随着人口老龄化进程加速，严重主动脉瓣狭窄（Aortic Stenosis）的患病率持续攀升。经导管主动脉瓣置换术（TAVR）作为一种微创介入治疗手段，已成为外科手术高危或禁忌患者的重要选择。尽管技术日益成熟，但术后中长期死亡率仍居高不下——约四分之一患者在术后1年内死亡。这种严峻现状凸显出精准预后评估的迫切性：传统风险评估模型难以捕捉患者群体的异质性，亟需更精细化的分层工具来指导临床决策。
为破解这一难题，研究团队创新性地将机器学习（Machine Learning, ML）技术引入心血管预后研究领域。该研究前瞻性纳入220例拟行TAVR的患者队列，系统采集包括超声心动图应变分析、心肌做功（Myocardial Work）参数、6分钟步行试验（6MWT）、NT-proBNP（N-terminal pro-B-type natriuretic peptide）实验室检测及衰弱指数等57项术前指标。通过分区围绕中心点（Partition Around Medoids, PAM）聚类算法进行无监督学习，在不使用结局数据的前提下构建患者亚型分类模型。
关键技术方法包括：1）建立多中心TAVR患者临床数据库（n=220）；2）采用PAM机器学习算法对57项术前变量进行聚类分析；3）通过生存分析比较不同表型群的死亡率差异；4）整合超声心动图应变成像与心肌做功技术评估心室功能。
研究结果揭示出四个具有显著差异的临床表型群。其中集群3和集群4表现出显著的死亡风险增加，其特异性特征为：
集群3：以男性为主（82%），存在严重左心室（LV）与右心室功能异常，常合并低流量低梯度（Low-Flow Low Gradient）条件，NT-proBNP水平显著升高（中位数>4500 pg/mL），6MWT距离显著缩短（平均<200米）。
集群4：患者年龄最高（平均83岁），女性占优（74%），合并症负担最重，NT-proBNP中度升高（中位数1800-2500 pg/mL），左心室收缩功能中度受损，但舒张功能严重异常，6MWT距离同样明显受限（平均220米）。
值得注意的是，这两个高风险集群虽然病理生理机制各异——集群3主要表现为双心室功能衰竭与肺循环受累，集群4则突出表现为高龄相关的多病共存与舒张功能不全，但都显示出运动耐量的显著下降，提示功能状态可作为跨表型的共同风险标志。
该研究的突破性价值在于首次通过数据驱动方式揭示了TAVR术后高风险患者的异质性本质。传统评估体系多将患者视为同质群体，而机器学习聚类分析则精准识别出两种截然不同的高危表型：一种以男性为主的"心室衰竭型"，另一种为高龄女性的"多病共存型"。这种细分不仅深化了对主动脉瓣狭窄病理生理轨迹的理解，更为个体化预后咨询提供了科学依据。
研究结论强调，基于机器学习的表型分析能够超越传统风险评分系统的局限性，实现更精准的死亡风险分层。这种创新方法有望优化TAVR患者选择流程，为不同风险特征的患者制定针对性随访策略，最终改善临床结局。该成果发表于《European Heart Journal - Cardiovascular Imaging》，为心血管影像与人工智能的跨学科融合树立了典范。
