BRAIN 評分聯合CT Barras 分級在腦出血血腫擴大中的預測價值

侯文仲 陳向林

廣州醫科大學附屬第六醫院（清遠市人民醫院）腦血管病科，廣東清遠 511518

自發性腦出血（spontaneous intracerebral hemorrhage，SICH）是指非創傷性的腦實質內或非腦室系統局灶性的血液集聚并多伴隨快速進展的神經功能障[1,2]。其發病率僅次于缺血性腦卒中，位居所有卒中的第2 位，占10%～15%，致死、致殘率較高[3]。在發病早期，約有30%的患者會出現血腫擴大(hematoma expansion，HE)，臨床一般認為血腫體積增大13%～32%會明顯引起預后向更差的方向發展[4]。同時有研究證實，對有HE 風險的患者進行早期干預可以降低血腫增大的發生概率[5-7]。研究者在2014 年基于一項前瞻性研究提出BRAIN 評分，分數增加伴隨著腦HE 發生的可能性上升，對SICH 患者HE 有較好預測效能[8]，但其存在一定的局限性，未能充分考慮到血腫的影像學特征，而血腫影像學特征已被大量的研究證實是HE 的獨立危險因素，Barras 形態密度分級是基于非增強CT 的血腫的形態及密度分級方法，研究證實分級越高，伴隨擴大風險越高，形態及密度異質性是HE 的獨立危險因素[9]。本研究通過對SICH 患者臨床資料收集分析，探討BRAIN 評分聯合CT 形態密度分級對HE 的預測價值。

1 資料與方法

1.1 一般資料

回顧性分析2017 年4 月至2021 年3 月廣州醫科大學附屬第六醫院（清遠市人民醫院）收治的150例SICH 患者，按照血腫是否擴大分為HE 組（n=55）和非HE 組（n=95），其中男98 例，女52 例。納入標準：①SICH診斷符合《中國腦出血診治指南（2019）》[10]的腦出血診斷標準；②血腫主體位于腦實質，破入腦室內的血腫不超過腦室體積的1/3；③發病后在6h 內及24h 內分別完成首次CT 檢查及首次CT 復查；④年齡＞18 歲。排除標準：①因顱內血管畸形、動脈瘤及煙霧病等腦血管病及外傷、腫瘤卒中引起的出血；②入院即有手術指征并實施手術干預者。兩組一般資料比較，差異無統計學意義（P＞0.05），具有可比性。本研究獲廣州醫科大學附屬第六醫院（清遠市人民醫院）倫理委員會的批準(倫理學審批號：IRB-2020-073)，并取得患者或家屬的知情同意。

1.2 方法

1.2.1 資料收集 ①基線數據收集：人口學信息包括患者的年齡、性別、有無高血壓病史、糖尿病史、抗凝藥物治療史，過敏史及其他特殊疾病史。臨床信息包括入院的完成格拉斯哥昏迷指數評分（Glasgow coma scale，GCS）、生命體征及實驗室檢查資料。高血壓病定義為：既往確診高血壓病史，或收縮壓≥140mmHg（1mmHg=0.133kPa），或舒張壓≥90mmHg，或使用降壓藥物。糖尿病定義為：自我報告的糖尿病史或使用降糖藥物。②24分制BRAIN 評分相關資料收集：根據基線腦出血量、復發性腦出血、抗凝藥物的使用、出血破入腦室和發病至首次CT 的時間，完成BRAIN 評分。見表1。③影像學資料：原始DICOM 圖像均由GE 公司的64排螺旋CT 掃描完成，層厚為5mm，螺距為1。收集患者發病后6h 內的首次CT 和發病后24h 內復查CT資料，包括初始血腫位置、體積、是否破入腦室、增大后血腫體積等。血腫體積計算方法是根據多田公式計算得出，V（出血量）=血腫體積＝π/6×長（cm）×寬（cm）×層面數[11]。HE 定義為血腫體積較前增加33%或增加超過6ml，只要滿足上述兩項條件中的一條即認定為HE。同時對6h 內的首次CT 結果進行形態及密度分級，分級方法參考Barras 形態密度5級評分量表[9]。其中形態分級的標準為血腫周圍存在或不存在與血腫接壤或不接壤的小血腫；密度分級需要滿足以下幾點要求：血腫分為相對高密度區和相對低密度區兩部分；高低密度區有明顯界限且肉眼可分辨；高低密度區CT 值差異至少大于18Hu。形態分級Ⅰ～Ⅱ級定義為形態規則，Ⅲ～Ⅴ級為不規則；密度分級Ⅰ～Ⅱ級為密度均勻，Ⅲ～Ⅴ級為不均勻，見圖1。所有影像資料的收集及分析隨機分配，并由廣州醫科大學附屬第六醫院（清遠市人民醫院）影像科兩名職稱為副高級以上的醫師單獨完成，若結論若存在爭議，則兩位閱片醫師協商后確定。

表1 BRAIN 評分量表

圖1 形態分級和密度分級示意圖

1.3 觀察指標

根據BRAIN 評分標準統計每位病例的4 個指標，計算BRAIN 分數。將BRAIN 評分劃分為4 個區間，分別為0～5 分、6～9 分、10～11 分、12～24 分，應用受試者工作特征曲線（receiver operating characteristic curve，ROC）評估BRAIN 評分與分別聯合形態分級、密度分級后對HE 的預測結果，計算其敏感度、特異性，曲線下面積（area under the cure，AUC）。

1.4 統計學方法

采用SPSS 26.0 統計學軟件對數據處理進行分析，采用單因素和多因素Logistic 回歸對HE 的影響因素進行分析。采用Kolmogorov-Smirnov（K-S）檢驗對計量資料進行正態性分析，符合正態分布的計量資料以均數±標準差（）表示，組間比較采用t檢驗。非正態分布的計量資料以中位數（四分位數間距）[M（Q1，Q3）]表示，組間比較采用秩和檢驗。計數資料采用例數（百分比）[n（%）]表示，組間比較用χ2檢驗。P＜0.05 為差異有統計學意義。

2 結果

2.1 基本臨床資料分析

兩組使用華法林抗凝、GCS 評分、BRAIN 評分、初始血腫體積、發病至首次CT 時間、形態分級與密度分級比較，差異均有統計學意義（P＜0.05）。兩組在性別、年齡、高血壓病史、糖尿病病史、血腫破入腦室、入院收縮壓、舒張壓等方面，差異均無統計學意義（P＞0.05），見表2。

表2 患者基本臨床資料統計結果

2.2 BRAIN 評分模式預測結果

隨著BRAIN 評分范圍的增加，對應區間的出血率隨之上升，尤其在BRAIN 評分≥10 分時，HE 占比有明顯上升趨勢，見表3。

表3 BRAIN 評分模式預測結果

2.3 BRAIN 評分模式聯合形態分級、聯合密度分級模式預測結果

本研究將形態分級和密度分級與BRAIN 評分相結合，表4 和表5 分別展示了BRAIN 與形態分級相結合，以及BRAIN 與密度分級相結合的四分區評分效果。形態分級＜Ⅲ級為形態規則，≥Ⅲ級為不規則；密度分級＜Ⅲ級為形態規則，≥Ⅲ級為不規則。隨著BRAIN 評分區間的提高，兩種組合的HE 占比都在同步上升，與實際臨床診斷一致。

表4 BRAIN 評分和形態分級結合模式預測結果

表5 BRAIN 評分和密度分級結合模式預測結果

2.4 各評分模式的指標比較

BRAIN 評分與密度分級、形態分級相結合，在敏感度、特異性和AUC 指標上都好于單純的BRAIN評分標準，且BRAIN 評分與形態分級相結合時，3項指標結果為最佳，見表6。3 種評分模式的ROC曲線見圖2。

表6 各評分模式的指標比較

圖2 各評分模式的ROC 曲線

3 討論

SICH 是一種動態的過程，發病后在早期會有20%以上的患者出現嚴重的神經功能障礙，其中最一個主要原因就是早期的HE，目前平均發生率約為30%[12]，而其中相當大一部分的HE 有可預測性。在目前已知的大多數識別HE 風險的評分系統[8,9,11-13]中，計算機體層血管成像（computed tomography angiography，CTA）斑點征是HE 的最強預測因子[14]。但很多醫院并不能全天候完成CTA 檢查，且在起病初期尚未明確時，CTA 檢查并非首選，使用存在局限性。

Wang等[8]提出的BRAIN 評分系統是一種操作簡單且具有明確預測價值的評分系統。其中的包括基線腦出血量、復發性腦出血、抗凝藥物的使用、出血破入腦室和發病至第1 次CT 的時間5 項參數。BRAIN 評分中有1 項重要的參數是復發性腦出血，Barras等[9]的一項研究顯示，復發性腦出血每年的發病率約為2%，而本研究并無此類病例入組，考慮與入組樣本量數量偏少有一定關系。

此外BRAIN 評分中無影像學相關指標，而目前已有諸多研究證實有些非增強CT 的影像學特征是HE 的獨立危險因素[15]。Barras 提出的形態密度分級具有簡單、便于操作及可靠等優點。基于此，本研究使用Barras 的血腫形態密度5 級分級量表聯合BRAIN 評分，以期提升對HE 的預測效能。本研究數據表明，BRAIN＞10 分者，出現HE 的概率明顯上升，而形態和密度分級也體現為Ⅲ級，即形態密度分級≥Ⅲ級，HE 的發生率也有明顯上升。ROC 曲線分析表明，若將BRAIN 評分與形態分級結合后，在敏感度、特異性和AUC 指標上都好于其他模式，可見與單獨BRAIN 評分相比，血腫形態密度分級與BRAIN 評分聯合使用后，預測效能有一定的提升，可有效幫助臨床醫生預判患者的HE 的風險，并可積極地采取干預措施以降低HE 導致的神經功能障礙加重的風險。

但是，本研究也存在局限性，一般將HE 定義為血腫體積較前增加33%或增加超過6ml。此種方法已被以往的針對HE 的研究廣泛采用，然而其可能存在一定程度的誤差，因為多田公式的算法在體積偏小的情況下，由于掃面層面的不同可能會導致誤差相對偏大，還有部分血腫形態不規則也可能導致血腫量計算出現誤差，從而影響準確性，此外，本研究樣本量僅為150 例，有待于通過擴大樣本量進一步驗證。綜上所述，結合BRAIN 評分與密度形態分級是識別HE的有效方法，而且具有簡單易操作的特點。