基于无监督机器学习的瓣膜性心脏病表型分析：现状与未来展望

本研究针对瓣膜性心脏病(VHD)传统诊断方法依赖专家经验、可能遗漏复杂表型的局限性，系统综述了无监督机器学习(ML)在主动脉瓣狭窄(AS)、二尖瓣反流(MR)和三尖瓣反流(TR)中的应用。通过整合多中心临床数据和影像学参数，研究证实ML能识别传统分类体系难以捕捉的高风险表型，如低左室射血分数(LVEF)合并肺高压患者，为早期干预提供新思路。该成果发表于《npj Cardiovascular Health》，为VHD精准医疗奠定算法基础。

　　

随着全球老龄化加剧，瓣膜性心脏病(VHD)已成为重大公共卫生挑战。每年新增500万病例，死亡率以2.8%的年增长率攀升。传统诊断依赖超声心动图等影像学检查，但现有分类体系仅基于单一变量阈值（如主动脉瓣面积<1cm²定义严重AS），难以捕捉心室重构、肺血管功能等多因素交互作用。这种"一刀切"的标准导致高达64%的"非严重"患者被ML模型重新归类为高风险群体，错失早期干预时机。

为突破这一瓶颈，Max Rosen团队系统评估了无监督ML在VHD管理中的革新价值。研究采用PRISMA框架检索PubMed数据库，最终纳入21项关键研究（AS 9篇/MR 7篇/TR 5篇）。核心技术包括：1）拓扑数据分析(TDA)构建Reeb图量化疾病连续谱；2）卷积神经网络(CNN)直接解析超声多普勒图像；3）混合使用层次聚类与人工神经网络(ANN)处理右心导管数据。所有算法均在多中心队列中验证，部分通过澳大利亚注册库(n=1358)外部验证。

主动脉瓣狭窄：超越传统分类

通过分析1052例AS患者，TDA模型整合主动脉瓣峰值流速(AV_peak)、每搏量指数(SV_i)等5个参数，发现低LVEF(<40%)合并高左室质量指数(LVM_i)患者进展风险增加15倍。CNN模型直接从图像提取特征，对TAVR术后生存率的预测准确率达97.5%。

二尖瓣反流：机制驱动的分层

在850例原发性MR中，TDA识别出舒张功能障碍表型（死亡率P<0.001）。层次聚类显示心房-心室不同步重构（HR=2.18）患者对TEER（经导管二尖瓣修复）反应差，这类患者仅占指南定义"严重MR"的29%，但占ML识别高危人群的71%。

三尖瓣反流：多器官交互影响

分析13,611例TR患者发现，肾功能不全(eGFR<30)合并右室扩大(RVEDD>45mm)的集群死亡率最高（HR 3.49）。值得注意的是，单纯超声参数无法区分高风险集群，必须结合肝功能指标（ALT>40U/L）。

这项研究开创性地证明：无监督ML能突破现有指南的二元分类局限，通过三大创新路径推动VHD管理变革——首先，TDA揭示疾病进展的非线性轨迹，如AS中LVEF与LVM_i的协同效应；其次，CNN实现端到端图像解析，减少人工测量偏差；最后，多模态数据整合（如超声+右心导管+肝肾功能）建立器官间交互模型。

临床转化方面，ML模型已显示明确预后价值：在AS中识别出TAVR术后2年生存率差异达15.7%的亚组；对MR患者，GLS（整体纵向应变）<21%比LVEF更能预测纤维化进展。未来需开展RCT验证ML指导的早期干预效果，同时解决数据标准化挑战——当前研究显示，不同医疗机构DICOM格式差异导致15%数据丢失。随着组织工程瓣膜和靶向药物（如血管紧张素受体阻滞剂）的发展，这种数据驱动的方法将为VHD提供全周期管理方案。