TAVR术后瓣周漏预测：2023随机森林模型如何提升风险评估准确性？

结果 建立数据集基线特征。建立数据集共包括1,080名BAV狭窄患者。基线特征见表1。$轻度PVL组患者的中位年龄为73.0（IQR：68.0-78.0）岁；其中65.3%为男性；无/微量PVL组患者的中位年龄为73.0（IQR：67.0-77.0）岁；其中57.9%为男性。两组基线特征相似，但$轻度PVL组既往永久起搏器植入率（15.3% vs 6.2%；P < 0.001）和NYHA功能分级$III级（100% vs 81.4%；P < 0.001）较高。术前影像学评估见表2。与无/微量PVL组相比，$轻度PVL组患者平均压力梯度较高（73.0 [IQR: 64.0-81.0] mm Hg vs 64.0 [52.0-76.0] mm Hg；P < 0.001），主动脉环椭圆度较大（1.5 [IQR: 1.2-1.7] vs 1.3 [1.1-1.5]；P < 0.001），瓷化主动脉发生率较高（7.9% vs 3.1%；P = 0.003），水平主动脉发生率较高（48.0% vs 17.5%；P < 0.001）。重要的是，$轻度PVL组在每个解剖部位的Corr CV均高于无/微量PVL组（所有P < 0.001）。值得注意的是，$轻度PVL组的P LVOT /P 环口比值（1.10 [IQR: 1.01-1.18] vs 1.02 [0.94-1.08]；P < 0.001）和P LVOT /P 超环口比值（1.29 [IQR: 1.13-1.42] vs 1.17 [1.06-1.33]；P < 0.001）均高于无/微量PVL组。此外，$轻度PVL组患者在TAVR期间使用后扩张的比例较低（10.9% vs 24.9%；P < 0.001），而其他手术细节方面两组相似（所有P > 0.05）。随机森林模型开发。建立数据集被随机分为训练数据集（n = 756）和测试数据集（n = 324），比例为7:3。基于Gini系数，模型包括了能最好预测PVL的基线、影像学和手术变量。如图3A所示，RF算法分析了所有变量以构建最终模型。根据相关性结果的排名，生成了7个预测因子，包括Corr-CV瓣叶、Corr-CV周围、Corr-CV左室流出道、P LVOT /P 超环口、水平主动脉、环椭圆度和术后扩张（补充表1）。随机森林模型性能和临床应用。在建立数据集中，训练数据集的AUC、ACC、敏感性和特异性分别为0.982、0.994、0.997和0.993（图3B），测试数据集的结果分别为0.934、0.978、0.992和0.987。重要的是，决策曲线分析显示临床实践中高风险阈值为17.2%（图3C）。上述分析表明，使用该模型识别PVL具有更高的净收益和改进的预测性能。Logistic回归分析。单因素和多因素LR分析结果见表4。在多因素分析中，0型BAV（OR: 1.22; 95% CI: 1.09-1.88; P = 0.037）、环椭圆度（OR: 1.81; 95% CI: 1.08-3.06; P < 0.001）、Corr-CV缝合线（OR: 1.07; 95% CI: 1.03-1.11; P = 0.025）、Corr-CV瓣叶（OR: 1.33; 95% CI: 1.11-2.07; P < 0.001）、Corr-CV周围（OR: 1.30; 95% CI: 1.20-1.37; P < 0.001）、Corr-CV左室流出道（OR: 3.14; 95% CI: 1.69-5.86; P < 0.001）、P LVOT /P 超环口（OR: 0.89; 95% CI: 0.82-0.98; P < 0.001）、水平主动脉（OR: 3.16; 95% CI: 2.03-4.08; P < 0.001）、自膨胀瓣膜（SEV）（OR: 1.14; 95% CI: 1.05-1.23; P = 0.013）和后扩张（OR: 1.15; 95% CI: 1.11-1.19; P < 0.001）是PVL的预测因子。随后，建立了基于上述十个预测因子的logistic模型。ROC曲线的AUC和ACC分别为0.978和0.951；敏感性和特异性分别为0.917和0.957（图3B）。决策曲线（图4A）和临床影响曲线（图4B）显示了模型的显著性能。外部验证。从2023年9月到2023年11月，共招募了109名患者（20例PVL，18.3%）进一步验证模型的预测价值。验证数据集的基线特征、术前影像学评估和手术细节分别见表。基于建立数据集的RF模型在验证数据集中取得了良好的识别性能。其中，AUC、ACC、敏感性和特异性分别为0.975、0.991、0.998和0.989（补充图1A）。此外，LR模型也获得了类似的结果。ROC曲线的AUC和ACC分别为0.988和0.954；敏感性和特异性分别为0.895和0.967（补充图1A）。决策曲线分析（补充图1B）和临床影响曲线分析（补充图1C）验证了该模型具有良好的临床适用性和净收益。我们开发了迄今为止首个用于TAVR患者的PVL预测模型。Corr-CV瓣叶、Corr-CV周围、Corr-CV左室流出道、P LVOT /P 超环口、水平主动脉、环椭圆度和后扩张被确定为模型中的预测因子。它可能是一个有前景的工具，帮助外科医生评估特定患者的PVL风险。