《Diagnostics》：Cardio-Dense: Diagnosis of Cardiac Abnormalities Based on Phonocardiogram Using Improved Swin Transformer Through Lightweight Dense Blocks
Alaa E. S. Ahmed,
Mostafa E. A. Ibrahim and
Yassine Daadaa
编辑推荐：
背景/目标：左束支传导阻滞（LBBB）是经导管主动脉瓣置换（TAVR）后常见的并发症，并与不良临床结局相关。然而，由于解剖、手术和临床因素之间复杂的相互作用，准确预测LBBB仍具挑战性。本研究旨在开发一个基于机器学习（ML）的框架来预测LBBB并识别相关的贡献
背景/目标：左束支传导阻滞（LBBB）是经导管主动脉瓣置换（TAVR）后常见的并发症，并与不良临床结局相关。然而，由于解剖、手术和临床因素之间复杂的相互作用，准确预测LBBB仍具挑战性。本研究旨在开发一个基于机器学习（ML）的框架来预测LBBB并识别相关的贡献特征。方法：在这项多中心回顾性研究中，研究人员分析了来自三个机构的242名接受TAVR的患者。开发了一个结合基于Transformer的特征选择和传统分类器的机器学习框架。使用准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积（AUC）评估模型性能。通过Bootstrap重采样进行内部验证。结果：使用机器学习衍生特征的梯度提升模型表现出最均衡的性能，准确率达到78.05%，F1分数为50.46%，具有适度的区分度（AUC 0.61）。基于机器学习的方法识别了临床相关特征，包括冠状动脉高度、左心室流出道/瓣环比值、人工瓣膜尺寸，以及传统分析中未强调的额外变量。结论：基于机器学习的特征选择能够捕捉传统统计方法之外的复杂特征相互作用，并为TAVR术后LBBB的风险分层提供有临床意义的见解。尽管预测性能有限，但这种方法突显了机器学习在改善风险分层和个体化手术计划方面的潜力。需要进一步的大规模外部验证。
论文解读：基于机器学习预测TAVR术后新发持续性左束支传导阻滞的研究
一、 研究背景与问题
经导管主动脉瓣置换（Transcatheter Aortic Valve Replacement, TAVR）已成为治疗严重主动脉瓣狭窄的成熟方法，其应用范围已扩展至外科手术风险更低的人群。尽管手术技术和设备已有显著进步，但左束支传导阻滞（Left Bundle Branch Block, LBBB）仍是TAVR术后常见的并发症，其发生率约为4%至65%。LBBB反映了心脏传导系统受损，可能导致左心室电激动延迟，进而影响心脏的协调收缩。TAVR术后发生LBBB与不良结局相关，包括房室传导阻滞、永久性起搏器植入需求增加以及长期心功能受损。因此，对术后新发持续性（New-Onset Persistent, NOP）LBBB的准确风险分层，对于优化手术规划和患者管理具有重要意义。
然而，尽管已提出多种解剖、手术和心电图预测因子，LBBB的发生率并未随时间显著降低。这突显了TAVR术后传导障碍具有复杂性和多因素性。传统的统计方法在捕捉与LBBB发生相关的多样化临床和影像变量之间的相互作用方面可能存在局限。鉴于TAVR适应症正扩展至更低风险患者，如何更准确地进行风险分层成为一个关键临床问题。在此背景下，机器学习（Machine Learning, ML）方法为探索异质性数据集内的复杂关系提供了机会，并能提供超越传统分析方法的补充见解。
二、 研究内容与目的
本研究旨在开发一个整合临床和影像数据的机器学习框架，以评估与TAVR术后NOP-LBBB相关的因素，并探讨机器学习驱动的特征选择是否能提供额外的风险分层见解。该研究是一项多中心回顾性分析，纳入了2018年至2022年间来自三个医疗中心（Eunpyeong St. Mary hospital: 152人; Bundang CHA Hospital: 38人; Keimyung Donsan Hospital: 52人）的242名接受TAVR且基线无LBBB或无永久起搏器的患者。研究将NOP-LBBB定义为TAVR术后住院期间发生并持续至出院的新发LBBB。
三、 关键技术方法
研究主要采用了一种结合Transformer架构进行特征选择的机器学习框架。该框架包含三个主要模块：标记化（Tokenizing）层、Transformer层以及假设检验和分类层（Classification Layer, CL）。其核心是利用Transformer层捕获特征间的交互作用，并利用霍特林T2检验来识别最能区分有无NOP-LBBB患者的特征。模型训练结合了分类损失和统计损失两个目标。研究人员构建了三个特征集进行比较：包含所有可用变量的“ALL”集、基于领域知识选择的“DK”集，以及由所提方法选择的“OURS”集。使用多个经典分类器（如逻辑回归、决策树、随机森林、支持向量机、线性判别分析、二次判别分析、梯度提升）评估不同特征集对LBBB的分类性能。评估采用5次重复的70/30训练-测试集划分结合5折交叉验证的内部验证策略，以增强评估的稳健性。所有分析在Python环境中使用PyTorch和scikit-learn库完成，相关代码已开源。
四、 研究主要结果
3.1. 基线特征与事件发生率
在242名患者中，平均年龄为82.6 ± 5.8岁，男性占35%。NOP-LBBB发生率为21%（51人）。统计分析显示，与无NOP-LBBB组相比，NOP-LBBB组患者术前QRS间期更短（95.6 ± 17.5 ms vs. 102.3 ± 20.2 ms），更常使用自膨胀瓣膜（54.9% vs. 33.5%）。此外，NOP-LBBB组的瓣环面积、瓣环周长直径、左心室流出道面积以及左心室流出道/瓣环比值均显著更小，总钙化体积也显著更小。
3.2. LBBB分类结果
比较三个特征集上不同分类器的性能，结果表明，在“OURS”特征集上，梯度提升算法取得了最佳的综合性能，其准确率为78.05%，F1分数为50.46%。受试者工作特征曲线分析显示，“OURS”模型（AUC为0.61）的区分性能优于“ALL”模型（0.46）和“DK”模型（0.53）。通过尤登指数确定的最佳决策阈值为0.10，此时模型灵敏度为63%，特异性为54%。
3.3. 临床与预测分析对比
将机器学习方法（OURS）选择的特征与基于临床文献确定的26个临床特征进行对比。混淆矩阵分析表明，OURS方法能以68.11%的准确率识别出与临床知识一致的重要特征，而逻辑回归在5%的显著性水平上未能识别出任何显著特征。特征对比显示，OURS方法不仅识别出许多传统临床已知的风险因素，还发现了额外的变量。例如，计算机断层扫描（Computed Tomography, CT）衍生的参数如冠状动脉高度（特别是右冠状动脉高度和左冠状动脉高度）、左心室流出道/瓣环比值、右冠状动脉窦直径等被确定为重要特征。SHAP分析进一步证实，右冠状动脉高度是对模型预测影响最大的特征。
五、 讨论与结论
研究人员在讨论中指出，本研究的主要发现包括：梯度提升模型表现出适度但均衡的预测性能；机器学习特征选择能够识别出与NOP-LBBB相关的临床相关变量；并且发现了一些传统分析中未得到一致强调的额外特征，特别是CT参数。冠状动脉高度传统上主要与冠状动脉阻塞风险相关，但本研究发现其也可能通过与手术决策（如植入深度）的关联间接影响传导系统损伤风险。研究结果提示，解剖和临床因素可能相互作用，共同影响传导障碍的风险。从临床角度看，这为识别高危患者、制定更个体化的手术策略（如考虑低冠状动脉高度患者的植入深度）提供了潜在参考。
本研究存在一些局限性，包括样本量相对较小、缺乏独立的外部验证队列、LBBB病因复杂且可能存在类别不平衡，这些因素可能限制了模型的预测性能和外推性。未来需要通过更大规模的前瞻性研究和外部验证来确认这些发现。
结论：
在这项多中心研究中，一个基于机器学习的框架对TAVR术后新发持续性LBBB表现出适度但一致的预测性能，并识别了与此并发症相关的临床相关因素。这些发现是在不依赖预定义领域知识的情况下获得的，表明机器学习可用于探索临床和解剖变量之间的相互作用，并支持风险分层。然而，考虑到样本量相对较小且缺乏外部验证，应谨慎解读这些结果。需要进一步进行具有外部验证的前瞻性多中心研究来证实这些发现并确立其临床适用性。
