编辑推荐：
经导管主动脉瓣置换术（TAVR）后中重度二尖瓣反流（MR）影响患者预后，但相关影响因素不明且缺乏有效预测模型。研究人员开展用机器学习技术识别 TAVR 术后 MR 风险因素及构建预测模型的研究，发现随机森林模型预测性能最佳，有助于临床决策。
在心血管疾病的治疗领域，主动脉瓣狭窄（AS）是老年人群中常见的瓣膜疾病。一旦出现症状，患者的死亡率会急剧上升。经导管主动脉瓣置换术（TAVR）为严重 AS 患者带来了新的希望，成为一种安全有效的治疗方式并在临床广泛应用 。然而，TAVR 术后的并发症问题却不容忽视。许多接受 TAVR 治疗的患者同时伴有二尖瓣反流（MR），虽然多数患者术后 MR 有所改善，但仍有大约 30% 的患者术后存在中重度 MR。这一并发症与死亡率增加密切相关，严重影响患者的预后。目前，导致 TAVR 术后中重度 MR 的因素尚不明确，也缺乏有效的预测模型来指导临床实践，这就像在黑暗中摸索，医生难以提前判断哪些患者术后发生中重度 MR 的风险较高，进而无法及时采取针对性的干预措施。
为了解决这些难题，复旦大学附属中山医院的研究人员开展了一项极具意义的研究。他们希望通过研究找出 TAVR 术后中重度 MR 的风险因素，并构建预测模型，以便更好地预测这种并发症，提高患者的长期治疗效果，帮助医生做出更明智的决策。该研究成果发表在《BMC Cardiovascular Disorders》杂志上。
研究人员采用了多种关键技术方法。他们进行了单中心回顾性队列研究，收集了 2014 年 8 月至 2023 年 8 月在复旦大学附属中山医院接受 TAVR 患者的术前、术后数据，包括超声心动图、CT 检查结果和术中经食管超声心动图等。在数据分析阶段，运用了多种机器学习（ML）算法，如随机森林（RF）、梯度提升决策树、Logistic 回归（LR）等构建预测模型。同时，使用 Shapley 加性解释（SHAP）值评估各特征对预测结果的贡献。
在研究结果部分：
- 患者基本情况：研究共纳入 987 例患者，术前 247 例（25%）存在中重度 MR，术后 132 例（14%）出现中重度 MR，其中 28 例（21.2%）MR 程度加重。
- 影响因素分析：通过 Logistic 回归（LR）分析，确定了一些与中重度 MR 相关的独立预测因素，如经皮冠状动脉介入治疗史、高血压、外周血管疾病、高尿酸血症等。
- 模型性能评估：构建了 6 种 ML 模型，RF 模型表现最为出色，其受试者工作特征曲线下面积（AUC）达到 0.91（95% CI：0.89 - 0.93） ，而决策树（DT）模型的 AUC 仅为 0.64（95% CI：0.61 - 0.67）。
- 关键预测指标：RF 模型的重要性矩阵显示，中重度 MR、左心室射血分数（LVEF）、左心房内径（LAD）等是术后 MR 的关键预测指标。SHAP 分析进一步明确了各指标对预测结果的影响，如中重度 MR、二尖瓣瓣叶增厚、LVEF 等指标的 SHAP 值较高，对预测术后 MR 的发生概率影响较大。
研究结论表明，机器学习驱动的方法结合基于 SHAP 的可解释性，能够增强对 TAVR 术后中重度 MR 高风险患者的早期识别能力，为临床决策提供更充分的依据。该研究构建的二尖瓣反流预测模型（MRPM），利用术前易获取的数据，为指导个性化治疗策略、优化主动脉瓣狭窄合并 MR 患者的治疗效果提供了实用工具。
在讨论部分，研究人员指出，与传统模型相比，基于 SHAP 的 ML 模型纳入了更广泛的参数，能更好地捕捉临床信息，减少共线性的影响。同时，研究还强调了除超声心动图参数外，血液标志物（如肌钙蛋白 T，TnT）、体重指数（BMI）等因素在评估术后 MR 风险中的重要性。随着 TAVR 适应证的扩大，术后 MR 的管理面临更大挑战，早期干预策略、同期二尖瓣手术等的探索至关重要。该研究的模型为筛选高风险患者提供了有效手段，有助于推动临床进一步评估和管理这些患者。
总的来说，这项研究意义重大。它填补了 TAVR 术后中重度 MR 风险预测领域的空白，为临床医生提供了有力的工具。通过早期识别高风险患者，医生可以提前制定个性化的治疗方案，有望降低患者的死亡率，改善患者的预后。尽管研究存在样本量相对较小、缺乏外部验证等局限性，但依然为后续研究指明了方向，推动心血管疾病治疗领域朝着更加精准化的方向发展。
