Small Intracerebral Hemorrhage: Baseline CT Edema-to-Hematoma Ratio as an Independent Predictor of Early Expansion [EMERGENCY NEURORADIOLOGY]

體積小於 30 mL 的腦出血通常被認為相對安全，但實際上卻有 20.1% 的病患會在追蹤時發生早期血塊擴大。這篇 AJNR 最新研究指出一個違背直覺的現象：腦出血周邊的「水腫越少」，擴大風險反而越高。

探討小體積腦出血：為何初始水腫越少反而越危險

在急診放射科的日常閱片中，遇到大體積且伴隨明顯中線偏移的腦出血，通常會立刻通報神經外科進行手術評估；然而，面對 NCCT (Non-contrast CT, 無顯影劑腦部電腦斷層) 測量體積小於 30 mL 的初始血塊，臨床上的警戒心往往會降低。這類病患大多被歸類為低風險，傾向安排保守的血壓控制與一般病房觀察。即便如此，早期血塊擴大（Early hematoma expansion）依然可能在黃金 24 小時內發生，導致神經功能斷崖式惡化。如何在這類所謂的「安全區」內精準抓出高危險群，一直是急診影像分級的重要挑戰。

過去預測血塊擴大主要依賴肉眼辨識的影像特徵，例如混雜密度徵（Blend sign）或黑洞徵（Black hole sign），但這些徵象高度依賴閱片者的主觀經驗，且在小體積血塊中往往不夠明顯。本篇研究的作者將焦點轉向另一個長期被低估的量化指標：EHR (Edema-to-hematoma ratio, 水腫體積除以血塊體積的比值)。研究團隊提出了一個在病理生理學上極具說服力，卻又略顯反直覺的假設：在基線影像上，血塊周邊的 PHE (Perihematomal edema, 腦出血周邊的實質水腫) 越少，代表該次出血的擴大風險越高。

從血管破裂的時間軸來看，這個假設非常合理。血液溢出血管外形成血塊是一個相對快速的動態過程，但周邊腦實質受到血漿蛋白擠壓、發炎反應激活以及凝血酶刺激進而產生血管性水腫，則需要數小時甚至數天的時間累積。因此，如果在急診第一筆影像上，我們看到一個具有一定體積的血塊，但其周圍幾乎沒有一圈低密度的水腫暈環（亦即 EHR 極低），這強烈暗示該出血點是「剛剛才破裂」的超急性期病灶。此時，受損血管的凝血栓塞尚未穩固，活躍出血仍在進行中，血塊在接下來幾個小時內持續擴大的機率自然大幅上升。

相對地，如果基線影像上已經出現了明顯的周邊水腫（高 EHR），代表從血管破裂到病患接受掃描之間，已經過了一段足夠長的時間讓水腫生成。這意味著活躍出血的高峰期極可能已經過去，血管破口已經形成穩定的血栓，後續發生戲劇性體積擴展的風險反而較低。作者正是立基於這個時間差的病理機制，試圖將 EHR 轉化為急診床邊可用的客觀預測工具。

分析保守治療病患與 AI 輔助的立體測量技術

為了驗證上述假設，研究團隊回溯性分析了 219 位在急診接受保守治療的小體積腦出血病患。這裡的「保守治療」定義為在進行第一次追蹤 CT 之前，病患並未接受任何開顱手術或腦室引流介入；而「小體積」則嚴格界定為基線 NCCT 上的血塊體積小於 30 mL。研究的主要臨床終點（Primary outcome），設定為在第一次追蹤 CT 影像上是否發生二元化的「早期血塊擴大」。

然而，要精確計算 EHR 存在一個巨大的技術障礙：水腫體積的測量。傳統臨床上常使用長寬高相乘除以二的 ABC/2 公式來估算血塊體積，但這種二維幾何近似法在測量水腫時幾乎完全失效。因為腦出血周邊的水腫往往沿著白質纖維束不規則蔓延，形狀猶如手指般參差不齊，若用簡單的橢球體公式套用，會產生極大的誤差。為了解決這個瓶頸，作者導入了 AI-assisted 3D volumetry (自動勾勒血塊與周邊水腫的立體測量技術)。

透過這套深度學習演算法，系統能逐層（Voxel-by-voxel）精準切割出高密度的急性血塊邊界，以及周邊低密度的水腫範圍，進而計算出真實的三維體積（以 mL 為單位）。有了精確的 HV (Hematoma volume, 初始血塊總體積) 與水腫體積，系統就能自動相除得到 EHR 的精確數值。這種自動化測量不僅消除了人工畫圈的觀察者間誤差，也讓微小的體積變化得以被量化捕捉。

在統計分析階段，為了釐清 EHR 是否為一個獨立的預測因子，作者建立了一個涵蓋多項臨床干擾變數的多變數邏輯斯迴歸模型。納入校正的變數除了 HV 與 EHR 之外，還包括了病患年齡、出血是否位於深層解剖位置（例如基底核或丘腦）、是否存在 IVH (Intraventricular hemorrhage, 血液流進腦室內部的併發症)，以及病患到院前的抗凝血劑使用狀態。為了確保模型不會過度擬合（Overfitting）該單一醫院的數據，團隊更嚴謹地採用了 5-fold cross-validation (將數據分五份輪流訓練與測試的防過擬合技術) 來驗證模型的鑑別力與校準度。

多變數迴歸分析：水腫比例與勝算比的真實數據

將焦點拉到研究的核心結果，在這 219 位小體積腦出血的病患中，共有 44 位在追蹤影像上出現了早期血塊擴大，整體發生率落在 20.1%。這首先印證了一個臨床現實：即便是小於 30 mL 的出血，仍有五分之一的病患面臨惡化風險，絕對不容忽視。

經過多變數邏輯斯迴歸模型的嚴格校正後，數據呈現出非常清晰的雙向拉扯效應：較低的 EHR 與較大的初始血塊體積（HV），兩者皆為早期擴大的獨立預測因子。具體來說，在基線 CT 上，EHR 每增加 0.10 的單位，病患發生血塊擴大的調整後勝算比（Adjusted Odds Ratio, aOR）就會顯著下降 23%（aOR, 0.77；95% CI, 0.66–0.88）。這證實了我們先前提到的病理推論：水腫生成得越多，代表出血事件發生得越久，活躍出血停止的機率越高。

另一方面，初始血塊的絕對體積依然扮演著推波助瀾的角色。數據顯示，HV 每增加 5 mL，早期擴大的勝算比就會隨之上升 37%（aOR, 1.37；95% CI, 1.09–1.73）。這意味著一個 25 mL 的血塊，即使同樣屬於小體積範疇，其內在的不穩定性與擴大動能，本質上就比一個 10 mL 的血塊來得兇猛。血塊越大，其表面張力與周邊微血管床承受的局部壓迫力道越強，再次破裂滲血的機率自然更高。

在預測模型的整體表現上，結合了 HV、EHR 以及其他臨床變數的多變數模型，展現了優異的鑑別力。該模型的曲線下面積（AUC）達到了 0.748，在統計上顯著優於單獨使用血塊體積（AUC, 0.700）或是單獨使用 EHR（AUC, 0.672）。這凸顯了單一指標的侷限性，唯有將「空間大小（體積）」與「時間長短（水腫比例）」交互參照，才能描繪出最真實的風險輪廓。

除了 AUC 之外，模型的校準度（Calibration）也是決定其臨床實用性的關鍵。該模型的截距（Intercept）為 -0.17，斜率（Slope）為 0.92，更重要的是其 Brier score (評估預測機率與實際發生率誤差的指標) 僅為 0.141。一個接近 0 的 Brier score 意味著模型所輸出的預測機率，與真實世界觀察到的發生率高度吻合。舉例來說，當模型預測某位病患有 20% 的擴大風險時，在類似條件的群體中，真的就大約會有 20% 的人發生擴大，不會出現嚴重的高估或低估。

建立高風險床邊指標：體積與水腫的雙重閾值

雖然多變數模型提供了精準的機率計算，但在分秒必爭的急診室裡，臨床醫師需要的是一個可以瞬間做出決策的二分法規則。為此，作者運用了 Youden-index (找出敏感度與特異度總和最大的最佳切點)，將連續型的變數轉換為簡單明瞭的床邊預測閾值。他們發現，將 HV 的切點設定在 9.2 mL，並將 EHR 的切點設定在 0.683 時，能夠創造出最大的風險梯度。

這個床邊預測指標（Bedside rule）的使用邏輯非常直觀：當一位病患的基線血塊體積大於或等於 9.2 mL，且其水腫對血塊的體積比例小於或等於 0.683 時，該病患就被歸類為「高風險表型」。在研究的世代中，符合這個高風險雙重條件的病患，其早期血塊擴大的發生率高達驚人的 39.3%。這代表每三個符合條件的病患中，就有超過一個會在短時間內出現血塊急遽增長。

作為強烈的對比，如果病患並未同時符合這兩項條件（例如血塊非常小，或是雖然血塊超過 9.2 mL 但周邊已經有充沛的水腫，EHR 大於 0.683），他們就被歸類為「低風險參考組」。在這群病患中，早期擴大的發生率陡降至僅有 4.4%。從 4.4% 到 39.3%，這個簡單的雙重閾值規則，在臨床上拉出了一個接近 9 倍的巨大風險落差。

對於急診放射科醫師而言，這個指標的價值在於它提供了一個非常具體的操作指引。當系統算出的血塊體積逼近 10 mL 這個門檻時，我們不能再只是寫下一句「無中線偏移」就草草發布報告。我們必須進一步檢視 EHR。如果 EHR 低於 0.683（亦即水腫體積還不到血塊體積的七成），我們就應該在報告的結論欄位強烈示警，提醒神經內外科團隊密切監控血壓，並考慮將 24 小時的常規追蹤 CT 提前至 6 小時內執行。

影像技術的臨床限制與未來整合 PACS 的挑戰

儘管這項研究為小體積腦出血的風險分層提供了極具潛力的量化工具，但在廣泛應用於常規放射科工作流程之前，仍有幾個不容忽視的適用邊界與限制。首先，這是一項回溯性研究，且病患皆來自單一地區（嘉義學院附屬第二醫院），這意味著 9.2 mL 與 0.683 這兩個極度精確的切點，可能帶有一定程度的地域性或人種特異性。不同族群的凝血功能、高血壓病史分佈，甚至就醫延遲的時間差異，都可能導致最佳切點的漂移。

其次，也是實務上最大的阻礙，在於高度依賴 AI 立體測量技術。雖然 AI 在學術研究中展現了完美的切割能力，但在真實世界的醫院裡，多數急診 PACS 系統尚未內建這類能即時輸出三維水腫體積的軟體。要求值班醫師在半夜三點用手動方式逐層圈選不規則的 PHE 來計算 EHR，既不切實際也缺乏重現性。如果在沒有 AI 輔助的環境下強行使用二維公式估算水腫，產生的 EHR 誤差極大，反而可能誤導臨床決策。

再者，這項研究並未將發病到掃描的絕對時間（Time from onset to CT）直接作為變數進行嚴格配對。雖然 EHR 本質上就是時間的代理指標，但如果能進一步釐清發病 2 小時內與 4 小時內的 EHR 演進曲線，這個預測模型將會更具說服力。未來的研究方向，勢必要走向多中心的前瞻性試驗，並將 AI 測量模組直接無縫嵌入 CT 掃描儀的後處理工作站中，讓 EHR 數值能像 HU 值一樣，成為每張腦出血影像自帶的基礎參數。

總結來說，這篇文獻為我們提供了一個極具洞察力的看片視角。即使你所在的醫院目前沒有 AI 測量軟體，這個病理概念依然能應用於日常閱片中。下次在急診看到一顆剛好落在 10 到 20 mL 之間的基底核出血時，請刻意將 Window width / Window level 調窄，仔細觀察血塊周圍的低密度暗暈。如果你發現這顆血塊異常「乾淨裸露」，幾乎沒有水腫包裹，請立刻提高警覺，因為那正是活躍出血正在無聲擴張的危險訊號。

看到小體積且幾乎無水腫的血塊，請直接視為擴大高風險群，並強烈建議縮短追蹤間隔。