METHODS 研究设计与人群。本研究中，二叶式主动脉瓣（BAV）患者严格按照经导管主动脉瓣置换术（TAVR）适应症指南16,17进行筛查，并在手术前实施了这一筛查过程。具体的纳入和排除标准如下：
纳入标准：1) 重度主动脉瓣狭窄（AS）：通过经胸超声心动图测量的平均跨瓣压差≥40 mm Hg，或最大主动脉瓣流速≥4.0 m/s，或主动脉瓣环面积<1.0 cm²，或主动脉瓣环面积指数<0.5 cm²/m²；2) 存在与AS相关的临床症状，如呼吸困难、心绞痛或晕厥，且纽约心脏协会（NYHA）功能分级≥II级；3) 通过经胸超声心动图和计算机断层血管造影术在手术前确认为BAV形态；4) 患者有手术禁忌症或中到高手术风险（胸外科医师学会评分≥4.0%）。
排除标准：1) 自身解剖结构中有3个交界处的瓣叶（即三叶式主动脉瓣或功能性二叶式主动脉瓣）的患者；2) 进行瓣中瓣植入的生物瓣退化患者；3) 过去1个月内发生过心肌梗死或未治疗的严重冠状动脉狭窄患者；4) 左心室血栓、活动性感染性心内膜炎或其他活动性感染患者；5) 其他严重合并症且预期寿命少于1年的患者；6) 不适合进行TAVR的其他情况。
这是一项全国多中心研究：从2021年1月至2023年8月，共纳入了8家中国高容量中心的1,370名接受TAVR的BAV形态患者。其中，43名患者的围手术期数据不足；85名患者的图像质量较差；9名患者转为外科主动脉瓣置换术；39名患者位置不当；6名患者出现瓣环破裂；54名患者进行了第二次THV植入；21名患者出现主动脉根部损伤；33名患者出现器械栓塞。最终，1,080名患者被回顾性分析，以建立模型（图1）。这1,080名患者来自中国8个地理位置和机构不同的中心，包括北部地区4个，西部地区2个，中部地区1个，南部地区1个。随后，从2023年9月至2023年11月，另外5个中心共纳入109名符合条件的患者，以验证模型的预测价值。重要的是，这5个中心完全独立于用于推导队列的8个中心，其中3个位于西部地区，1个位于北部地区。由于样本量较小，本研究未收集2型BAV的数据：初始推导队列中仅包括82例2型BAV患者；而在提供验证队列数据集的5个中心中，仅包括6例2型BAV患者。本研究遵循赫尔辛基宣言，在ClinicalTrials.gov注册（NCT05044338），并获得当地伦理委员会的批准。由于我们的分析仅基于现有的回顾性医疗数据，因此未获取患者的书面知情同意。
定义 BAV是指主动脉瓣发育不良，导致仅有2个瓣叶，且瓣叶间有≤3个对抗边界。目前最常用的分类方法是Sievers分类法，根据瓣叶上的联合线数量分为0型（无联合线）、1型（1条联合线）和2型（2条联合线）（图2A）。本研究共纳入373例0型和707例1型病例。本研究重点关注瓣周漏（PVL），根据既定标准将其分类为瓣周漏、跨瓣漏或混合漏，并进一步分类为无/微量、轻度、中度或重度PVL。所有图像均由每个中心的两名经验丰富的超声心动图专家审查，如有分歧则达成共识。超瓣平面的定义见前文20，水平主动脉定义为瓣环正交平面与水平参考线之间的夹角>48°。植入深度定义为瓣环平面与THV底部之间的距离。此外，THV过度扩张（%）= THV标签尺寸/原生瓣环平均直径。
钙化负荷的严重程度和分布。在多层螺旋CT扫描中识别出主动脉根部后，使用3mensio软件进行图像分析。测量并识别了超瓣平面、瓣环平面和左心室流出道（LVOT）平面的钙化体积（CV），分别记为CV超瓣、CV瓣环和CV LVOT（图2B）。然后，测量并识别了瓣叶、联合线和瓣环周围区域的CV，分别记为CV瓣叶、CV联合线（仅限1型人群）和CV周围（图2C）。为了校正钙化的低估21和不同体型在主动脉CT增强扫描中的衰减差异，确定了校正后的CV（Corr-CV）（Corr-CV = CV/S），其中“S”指每个平面/解剖结构的平均面积。当考虑CV瓣环时，不包括瓣叶自由缘的钙化22。
主动脉根部形态。如前所述，测量了LVOT平面周长（P）（PLVOT）/瓣环平面周长（P瓣环），P瓣环/超瓣平面周长（P超瓣）和PLVOT/P超瓣，以描述主动脉根部形态的变化程度（图2D）。
数据收集。患者选择在中心层面进行，考虑了每个病例的风险特征并与心脏团队讨论后确定。每个病例都有一个详细的病例报告表，记录了患者的基线特征、术前影像评估和手术信息。
统计分析。我们对本研究中包括的所有患者进行了描述性分析，包括推导数据集和验证数据集。正态分布的连续变量报告为均值±标准差（SD），组间差异采用方差分析检验。如果连续变量不符合正态分布，则报告中位数（四分位距IQR），组间差异采用Mann-Whitney U检验。分类变量报告频率（百分比），并采用卡方检验或Fisher精确检验（如适用）比较组间差异。推导数据集按7:3的比例随机分为训练数据集（756例，146例PVL，19.3%）和测试数据集（324例，56例PVL，17.3%）。训练数据集用于变量选择和模型构建，测试数据集用于内部验证。此外，为了验证模型的稳健性，验证数据集用于外部验证。采用受试者工作特征（ROC）曲线下的面积（AUC）、准确率（ACC）、敏感性和特异性作为模型的评价指标，并通过决策曲线和临床影响曲线测试预测的准确率23,24。我们构建了一个包含所有变量的随机森林（RF）模型，并计算了变量的重要性排名（基于Gini系数）。然后，根据变量的重要性，逐个将其纳入预测模型，并计算模型的评价效率。最后，可视化模型的评价结果，并根据评价效率选择性能最佳的模型。单因素逻辑回归（LR）分析中显著（P < 0.10）的变量被纳入多因素分析。分析结果以比值比（OR）和95%置信区间（CI）表示。所有分析使用R编程语言（版本4.3.1，The R Foundation）和RStudio软件（版本2023.6.1.524，RStudio, PBC）进行。所有分析以双侧P值<0.05为统计显著性标准。
