Artículo original: Yu, F., Yang, M., He, C. et al. CT radiomics combined with clinical and radiological factors predict hematoma expansion in hypertensive intracerebral hemorrhage. Eur Radiol 35, 6–19 (2025).
DOI: https://doi.org/10.1007/s00330-024-10921-2
Sociedad: European Society of Radiology (@myESR)
Palabras clave: Hypertensive intracerebral hemorrhage, Hematoma expansion, Radiomics, Machine learning, Prediction model
Abreviaturas y acrónimos utilizados: AUC (area under curve), HE (hematoma expansion), TC (tomografía computerizada)
Línea editorial: European Radiology es la revista oficial de la Sociedad Europea de Radiología (ESR). Publica artículos revisados por pares sobre todos los aspectos de la radiología diagnóstica y terapéutica, con énfasis en estudios clínicos, avances tecnológicos y nuevas metodologías (IA, imagen molecular), contando también con secciones especiales con comentarios de invitados en muchas de sus entregas. Es de periodicidad mensual y tiene un alto factor de impacto en comparación con muchas otras revistas de nuestra disciplina, entrando en el primer cuartil (Q1). Además de ser el órgano editorial de la Sociedad Europea de Radiología, agrupa también a numerosas organizaciones científicas internacionales como las sociedades europeas de imagen cardíaca, radiología de urgencias, abdominal, neurorradiología, imagen oncológica, etc. Destacaría dos artículos de esta entrega además del presente: uno sobre ventajas y desventajas del cribado de cáncer de pulmón ya que es un tema de actualidad, controvertido en nuestro entorno y que resume muy bien la evidencia actual al respecto; y otro sobre el uso de la resonancia de cuerpo entero en pacientes de traumatismo leve-moderado ya que es una aproximación novedosa, libre de radiación ionizante a una situación frecuente de la guardia en una población que por sus características es especialmente susceptible.
Motivos para la selección: He seleccionado este trabajo por varios motivos. En primer lugar, el artículo aborda una técnica o patología de alta relevancia para la práctica neurorradiológica. Creo que también destaca como se comentará más adelante por una metodología muy sólida, y por último, se alinea con mis intereses personales sobre neurorradiología y radiómica e IA. Además, en nuestro entorno cercano es un tema que se está investigando y desarrollando muy fructíferamente ya que el premio al mejor trabajo publicado en la Revista Radiología durante los años 2022 y 2023 trata precisamente sobre clasificadores de aprendizaje supervisado no lineales basados en radiómica para predecir el pronóstico funcional en pacientes con hematoma intracerebral espontáneo, artículo encabezado por la Dra Serrano y colaboradores comentado por Andreu Ivars en el número de enero de 2024 del club bibliográfico.
Resumen:
El hematoma intracerebral espontáneo de etiología hipertensiva es la forma más común de hemorragia intracerebral. La expansión de estos hematomas (HE por sus siglas en inglés) es una complicación frecuente y potencialmente fatal, responsable de una alta tasa de mortalidad y discapacidad, estimándose que por cada 4ml de expansión aumenta hasta un 20% la probabilidad de discapacidad tras el evento. A pesar de que los métodos tradicionales de predicción basados en características clínicas del paciente y signos radiológicos han sido útiles, su precisión y aplicabilidad clínica son limitadas debido a la subjetividad en la detección de estos signos y la variabilidad inter-observador. Este estudio propone un modelo híbrido innovador que combina características radiómicas con factores clínicos y signos radiológicos convencionales, logrando una evaluación más objetiva, precisa y personalizada del riesgo de HE. La radiómica permite extraer información de características de las imágenes que no pueden reconocerse a simple vista, reflejando así la heterogeneidad de las lesiones. Múltiples estudios han demostrado que la radiómica puede ser un método valioso para mejorar el diagnóstico, el tratamiento y el pronóstico de diferentes enfermedades y escenarios. Este estudio empleó 1218 características radiómicas extraídas de las imágenes segmentadas.
El diseño del estudio es retrospectivo y multicéntrico, incluyendo 794 pacientes con hematoma intracerebral de etiología hipertensiva procedentes de tres centros entre 2017 y 2023. La muestra se dividió en cohortes de entrenamiento (555), validación (239) y prueba (77). Para la selección de esta muestra, los criterios de inclusión fueron pacientes que se realizaron una TC inicial en las primeras 24 horas del inicio de los síntomas, otra de reevaluación dentro de las 24h siguientes y que presentaban un antecedente conocido de hipertensión. Se excluyeron aquellos con hemorragias secundarias: transformaciones hemorrágicas de infartos isquémicos o intervenciones quirúrgicas previas. También aquellos que se trataron antes de la TC de reevaluación, imágenes de mala calidad o que no se pudieran segmentar.
Posteriormente, se segmentaron los hematomas para el cálculo de sus volúmenes, seguido de la extracción de 1218 características radiómicas relacionadas con la forma, textura y densidad del hematoma. Estas características fueron sometidas a un proceso de selección y reducción dimensional (esto es, en estadística, el proceso de reducción del número de variables aleatorias que se trate) para identificar las 29 más relevantes, utilizando técnicas avanzadas como la regresión LASSO y el análisis de correlación. Posteriormente, tras su normalización se construyó un RadScore y con él tres modelos predictivos: uno basado exclusivamente en características radiómicas, otro en factores clínicos y signos de imagen convencionales, y un modelo híbrido que combinaba ambos. Los factores clínicos incluidos eran: puntuación en la escala de coma de Glasgow al ingreso, ser fumador y el tiempo hasta la realización de la primera TC. Los signos de imagen convencionales eran: el volumen inicial en la primera TC, la forma irregular (3 o más lobulaciones), y el signo de la mezcla o blend sign (esto es, un hematoma heterogéneo, con dos componentes bien definidos: un área de hipodensidad relativa con una región hiperdensa adyacente). El RadScore (o puntuación radiómica) es una métrica cuantitativa derivada de las características radiómicas seleccionadas diseñada para predecir de forma precisa y objetiva la HE. El modelo híbrido se estableció como el más preciso, con un área bajo la curva (AUC) de 0.901, 0.838 y 0.917 en las cohortes de entrenamiento, validación y prueba, respectivamente. En comparación, los modelos basados únicamente en radiómica o en factores clínicos presentaron AUC significativamente menores. Además, los autores incluyen el diseño de un nomograma (herramienta gráfica utilizada para representar un modelo predictivo en términos de una escala visual, facilitando la interpretación y aplicación clínica de los resultados), que proporcionaba una forma intuitiva y rápida de integrar los múltiples predictores.
Desde una perspectiva clínica, este modelo híbrido tiene implicaciones relevantes: permite una estratificación temprana del riesgo de HE, lo que a su vez facilita intervenciones más apropiadas como el control agresivo de la presión arterial, la monitorización de la presión intracraneal y, en algunos casos, la planificación precoz de intervenciones quirúrgicas. Además, la capacidad del modelo para priorizar a los pacientes con mayor riesgo optimiza el uso de los recursos médicos, mejorando la eficiencia y la calidad de la asistencia. Esto es particularmente relevante en entornos de recursos limitados, donde la identificación precisa de los pacientes más vulnerables puede marcar una diferencia crítica.
Valoración personal:
Me ha parecido un trabajo muy interesante y robusto metodológicamente, especialmente para profundizar en el estudio de radiómica. Mientras que trabajos anteriores se han centrado en modelos predictivos basados exclusivamente en factores clínicos, signos radiológicos convencionales o radiómicos, este trabajo combina por primera vez estos tres enfoques en un único modelo híbrido. Esta integración permite una evaluación más completa y precisa, maximizando la capacidad predictiva. Ciñéndonos a la revisión, creo que tiene varios puntos fuertes y débiles a desarrollar
Puntos fuertes
-Diseño multicéntrico: aumenta la generalización del modelo y sus resultados
-Validación externa: este estudio divide la cohorte en tres conjuntos independientes: entrenamiento, validación y prueba. La cohorte de entrenamiento se utiliza para construir y ajustar el modelo, identificando las relaciones entre las características radiómicas, clínicas y radiológicas. La cohorte de validación sirve para evaluar el rendimiento del modelo en un conjunto diferente al de entrenamiento, garantizando que no se dependa exclusivamente de los patrones presentes en los datos de entrenamiento; y la de prueba simula la aplicación del modelo en una población nueva y diversa.
-Prevención del sobreajuste u overfitting: el overfitting en radiómica se refiere a un fenómeno estadístico en el que un modelo de aprendizaje automático, entrenado para clasificar características de imágen se ajusta demasiado a los datos específicos de entrenamiento, perdiendo la capacidad de generalizar a nuevos datos o situaciones.
-Diseño de un nomograma: permite integrar información compleja multivariable en un formato sencillo y útil
-Criterios de inclusión y exclusión bien definidos y detallados, así como el diseño de subconjuntos.
-Tablas, imágenes y diagramas muy ejemplificadores
Puntos débiles
-Sesgo de selección retrospectiva: el diseño retrospectivo hace que se excluyan pacientes que no cumplen criterios estrictos (imágenes no disponibles o de mala calidad) lo cual podría sesgar la población hacia aquellos con características específicas mejor documentadas.
-Segmentación de los hematomas: la segmentación semiautomática del hematoma, realizada por dos radiólogos, introduce variabilidad. Aunque se usó el cociente de correlación intraclase para evaluar el acuerdo, la dependencia de observadores humanos puede generar variabilidad en los volúmenes.
-Ausencia de validación prospectiva
Creo que es un trabajo cuya metodología puede servir como referencia para el estudio de fundamentos de estadística en radiómica. La selección de características radiómicas mediante regresión LASSO y la validación cruzada de algoritmos de aprendizaje automático refuerzan la estabilidad y precisión del modelo. Estudios anteriores no lo implementaban, lo que los hacía más susceptibles al sobreajuste. Este trabajo no solo evalúa la capacidad predictiva de los modelos mediante métricas estándar como AUC, sensibilidad y especificidad, sino que también utiliza análisis avanzados como el Índice de Reclasificación Neta (NRI) y la Mejora de Discriminación Integrada (IDI). Estas métricas permiten una comparación más detallada entre modelos, evidenciando que el modelo híbrido supera otros enfoques. Globalmente, creo que es un artículo valioso para actualizarse en un tema de interés en neurorradiología así como para orientar futuras líneas de investigación en este escenario clínico que se traduzcan en herramientas reales de nuestra práctica clínica.
Sociedad: European Society of Radiology (@myESR)
Sección y órgano-sistema: Neurorradiología
Técnica radiológica: TC
Tipo de artículo: original de investigación
Año de residencia recomendado: R2-R3
Clemente García-Hidalgo
Hospital General Universitario Morales Meseguer, Murcia, R1
@torkitorYT
cbseram.com 
Deja un comentario