基于多模态机器学习预测TAVR技术失败：整合临床与影像数据优化手术策略

　　本研究针对经导管主动脉瓣置换术（TAVR）中技术失败预测的难题，整合临床、影像及手术多模态数据，开发了基于机器学习的预测模型。结果显示，模型对心脏和血管技术失败均表现出中高度预测效能（AUC分别为0.769和0.788），具有极高阴性预测值（0.995和0.976）。该研究为TAVR术前风险评估提供了新工具，有助于优化患者选择和手术策略。

　　

随着经导管主动脉瓣置换术（TAVR）在严重症状性主动脉瓣狭窄患者中的广泛应用，其适应证已覆盖全外科风险谱系并获得ⅠA类推荐。尽管随着患者选择、影像指导、手术技术和器械的进步，TAVR相关并发症发生率有所下降，但仍有相当比例患者面临技术失败的风险。根据瓣膜学术研究联盟（VARC）第三版定义，技术失败包括死亡、器械输送失败、瓣膜位置异常或需要手术/介入治疗的严重血管或心脏并发症，其发生与不良临床结局显著相关。由于患者特异性因素、解剖特征和手术因素间复杂的相互作用，准确预测技术失败仍具挑战性。

在此背景下，来自瑞士伯尔尼大学医院心脏科的Daijiro Tomii等学者开展了一项研究，旨在利用多模态信息和机器学习算法，开发和验证TAVR技术失败的数据驱动预测模型。该研究近期发表于《JACC: Advances》杂志，为TAVR领域的精准医疗提供了重要工具。

研究采用了多项关键技术方法。数据来源于前瞻性的瑞士TAVI注册研究（NCT01368250），纳入了2014年2月至2023年6月间在该中心接受当代一代器械TAVR的2,937例患者。研究收集了184个参数，涵盖临床检查、实验室检查、心电图、超声心动图、心导管检查、计算机断层扫描（CT）和手术测量等多个模态。使用机器学习标准化流程开发了24种不同模型组合，所有步骤均在训练集上完成，测试集严格隔离用于最终评估。技术成功/失败根据VARC-3定义判定，并分为心脏技术失败和血管技术失败两类。采用多种特征选择方法和分类器进行模型构建，并通过SHAP（SHapley Additive exPlanations）方法进行模型可解释性分析。

研究结果

研究人群和VARC-3技术失败发生率

共2,937例患者符合入选标准。整体队列平均年龄81±6岁，47.5%为女性，STS-PROM评分为4.6±3.8%。心脏技术失败发生率为2.4%（70/2,937），血管技术失败发生率为7.0%（195/2,769）。训练集/验证集与测试集在基线临床、影像和手术特征方面均衡良好。

预测VARC-3技术失败的诊断性能

对于心脏技术失败，表现最佳的模型为Kruskal-Wallis特征选择结合随机森林分类器（KW-RF），受试者工作特征曲线下面积（AUC）为0.769；其次是递归特征消除结合逻辑回归（RFE-LR，AUC=0.753）。对于血管技术失败，最佳模型同样为KW-RF（AUC=0.788），其次为方差分析结合随机森林（ANOVA-RF，AUC=0.782）和RFE-RF（AUC=0.778）。最佳模型对心脏和血管技术失败的阴性预测值分别高达0.995和0.976，表明模型能有效识别低风险患者，避免不必要的手术排除。

VARC-3技术失败的预测因子

通过SHAP分析揭示了技术失败的关键预测因子。对于心脏技术失败， consistently重要的预测因子包括：TAVR器械尺寸、预扩张球囊尺寸、主动脉瓣复合体钙化体积、年龄、糖尿病、既往脑血管事件、既往起搏器植入和口服抗凝药使用。对于血管技术失败，重要预测因子包括：血管闭合装置类型、TAVR器械、鞘管尺寸、Hostile评分（反映髂股动脉粥样硬化程度）、主动脉瓣面积、体重指数、体表面积、糖尿病、既往脑血管事件、阿司匹林使用、P2Y₁₂抑制剂使用以及TAVR适应证（原生瓣膜TAVR vs 瓣中瓣TAVR）。

研究结论与讨论

本研究开发了基于机器学习的算法来预测接受TAVR的严重主动脉瓣狭窄患者的VARC-3技术失败。最佳性能模型对心脏和血管技术失败均表现出中高度判别能力，且具有极高的阴性预测价值，确保了误判合适TAVR候选者的可能性极低。 across all proposed models，基线临床特征、基于CT的解剖学特征和手术变量被一致确定为VARC-3技术失败的关键决定因素，强调了将多模态数据整合到术前风险评估中的重要性。

研究表明，即使在高容量中心，TAVR技术失败仍是一个不容忽视的问题。机器学习的应用能够整合多维度信息，捕捉变量间复杂的非线性关系，从而提供更准确的风险评估。研究中识别出的关键预测因子与既往研究一致，如严重钙化的装置着陆区与冠状动脉阻塞和环破裂风险相关，髂股动脉粥样硬化的严重程度和范围与血管并发症风险相关。值得注意的是，术前抗栓管理作为影响手术失败的重要因素出现，这与POPular PAUSE TAVI随机试验的结果相呼应。同样，手术因素如瓣膜尺寸选择不当与瓣膜迁移、栓塞和 bailout 第二瓣膜植入风险增加相关，新型缝合基血管闭合装置的改进性能也在研究中得到体现。

尽管开展TAVR的中心数量持续增加，但这可能导致患者选择和手术质量的稀释。对于技术失败高风险患者，心脏团队必须仔细重新评估治疗策略，考虑保守治疗或外科主动脉瓣置换等替代方案。同样，高风险病例应优先在有经验的TAVR中心治疗，这些中心具备全面的 bailout 选项以应对潜在并发症。基于机器学习的模型可能有助于指导TAVR未来的扩展，完善患者选择，优化手术策略，并确保高风险病例在装备合适的中心接受治疗。

研究的优势在于其基于大型前瞻性TAVR注册研究，并得到包括临床、心电图和有创血流动力学、影像数据以及精细化手术结局在内的详细多模态信息的强化。然而，研究也存在一些局限性。首先，由于缺乏独立数据集，未进行外部验证。其次，技术失败事件数量有限，限制了统计效能和性能估计的精确度，这一限制在罕见事件预测中固有存在。此外，一些技术失败发展的关键特征（如超声引导穿刺）未在数据库中系统捕获，无法纳入模型开发。最后，研究结果反映了一个高容量中心和高经验术者的经验，可能无法推广到其他TAVR中心。

总之，该研究为TAVR术前风险评估提供了强大的新工具，通过整合多模态数据和机器学习算法，能够有效预测技术失败风险，有助于优化患者选择、制定个体化手术策略，最终改善患者结局。未来的外部验证和进一步细化将促进这些模型在临床实践中的转化应用。