《Diagnostics》：A Transformer-Based Machine Learning Framework for Risk Stratification of Left Bundle Branch Block After Transcatheter Aortic Valve Replacement
Hayoung Ahn,
Sungwoo Hur,
Cheol Hyun Lee,
Se Hun Kang,
Daeung Ohn,
SookJung Kim,
Junghoon Lee,
Yeon-Jik Choi,
Jeong-Eun Yi and
Osung Kwon
+ 3 authors
编辑推荐：
背景/目的： 左束支传导阻滞（LBBB）是经导管主动脉瓣置换术（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仍然具有挑战性。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
背景/目的： 左束支传导阻滞（LBBB）是经导管主动脉瓣置换术（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仍然具有挑战性。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。开发了一个整合了基于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。通过自助法重采样进行内部验证。结果： 使用ML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分数达到50.46%，具有中等程度的区分度（AUC 0.61）。基于ML的方法识别出了临床上相关的特征，包括冠状动脉高度、左心室流出道/瓣环比率和人工瓣膜尺寸，以及传统分析中未强调的其他变量。结论： 基于机器学习的特征选择能够捕捉超越传统统计方法的复杂特征交互，并为TAVR后LBBB的风险分层提供具有临床意义的见解。尽管预测性能中等，但该方法突显了ML在改善风险分层和个体化手术规划方面的潜力。需要进一步大规模的外部验证。
背景、问题与目的
经导管主动脉瓣置换术（TAVR）已成为治疗重度主动脉瓣狭窄的成熟方法，适应症已扩展至手术风险谱的全部范围。尽管技术和设备不断进步，左束支传导阻滞（LBBB）仍是TAVR术后常见并发症，其发生率仍居高不下，并与房室传导阻滞、永久性起搏器植入需求增加及长期心功能受损等不良结局相关。尽管已有多种解剖、手术和心电图预测因子被提出，但LBBB的发生率并未随时间显著下降。这突显了TAVR后传导障碍具有复杂和多因素性的本质。传统的统计方法在捕捉导致LBBB发生的多样化临床和影像学变量之间的相互作用方面可能存在局限。鉴于TAVR在低风险患者中的适应症不断扩大，对出院时仍持续存在的新发持续性（NOP）-LBBB进行准确、术前风险分层，对于优化手术规划和患者管理至关重要。在此背景下，机器学习（ML）方法为探索异质数据集中复杂的相互关系提供了机会，并可能提供超越传统分析方法的补充性见解。因此，本研究旨在开发一个整合临床和影像学数据的基于ML的框架，以评估与TAVR后NOP-LBBB相关的因素，并探索ML驱动的特征选择是否能为风险分层提供额外见解。
研究方法概览
本研究是一项多中心回顾性研究，纳入了2018年至2022年间来自三家机构、共242名基线无LBBB或无既往起搏器植入史的TAVR患者。研究人员构建了一个结合Transformer特征选择与传统分类器的机器学习框架。该框架主要包括三个模块：标记化层、Transformer层以及假设检验和分类层。其核心思想是利用Transformer捕获特征间的复杂交互，并通过Hotelling's T2检验识别最能区分NOP-LBBB患者与非患者的重要特征。模型训练采用了分类损失和统计损失双重目标。为评估该框架的特征选择能力，研究人员对比了三个特征集：包含所有可用特征的“ALL”集、基于领域知识（DK）选取的特征集、以及由所提方法（OURS）选出的特征集。对于每个特征集，均在多种分类模型（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）中寻找最佳模型，并通过准确率、召回率、精确率、F1分数、受试者工作特征（ROC）曲线和校准图进行评估。采用五次重复的70/30训练-测试重采样迭代进行模型开发和性能评估，并在训练集内使用5折交叉验证优化超参数，以增强结果的稳健性。为增强模型可解释性，还对最终模型进行了SHAP（Shapley additive explanations）分析。
研究结果与发现
- •
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%。统计分析显示，NOP-LBBB组在多项指标上与非NOP-LBBB组存在显著差异。例如，NOP-LBBB组的QRS间期更短，自膨式瓣膜使用比例更高，瓣环面积、周长、左心室流出道面积及其与瓣环的比率、以及总钙化体积均显著更小。
- •
3.2. LBBB分类结果
在三个特征集上评估多种分类器的性能。结果显示，在OURS特征集上，梯度提升算法取得了最均衡的表现，准确率达78.05%，F1分数为50.46%。ROC曲线分析表明，OURS模型的曲线下面积（0.61）优于ALL模型（0.46）和DK模型（0.53），提示其判别性能有所提升。校准图显示预测概率与观测事件率之间总体一致。虽然模型整体性能中等，但在特定阈值下具备识别高风险患者的潜力。
- •
3.3. 临床知识与模型预测分析对比
研究人员对比了基于临床知识预先定义的26个LBBB相关特征与OURS方法选出的特征。混淆矩阵分析显示，OURS方法在识别重要特征方面表现出与医学知识较好的一致性，准确率为68.11%。特别值得注意的是，在5%显著性水平下，传统的逻辑回归未能识别出任何显著特征，而OURS方法无需先验医学知识即能识别。对比发现，OURS方法不仅识别出许多与传统知识一致的风险因素（如体重、左心室射血分数、主动脉瓣口面积、一度房室传导阻滞、PR间期、人工瓣膜尺寸、瓣环直径、左心室流出道/瓣环比率等），还发现了一些传统分析中未被一致强调的变量，特别是来自计算机断层扫描（CT）的参数，如冠状动脉高度、窦管交界面积、右冠窦直径，以及身高、外周血管疾病、STS-PROM评分等临床变量。SHAP分析进一步揭示，右冠状动脉高度是最具影响力的特征，其后依次是左心室流出道/瓣环比率、左冠状动脉高度、人工瓣膜尺寸、右冠窦直径、瓣环平均直径和PR间期。
讨论与结论总结
讨论： 本研究应用ML框架评估了与TAVR后NOP-LBBB相关的因素。主要发现包括梯度提升模型表现出中等但均衡的预测性能；基于ML的特征选择识别出了与NOP-LBBB相关的临床相关变量；并且识别出了一些在常规分析中未得到一致强调的附加特征，特别是来自CT的参数。冠状动脉高度等CT参数的传统关注点在于冠状动脉阻塞风险，本研究发现其与传导障碍的关联可能间接反映了手术决策（如瓣膜植入深度）的影响，后者是传导系统损伤的已知风险因素。此外，外周血管疾病、既往心肌梗死、STS-PROM评分等临床变量可能共同反映了心脏传导系统的脆弱性。这些发现表明，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，这些发现可能有助于术前识别高风险患者，从而支持更个体化的手术策略。然而，本研究存在一些局限性，包括回顾性设计、样本量相对较小、缺乏独立的外部验证队列等，这可能限制了模型的普适性。此外，潜在的类别不平衡和数据复杂性也可能限制了预测性能。尽管该框架在特征发现和假设生成方面显示出潜力，但目前模型的预测性能可能限制了其在直接临床决策中的应用价值。
结论： 在这项多中心研究中，一个基于机器学习的框架在预测TAVR后新发持续性LBBB方面表现出中等但一致的性能，并识别出了与该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，表明机器学习可能有助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，鉴于样本量相对较小且缺乏外部验证，应谨慎解读这些结果。需要进一步的前瞻性多中心研究和外部验证来确认这些发现并确立其临床适用性。
