退行性二尖瓣反流病變復(fù)雜，手術(shù)修復(fù)難度大，對(duì)于術(shù)者經(jīng)驗(yàn)要求高，而我國(guó)經(jīng)驗(yàn)豐富的二尖瓣修復(fù)術(shù)者數(shù)量不足，以上因素均限制了二尖瓣修復(fù)術(shù)的廣泛開(kāi)展。

國(guó)內(nèi)外已建立多個(gè)二尖瓣修復(fù)術(shù)難度評(píng)分系統(tǒng)，但是仍存在區(qū)分度、準(zhǔn)確度及適用性欠佳，主觀性強(qiáng)等問(wèn)題。

機(jī)器學(xué)習(xí)為較為前沿的預(yù)測(cè)模型構(gòu)建方法。阜外醫(yī)院劉盛等發(fā)表研究建立基于混合專(zhuān)家（MoE）的機(jī)器學(xué)習(xí)模型，可以較好地預(yù)測(cè)二尖瓣修復(fù)失敗風(fēng)險(xiǎn)，預(yù)測(cè)性能明顯優(yōu)于傳統(tǒng)的復(fù)雜性評(píng)分。

研究者通過(guò)分析納入因退行性二尖瓣病變擬行二尖瓣修復(fù)患者的臨床資料，應(yīng)用極速梯度提升（XGBoost）模型和沙普利可加性解釋模型（SHAP）分析探索二尖瓣修復(fù)失敗的發(fā)生率及風(fēng)險(xiǎn)因素，并建立基于混合專(zhuān)家（MoE）的機(jī)器學(xué)習(xí)模型。

研究納入接受二尖瓣修復(fù)的退行性二尖瓣反流患者共 2 314 例，98 例（4.2%）患者修復(fù)失敗。

2 314例患者按照7∶1∶2的比例將數(shù)據(jù)隨機(jī)拆分為訓(xùn)練集、驗(yàn)證集、測(cè)試集，其數(shù)據(jù)量分別為1 619例、232例、463例。

二尖瓣病變復(fù)雜程度決定了瓣膜修復(fù)的成功率、遠(yuǎn)期反流復(fù)發(fā)及再手術(shù)風(fēng)險(xiǎn)。

該研究同樣發(fā)現(xiàn)，三尖瓣收縮期壓差，A3、A3P3 區(qū)病變，左心室收縮末期容積，左心房前后徑等，均是二尖瓣修復(fù)失敗的重要風(fēng)險(xiǎn)因素。

除患者自身因素外，外科醫(yī)師經(jīng)驗(yàn)同樣是影響二尖瓣修復(fù)成功率、遠(yuǎn)期再手術(shù)率及患者生存率的重要因素。

該研究發(fā)現(xiàn)，術(shù)者年資<15 年、術(shù)者累積主刀修復(fù)手術(shù)量<50 例、術(shù)者累積修復(fù)失敗率高于0.2%，均是二尖瓣修復(fù)失敗的風(fēng)險(xiǎn)因素。

這意味著二尖瓣修復(fù)術(shù)有著較高的學(xué)習(xí)曲線，需要較大手術(shù)量的積累。同時(shí)，主刀年資更久的術(shù)者可能意味著配合更為嫻熟的手術(shù)、麻醉、體外循環(huán)團(tuán)隊(duì)，以上因素均可能帶來(lái)二尖瓣修復(fù)成功率的提升。

該研究所建立二尖瓣修復(fù)失敗風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)性能更好，且納入了術(shù)者經(jīng)驗(yàn)等因素，評(píng)估預(yù)測(cè)更為準(zhǔn)確全面。

同時(shí)，該研究中所納入超聲心動(dòng)圖數(shù)據(jù)均為術(shù)前經(jīng)胸超聲心動(dòng)圖，預(yù)測(cè)模型所納入變量均可術(shù)前獲得，因此，該模型可以幫助臨床醫(yī)師于術(shù)前預(yù)估手術(shù)失敗風(fēng)險(xiǎn)，

充分向患者及家屬溝通修復(fù)成功率及術(shù)中擬行瓣膜置換的風(fēng)險(xiǎn)，進(jìn)一步增強(qiáng)醫(yī)患溝通。

基于MoE的機(jī)器學(xué)習(xí)模型及既往研究中的復(fù)雜性評(píng)分在測(cè)試隊(duì)列中的預(yù)測(cè)性能分析發(fā)現(xiàn)，這種預(yù)測(cè)模型，ROC曲線的AUC為0.79，預(yù)測(cè)性能明顯優(yōu)于傳統(tǒng)的復(fù)雜性評(píng)分。

該研究基于XGBoost模型和SHAP進(jìn)行了特征分析。相較于簡(jiǎn)單線性模型， XGBoost是一種基于梯度提升決策樹(shù)的算法，通過(guò)組合多個(gè)弱模型構(gòu)建一個(gè)強(qiáng)模型，從而實(shí)現(xiàn)更加卓越的預(yù)測(cè)性能。

SHAP是一種基于合作博弈論的解釋性方法，它將預(yù)測(cè)結(jié)果歸因于各個(gè)特征的具體貢獻(xiàn)，可量化每個(gè)特征對(duì)預(yù)測(cè)結(jié)果的影響程度以及正負(fù)性，從而提供了全局和局部的可解釋性。

研究者指出，與傳統(tǒng)機(jī)器學(xué)習(xí)使用單一模型建模不同，該研究應(yīng)用的基于 MoE 的機(jī)器學(xué)習(xí)模型，其針對(duì)不同特性的數(shù)據(jù)子集訓(xùn)練多個(gè)獨(dú)立的“專(zhuān)家模型”，每一個(gè)“專(zhuān)家”都在其擅長(zhǎng)的領(lǐng)域內(nèi)做出貢獻(xiàn)，最后整合多個(gè)“專(zhuān)家模型”輸出作為最終結(jié)果。

隨著樣本量的擴(kuò)充及隨訪數(shù)據(jù)的完善，該評(píng)估系統(tǒng)可以進(jìn)一步迭代更新，提升評(píng)估的準(zhǔn)確度及適用性，未來(lái)可以在評(píng)估二尖瓣修復(fù)難度方面發(fā)揮更大作用。