1. 纳排标准：纳入2017-2023年间在德国三家中心接受TEER治疗的中重度或重度MR患者，并最终筛选出1154名拥有高质量术前心尖四腔心超声视频的患者作为研究样本。

2. 核心技术：本研究采用预先训练好的深度学习模型RVENet作为核心技术，该模型以3D超声心动图测得的RVEF为训练“金标准”，能够自动处理患者的二维超声视频，精准输出右心室射血分数（RVEF）预测值。在此基础上，进一步将深度学习预测的RVEF与多参数临床评分MitraScore相结合，构建了一个更具综合性和精准度的拓展预后评估模型。

3. 性能评估：通过计算AUC等指标，将深度学习预测的RVEF与传统超声参数和复合临床评分MitraScore进行对比，并以术后1年全因死亡率作为终点评估其预后预测性能。

1. 研究对象基线特征与整体生存状况

在基线特征1154 例患者中位年龄为 79.7 岁，55.9% 为男性；72.0% 患者NYHA心功能分级为 III 级，17.0% 为 IV 级，中位 NT-proBNP水平达 3180pg/mL，提示患者整体病情较重。在生存结局，所有患者 TEER 术后 1 年、2年、3年的生存率分别为84.7%、74.2%、49.5%。并且2020-2023 年治疗患者的生存率显著优于 2017-2019 年患者，且后期治疗患者术后残余 MR 程度更轻（图2）。

图 2 研究样本的一般信息以及适合深度学习模型分析的顶端 4 腔视图的可用性

2. 深度学习预测 RVEF 与传统右心功能指标的相关性及预后价值对比

相关性分析显示，其与传统常用指标三尖瓣环收缩期位移（TAPSE）仅呈中度相关，与右心室面积变化分数（RV FAC）、右心室游离壁纵向应变（RVFWLS）的相关性亦有限，提示深度学习预测的 RVEF 能提供不同于传统指标的独立信息。在预后预测性能上，深度学习预测 RVEF 对 TEER 术后 1 年死亡率的预测效能显著优于传统指标。同时，也优于医生对右心室功能的 5 级定性评分。此外，无论患者 MR 病因如何，深度学习预测 RVEF 均保持良好的 1 年死亡率预测效能，体现出稳定的泛化能力（图 3、图 4和图 5）。

图 3 深度学习预测右心室RVEF值与TAPSE、RV FAC 和 RVFWLS 测量的相关性图和受试者工作特征分析

3. 基于深度学习预测 RVEF 的患者风险分层

功能降低组 1 年生存率显著低于功能保留组，前者 1 年死亡风险是后者的 2.67 倍。进一步分析传统指标分层的不确定性人群发现，对于仅满足 ≤ 2 项传统右心功能不全标准的患者，深度学习预测 RVEF 可进一步将其分为低危与高危亚组，高危亚组 1 年死亡风险是低危亚组的 7.16 倍，有效解决传统指标分层模糊的问题（图 6和图 7）。

4. 深度学习预测 RVEF 与 MitraScore 的联合预后评估效果

在 1154 例患者中，91.4%可计算 MitraScore，其中最常见得分为 4 分，且 MitraScore 越高，患者 1 年死亡率越高，体现其预后价值。对比分析显示，深度学习预测 RVEF 的预后价值与 MitraScore 相当（AUC=0.687 vs 0.662）；当将 “预测 RVEF<45%” 作为额外指标纳入 MitraScore 构建 “拓展 MitraScore” 后，其预测 1 年死亡率的 AUC 显著提升至 0.699，增强了传统评分系统的预后评估准确性，为临床提供更精准的风险分层工具（图8）。

该研究评估了既往发表的深度学习模型，用于重度二尖瓣反流患者右心射血分数 RVEF 评估的预后意义，其预测的 RVEF 预后能力优于 TAPSE、与多参数 MitraScore 相当，凸显右心功能在左心疾病中的关键作用。研究证实，借深度学习从简易、易获取且性价比高的成像技术中提取临床信息，或为超声心动图分析提供变革性方法。将其纳入临床，可优化患者护理，实现精准风险分层与个体化治疗。

参考文献：Lachmann M, et al. Deep Learning-Enabled Assessment of Right Ventricular Function Improves Prognostication After Transcatheter Edge-to-Edge Repair for Mitral Regurgitation. Circ Cardiovasc Imaging. 2025 Jan;18(1):e017005.