、0.627、0.758、0.713。结论CT平扫检查中,代表血肿密度异质性的“密度异常组”及代表密度、形态异常的“联合征象组”对脑出血患者早期血肿扩大有一定的预测价值。

影像学特征预测自发性脑出血血肿扩大的研究进展

自发性脑出血是一种严重威胁人类健康的脑血管疾病,具有发病凶险、死亡率高等特征,其中血肿扩大是预测早期神经功能恶化和预后的一个重要因素,在临床工作中,有效识别有血肿扩大高风险的患者并采取相关治疗策略非常有必要。CT平扫是目前大部分医院首选的影像学检查手段,近年来,国内外开展了诸多围绕ICH血肿体积增大的影像学特征及其发生机制,本文对其相关研究进展进行综述。

探究基于CT增强的点征及列线图模型对脑出血早期血肿扩大的预测价值

目的探究点征及列线图模型预测自发性脑出血(sICH)患者早期血肿扩大的效能。方法收集中国人民解放军西部战区总医院2018年1月至2023年12月期间所有符合标准的210例sICH患者。依据血肿是否扩大超过33%或体积超过6 mL,将患者分为血肿扩大组和血肿非扩大组。通过对比分析两组患者的临床特征及CT影像学表现,运用多因素Logistic回归分析筛选影响血肿扩大的危险因素。借助R语言rms包,构建预测患者血肿扩大的列线图模型。采用曲线下面积(AUC)评估模型区分度,校准曲线评价模型校准度,决策曲线分析(DCA)评估模型临床有效性,并通过准确度、敏感度、特异度及约登指数等指标全面评估模型的预测效能。结果血肿扩大组患者66例,血肿非扩大组患者144例。点征、首次CT检查时间、低密度征、高血压史、均匀度、血肿异质性评分及液平等因素是预测早期血肿扩大的独立影响因素。临床模型AUC值0.680,准确度71.43%,敏感度40.91%,特异度88.89%,约登指数0.2980;点征预测模型AUC值0.838,准确度86.19%,敏感度77.27%,特异度90.28%,约登指数0.6755;列线图预测模型AUC值0.910,准确度87.14%,敏感度86.96%,特异度81.55%,约登指数0.6851。DeLong检验临床模型、点征模型与列线图模型差异有统计学意义。此外,列线图模型预测早期血肿扩大概率与实际发生概率具有较高拟合度。结论本研究构建的基于点征联合首次CT检查时间、低密度征、高血压史、均匀度、血肿异质性评分及液平等因素的列线图模型,在预测sICH患者早期血肿扩大方面具有显著价值,为临床决策提供了有力支持。

基于深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大

目的 探讨基于ResNet50深度残差网络模型的深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大的价值。资料与方法 回顾性分析扬州大学附属江都人民医院2019年1月—2022年12月发病6 h内完成首次平扫颅脑CT,且入院后24 h内复查平扫颅脑CT的自发性脑出血患者235例,按8∶2随机将患者分为训练集188例与测试集47例。在首次平扫颅脑CT上逐层勾画血肿感兴趣区提取影像组学特征。裁剪出最大二维横截面及其上下1 mm和2 mm处二维横截面的感兴趣区图像,输入ResNet50模型行预训练,提取平均池化层的深度学习特征,并将影像组学特征与深度学习特征融合。通过最小绝对收缩与选择算子回归模型分别筛选出最优的影像组学特征、深度学习特征和融合特征,采用支持向量机分类器构建预测模型。使用受试者工作特征曲线和决策曲线分析评价模型效能。结果 在训练集中,深度学习特征模型曲线下面积(AUC)为0.972,高于影像组学特征模型(0.951)和融合特征模型(0.968),差异均无统计学意义(P>0.05)。在测试集中,深度学习特征模型和融合特征模型AUC分别为0.867和0.895,显著高于影像组学特征模型(0.833),差异有统计学意义(Z=1.794、2.191,P<0.05);融合特征模型AUC较深度学习特征模型有所增益,但差异无统计学意义(P>0.05)。在测试集中,决策曲线分析显示融合特征模型获益优于深度学习特征模型和影像组学特征模型。结论 基于ResNet50深度学习特征模型预测早期血肿扩大表现优于影像组学特征模型,而融合特征模型对其预测血肿扩大有增益作用,为临床决策提供一种具有超视觉评估能力的预测工具。

基于CT平扫影像组学深度学习模型预测自发性脑出血早期血肿扩大

目的:探讨基于CT平扫的影像组学特征构建的深度学习(DLR)模型对自发性脑出血(sICH)早期血肿扩大(HE)的预测价值。方法:回顾性分析2015年1月-2022年12月在本院就诊的350例sICH患者的临床及影像学资料。所有患者发病6h内接受首次头颅CT平扫,并根据24 h内复查CT图像上血肿体积是否超过基线CT图像上的33%或6 mL,将患者分为HE组(136例)和非HE组(214例)。随机将患者以8∶2的比例分为训练组(n=280)和验证组(n=70)。对临床和影像学资料进行组间差异检验,筛选出有统计学意义的临床和影像特征。沿血肿边缘逐层手动勾画感兴趣区(ROI),并融合得到血肿的三维容积感兴趣区(VOI);然后,借助软件沿勾画ROI边缘自动外扩2 mm,得到血肿周围组织ROI。利用One-key AI软件分别提取血肿周围组织的影像组学特征和深度学习特征(基于ResNet-50卷积神经网络),联合这两类特征并进行特征筛选,得到混合特征集。基于临床-影像特征、混合特征及前两类特征联合,利用逻辑回归(LR)、朴素贝叶斯(NB)、K最近邻(KNN)、自适应增强(AdaBoost)和多层感知器(MLP)这五种分类器共构建了15个机器学习模型,采用ROC曲线下面积(AUC)评价各模型的诊断效能,确定最优模型作为输出模型,应用决策曲线分析(DCA)评价最佳模型的临床效益。结果:在临床和常规影像征象中,血清D-二聚体水平、血肿形态、漩涡征、混合征和卫星征在HE组与非HE组之间的差异有统计学意义(P<0.05)。自血肿周围组织共提取得到29个混合特征(15个影像组学特征和14个深度学习特征)。在训练组或验证组中,基于联合特征构建的5种机器学习预测模型的效能均高于临床-影像特征和混合特征构建的模型,尤其以训练组中KNN分类器构建的联合模型的预测效能最高(AUC=0.947,95%CI:0.924~0.970),作为本研究的最佳输出模型。DCA显示阈值在0.025~0.980时KNN联合模型获得的临床效益较高。结论:基于CT平扫的血肿周围组织DLR模型可以有效预测sICH早期HE,尤其以联合临床、影像及组学特征构建的KNN分类器模型的预测效能最佳。

院前急救对高血压脑出血血肿扩大的影响

目的探究高血压脑出血(hypertensive cerebral hemorrhage,HICH)患者院前救治过程血肿扩大的危险因素。方法回顾性分析2019年1月至2021年6月经连云港市急救中心转运救治的169例HICH患者的临床资料,根据院前救治期间患者前后两次CT出血量的比较分为血肿扩大组(42例)和血肿未扩大组(127例)。采用多因素Logistic回归分析患者血肿扩大的危险因素。结果血肿扩大组患者入院时的收缩压、血肿体积差均高于血肿未扩大组,降压药、脱水药的使用比例低于血肿未扩大组,转运时间长于未扩大组,差异有统计学意义(P<0.05)。多因素Logistic回归分析显示未使用降压药(OR=48.526,95%CI:7.778~302.737,P=0.001)、未使用脱水药(OR=12.330,95%CI:3.084~49.2%,P=0.001)、入院时收缩压(OR=1.157,95%CI:1.082~1.238,P=0.001)是HICH患者急救转运途中血肿扩大的危险因素;首次出血量(OR=0.893,95%CI:0.849~0.938,P=0.001)可能是血肿扩大的保护因素。结论HICH患者在院前急救过程中,未控制的高血压及较长的转运时间是血肿扩大的危险因素。

头颅CT平扫对自发性脑出血患者早期血肿扩大的预测作用

目的 探讨头颅CT平扫对自发性脑出血患者早期血肿扩大的预测作用。方法 选取200例自发性脑出血患者作为研究对象,所有患者均实施头颅CT平扫。统计分析患者早期血肿扩大发生情况,比较有无早期血肿扩大患者的头颅CT平扫影像学征象。结果 对患者实施头颅CT平扫后发现,200例患者中有42例发生早期血肿扩大,其余158例患者未发生血肿扩大。有早期血肿扩大患者中,28例患者存在岛征、占比66.67%,8例患者存在黑洞征、占比19.05%,37例患者存在卫星征、占比88.10%,39例患者存在混合征、占比92.86%,25例患者存在旋涡征、占比59.52%,14例患者为破入脑室系统、占比33.33%;无早期血肿扩大患者中,11例患者存在岛征、占比6.96%,2例患者存在黑洞征、占比1.27%,13例患者存在卫星征、占比8.23%,55例患者存在混合征、占比34.81%,6例患者存在旋涡征、占比3.80%,4例患者为破入脑室系统、占比2.53%;有早期血肿扩大患者头颅CT平扫影像学征象与无早期血肿扩大患者比较存在显著的差异性(P<0.05)。结论 头颅CT平扫对自发性脑出血患者的早期血肿扩大情况有较好的预测作用。

CT平扫岛征和黑洞征及其联合征象在预测原发性脑出血患者早期血肿扩大中的应用价值研究

目的:研究CT平扫岛征、黑洞征联合征象在原发性脑出血患者预测早期血肿扩大中的应用价值。方法:我院(2022年1月到2023年2月)原发性脑出血患者78例,回顾性分析患者的所有资料,并以是否出现早期血肿扩大为分组依据,将78例患者分为两组,即血肿扩大组,28例,为观察组、非血肿扩大组,50例,为对照组,对比两组患者的相关资料、影像学征象(CT平扫岛征和黑洞征及其联合征象),并开展单因素分析,以Logistic回归分析法,比较CT的预测价值。结果:观察组患者入院时的血肿量、收缩压、高血压史、岛征和黑洞征及其联合征象松成比均高于对照组,P<0.05;观察组GCS评分低于对照组,P<0.05。经Logistic回归分析表示,GCS评分较低、有岛征和黑洞征及其联合征象属于引起原发性脑出血患者早期血肿扩大的独立危险因素,P<0.05。医师对岛征和黑洞征及其联合征象的解读一致性较高,岛征和黑洞征及其联合征象在原性发脑出血患者早期血肿扩大预测中的敏感度分别为29.1%、33.0%、49.2%,特异度为92.1%、93.6%、88.3%。结论:原发性脑出血患者应用CT平扫岛征和黑洞征及其联合征象在预测早期血肿扩大中,具有较高的特异度,特别是联合征象预测,可以为临床提供有力的指导依据,值得推崇。

颅CT平扫联合CTA征象对自发性脑出血血肿扩大的预测价值

目的探究颅CT平扫联合CT血管造影(CTA)征象对自发性脑出血血肿扩大的预测价值。方法选取我院收治的86例自发性脑出血患者,均行颅CT平扫及增强扫描。根据入院24h内颅CT复查分为扩大组(31例)和非扩大组(55例)。比较两组临床资料及影像特征,影响因素分析用多因素logistic回归分析,预测价值通过绘制受试者工作特征曲线(ROC曲线)分析。结果经logistic回归分析,CT平扫混合征比例、CTA斑点征比例、总碘浓度及最大碘浓度是影响患者血肿扩大的重要影响因素(P<0.05)。经ROC曲线分析,CT平扫混合征、CTA斑点征、总碘浓度、最大碘浓度联合预测血肿扩大的AUC(0.922)最大。结论颅CT平扫联合CTA征象可提高自发性脑出血血肿扩大的预测价值。

自发性脑出血早期血肿扩大的危险因素及相关研究进展

急性自发性脑出血(ICH)是临床死亡率最高的脑卒中类型,入院后血肿扩大与ICH后病情恶化、不良预后及死亡率密切相关。本文就影像学预测ICH早期血肿扩大的危险因素及相关研究进展进行综述。