主动脉瓣狭窄（AS）作为西方世界第三大常见心血管疾病，无论轻重程度均与不良预后相关，严重威胁患者生命健康。传统评估手段在风险分层和预后预测上存在局限，而一项发表于《JACC: ADVANCES》的研究突破性地采用机器学习技术，构建了精准的 AS 预后预测模型，为临床决策提供了全新视角。

一、研究设计：大数据支撑 + 多中心验证，构建可靠预测模型   Part.1               1. 研究队列：模型开发基于 Kaplan 医疗中心 2008-2020 年间的 AS 前瞻性注册数据库，最终纳入 10,407 例接受超声心动图检查的患者，涵盖轻度（69%）、中度（19%）和重度（12%）AS 患者，中位随访时间达 48 个月。同时，在以色列 Clalit 健康服务数据库（11,738 例患者）和西班牙 HGUGM 医院（954 例患者）的两个外部队列中进行验证，确保模型泛化能力。 2. 核心技术：采用随机生存森林（RSF）算法构建时间 - 事件预测模型，整合临床特征、超声心动图参数、实验室检查和用药史等多维度数据。通过 SHapley 加法解释方法识别关键预测变量，并提供个性化风险评估，解决了传统 Cox 比例风险模型在处理复杂变量交互时的局限性。 3. 终点指标：主要复合终点为主动脉瓣置换术或全因死亡，同时评估模型对单独终点的预测效能，以 AUC、敏感性、特异性等指标衡量模型性能。

        二、研究结果：预测精准 + 分层明确，突破传统评估瓶颈   Part.1               1. 基线特征与结局概况 研究队列患者中位年龄 77 岁，女性占 52%，合并症普遍存在，其中高血压（82.1%）、高脂血症（69.6%）和心力衰竭（29.4%）最为常见。随访期间，1,116 例患者接受 AVR 治疗，5,069 例患者死亡（其中 463 例发生在 AVR 术后），不同严重程度 AS 患者均表现出较高的不良事件风险（图2）。

2. 模型预测效能显著优于传统方法 RSF 模型在原发性队列中表现出色，预测 1 年和 5 年复合终点的 AUC 均达到 0.83，敏感性为 0.80，特异性为 0.73。与传统 Cox 比例风险模型相比，RSF 模型在复合终点（AUC：0.83 vs 0.77）、全因死亡（AUC：0.76 vs 0.73）和 AVR 预测（AUC：0.92 vs 0.89）上均展现出更优的预测性能（图 3）。

3. 外部验证证实模型稳健性 尽管两个外部队列的患者特征与开发队列存在差异，且部分关键指标缺失，但 RSF 模型仍保持良好准确性：Clalit 队列 1 年预测 AUC 为 0.73，HGUGM 队列 1 年预测 AUC 为 0.74，均显著优于同期 Cox 模型，证实了模型在真实世界不同人群中的适用性（图 4）。

4.   关键预测变量与风险分层价值 通过 SHAP 分析，AS 严重程度、年龄、血清白蛋白、肺动脉压和慢性肾脏病成为排名前五的关键预测变量。值得注意的是，风险评分与 AS 严重程度并非完全线性相关：部分轻度 AS 患者风险评分较高，而部分重度 AS 患者风险评分未达最高（图 5A）。基于模型四分位风险评分分层后，高风险组与低风险组的预后差异显著，且该分层在三个队列中均保持稳定（均 P<0.001），有效解决了传统严重程度分级难以精准识别个体风险的问题（图 5B-D）。

5. 变量重要性与时间依赖性影响 通过时间依赖性 Brier 评分和 SHAP 分析，明确了各变量对预测效能的影响及随时间的变化：年龄的预测重要性随时间递增，而轻度 AS 的影响随时间递减；AS 严重程度对 1 年和 5 年预后均为重要预测因子，肺动脉压、左心室相关指标、血清白蛋白等也发挥关键作用（图 6A-B）。此外，SHAP 分析还可针对个体患者提供个性化预后预测，明确影响该患者结局的核心变量（图 6C）。

6. 模型简化与时间适应性良好 仅使用 12 个核心变量的简化模型与包含 81 个变量的完整模型预测准确性一致（图 7），且模型在 2008-2013 年和 2014-2020 年两个时间段的预测性能无显著差异，表明其能够适应临床治疗策略的变化，具有较强的临床实用性。

三、研究总结   Part.1               该研究针对全严重程度 AS 患者，采用先进机器学习技术构建了多维度预后预测模型。模型不仅预测准确性高、泛化能力强，还能识别关键预后变量并提供个性化风险评估，突破了传统评估方法的局限。研究证实，通过整合常规临床数据和超声信息，机器学习可实现对 AS 患者的精准风险分层，为临床医生制定随访计划、调整危险因素干预策略提供科学依据，尤其有助于识别轻度 AS 中的高风险人群和重度 AS 中的低风险人群，优化治疗决策。

        四、研究意义与未来   Part.1               AS 患者常存在诊断不足和治疗不及时的问题，该模型为解决这一临床痛点提供了有效工具。其优势在于：仅需常规临床数据，无需额外增加检查负担；可适用于不同严重程度 AS 患者，覆盖更广泛人群；简化模型便于临床推广应用。未来，随着模型纳入左心室应变、生物标志物（如 BNP）等更多变量，并通过前瞻性研究进一步验证，有望实现更精准的个体化诊疗，最终改善 AS 患者的长期预后。

参考文献：Shimoni S, et al. Machine Learning Prediction for Prognosis of Patients With Aortic Stenosis. JACC Adv. 2024 Aug 14;3(9):101135.