Deep Learning–Enabled Assessment of Right Ventricular Function Improves Prognostication After Transcatheter Edge-to-Edge Repair for Mitral Regurgitation
Notice bibliographique
Résumé
BACKGROUND: Right ventricular (RV) function has a well-established prognostic role in patients with severe mitral regurgitation (MR) undergoing transcatheter edge-to-edge repair (TEER) and is typically assessed using echocardiography-measured tricuspid annular plane systolic excursion. Recently, a deep learning model has been proposed that accurately predicts RV ejection fraction (RVEF) from 2-dimensional echocardiographic videos, with similar diagnostic accuracy as 3-dimensional imaging. This study aimed to evaluate the prognostic value of the deep learning–predicted RVEF values in patients with severe MR undergoing TEER. METHODS: This multicenter registry study analyzed the associations between the predicted RVEF values and 1-year mortality in patients with severe MR undergoing TEER. To predict RVEF, 2-dimensional apical 4-chamber view videos from preprocedural transthoracic echocardiographic studies were exported and processed by a rigorously validated deep learning model. RESULTS: Good-quality 2-dimensional apical 4-chamber view videos could be retrieved for 1154 patients undergoing TEER between 2017 and 2023. Survival at 1 year after TEER was 84.7%. The predicted RVEF values ranged from 26.6% to 64.0% and correlated only modestly with tricuspid annular plane systolic excursion (Pearson R =0.33; P <0.001). Importantly, predicted RVEF was superior to tricuspid annular plane systolic excursion levels in predicting 1-year mortality after TEER (area under the curve, 0.687 versus 0.625; P =0.029). Furthermore, Kaplan-Meier survival analysis revealed that patients with reduced RV function (n=723; defined as a predicted RVEF of <45%) had significantly worse 1-year survival rates than patients with preserved RV function (n=431; defined as a predicted RVEF of ≥45%; 80.3% [95% CI, 77.4%–83.3%] versus 92.1% [95% CI, 89.5%–94.7%]; hazard ratio for 1-year mortality, 2.67 [95% CI, 1.82–3.90]; P <0.001). CONCLUSIONS: Deep learning–enabled assessment of RV function using standard 2-dimensional echocardiographic videos can refine the prognostication of patients with severe MR undergoing TEER. Thus, it can be used to screen for patients with RV dysfunction who might benefit from intensified follow-up care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».