DOI: https://doi.org/10.1161/jaha.125.045179
PMID: https://pubmed.ncbi.nlm.nih.gov/41532549
تاريخ النشر: 2026-01-14
المؤلف: Jiesuck Park وآخرون
الموضوع الرئيسي: أمراض وصمامات القلب والعلاجات
نظرة عامة
تستقصي الدراسة فائدة مؤشر مشتق من التعلم العميق لتقدم تضيق الشريان الأورطي (AS)، المشار إليه باسم DLi-ASc، في مجموعة من 2,373 مريضًا مع إجمالي 7,371 تخطيط صدى القلب عبر الصدر (TTEs). تسلط الأبحاث الضوء على أن DLi-ASc، الذي يتم قياسه من 0 إلى 100 بناءً على مشاهد تخطيط صدى القلب، يزيد بالتزامن مع تدهور مراحل AS (p for trend <0.001). تم العثور على علاقات قوية بين DLi-ASc والمعلمات الديناميكية الدموية الرئيسية، مثل الحد الأقصى لسرعة صمام الشريان الأورطي (Vmax) (معامل ارتباط بيرسون [PCC] = 0.69، p<0.001) ومتوسط فرق الضغط (mPG) (PCC = 0.66، p<0.001). ومن الجدير بالذكر أن قيم DLi-ASc الأساسية الأعلى كانت مرتبطة بتقدم أسرع في AS (p for trend <0.001). تشير النتائج إلى أن كل من DLi-ASc الأساسي وتغيره السنوي هما مؤشرات تنبؤية مهمة لتقدم AS، حيث يرتبط التغير السنوي بقوة مع تقدم Vmax (PCC = 0.71، p<0.001) وmPG (PCC = 0.68، p<0.001). في نماذج المخاطر المتنافسة، تنبأ DLi-ASc الأساسي بشكل مستقل بالانتقال إلى AS الشديد، مع نسب خطر تبلغ 2.38 و2.80 لكل زيادة بمقدار 10 نقاط عند تعديلها لـ Vmax وmPG، على التوالي. تؤكد هذه النتائج على إمكانية استخدام DLi-ASc كعلامة حيوية تصويرية غير جراحية لمراقبة تقدم AS وتصنيف مخاطر المرضى، مما يسهل استراتيجيات المراقبة الشخصية.
مقدمة
تضيق الشريان الأورطي (AS) هو حالة تقدمية تزداد شيوعًا في الفئات العمرية الأكبر، مما يتطلب مراقبة فعالة وتدخلًا في الوقت المناسب. يعد تخطيط صدى القلب عبر الصدر (TTE) الطريقة القياسية لتقييم AS؛ ومع ذلك، فإن اعتماده على معلمات مشتقة من دوبلر المختلفة يقدم تباينًا ويتطلب خبرة كبيرة من المشغل. لتحسين الموضوعية وقابلية التوسع في تقييم AS، تم التحقيق في الذكاء الاصطناعي (AI)، مع التركيز على أتمتة التقييمات وتوقع AS المهم باستخدام بيانات تصوير محدودة. تشمل التطورات الأخيرة مؤشرًا جديدًا مشتقًا من التعلم العميق لشدة AS، يسمى DLi-ASc، والذي يستخدم مشاهد TTE محدودة (إما المحور الطويل أو المحور القصير) ضمن إطار تعلم متعدد المهام. يجمع هذا النهج بين توقعات درجات شدة AS الترتيبية مع المعلمات التقليدية لتخطيط صدى القلب لإنتاج مؤشر شدة مستمر، مما يظهر دقة تشخيصية وقيمة تنبؤية مقارنة بالطرق التقليدية.
تهدف الدراسة الحالية إلى توسيع تطبيق DLi-ASc لتقييم AS الطولي من خلال توصيف التغيرات الزمنية في المؤشر، معبرًا عن هذه التغيرات كمعدلات سنوية، وفحص ارتباطها مع المعلمات التقليدية لتخطيط صدى القلب. بالإضافة إلى ذلك، تقيم الدراسة الأهمية التنبؤية لكل من DLi-ASc الأساسي ومعدل تغيره السنوي في توقع تقدم AS الشديد. من خلال معالجة هذه الجوانب، تسعى الأبحاث إلى إثبات أن مؤشر AS المشتق من التعلم العميق يمكن أن يلتقط بفعالية مسارات المرض بمرور الوقت، مما يوفر علامة معيارية وقابلة للتفسير لتوقع المخاطر والمراقبة على المدى الطويل.
طرق
في قسم الطرق، يشير المؤلفون إلى أن البيانات التي تدعم نتائج الدراسة يمكن الوصول إليها عند الطلب المعقول. يُدعى الباحثون المهتمون للتواصل مع المؤلف المراسل عبر البريد الإلكتروني (yeonyeeyoon@gmail.com) للحصول على مجموعة البيانات المجهولة الأساسية. بالإضافة إلى ذلك، يتم الترحيب بالاستفسارات المتعلقة بنموذج التعلم العميق الذي تم تطويره في الدراسة من قبل المؤلف المراسل. يضمن هذا النهج الشفافية ويسهل التعاون البحثي الإضافي.
نتائج
تشير النتائج إلى أن DLi-ASc يعمل كعلامة بديلة واعدة لمراقبة تقدم تضيق الشريان الأورطي (AS) على المدى الطويل. كشفت المسارات على مستوى الفرد أنه بينما زاد DLi-ASc عمومًا بمرور الوقت، حدثت انخفاضات مؤقتة في 33.9% من تخطيطات صدى القلب المتتالية (TTEs)، خاصة مع فترات المتابعة الأقصر (الوسيط 13 شهرًا). انخفضت هذه النسبة إلى 23.2% عند مقارنة أول وآخر TTEs (الوسيط 43 شهرًا)، مما يشير إلى أن الانخفاضات قصيرة الأجل قد تُعزى إلى التباين الفني بدلاً من التغيرات البيولوجية الحقيقية. بالإضافة إلى ذلك، وُجد أن حجم تغييرات DLi-ASc يزداد مع فترات الفحص الأطول.
أظهر التحليل الإضافي أن DLi-ASc الأساسي هو مؤشر مستقل مهم لتقدم AS الشديد عبر نماذج التعديل المختلفة، مع نسب خطر (HRs) تشير إلى ارتباط قوي مع زيادة المخاطر. على سبيل المثال، في النموذج المعدل لعوامل سريرية فقط، كانت نسبة الخطر لكل زيادة بمقدار 10 نقاط في DLi-ASc 4.03 (95% CI: 3.40-4.78). كما أظهرت مجموعات DLi-ASc الفئوية ارتباطات خطر كبيرة، مع نسب خطر تبلغ 4.59 و10.80 للمجموعات التي لديها DLi-ASc من 60-70 و≥70، على التوالي، مقارنة بالمجموعة المرجعية. أكدت تحليلات الحساسية قوة DLi-ASc كعلامة تنبؤية حتى عند اقتصارها على المتابعة بعد التشخيص، مما يعزز فائدتها في الإعدادات السريرية لتقييم تقدم AS.
مناقشة
في هذه الدراسة الطولية، بحث المؤلفون في فائدة المؤشر المشتق من التعلم العميق لتضيق الشريان الأورطي (DLi-ASc) في مراقبة تقدم المرض من خلال فحوصات تخطيط صدى القلب عبر الصدر (TTE) المتسلسلة. شملت الدراسة 2,373 مريضًا من مستشفيين في كوريا الجنوبية، مع تحليل إجمالي 7,371 TTEs. ضمنت معايير الاستبعاد اتساق المنهجية، مع التركيز على المرضى الذين تم تشخيصهم بتضيق الشريان الأورطي (AS) وتجنب العوامل المربكة مثل ارتجاع الشريان الأورطي الشديد أو مرض صمام الميترال الكبير. قدم DLi-ASc، الذي تم إنشاؤه من تحليل الشبكة العصبية التلافيفية ثلاثية الأبعاد لمقاطع فيديو TTE، درجة شدة مستمرة تتوافق بقوة مع المعلمات التقليدية لـ AS، مثل الحد الأقصى لسرعة صمام الشريان الأورطي (Vmax) ومتوسط فرق الضغط (mPG).
أشارت النتائج إلى أن كل من درجات DLi-ASc الأساسية ومعدلات تغيرها السنوية كانت مرتبطة بشكل كبير بتقدم AS، حيث تنبأت بشكل مستقل بالانتقال إلى AS الشديد في نماذج معدلة للمخاطر المتنافسة. سلطت الدراسة الضوء على أن الدرجات الأساسية الأعلى (≥60) والزيادات السريعة (≥1.2 نقطة/سنة) كانت مرتبطة بزيادة ملحوظة في خطر تقدم AS الشديد. تشير هذه النتائج إلى أن DLi-ASc يمكن أن يعمل كعلامة حيوية غير جراحية قيمة لتتبع تقدم AS وتوجيه استراتيجيات مراقبة المرضى الشخصية. ومع ذلك، اعترف المؤلفون بالقيود المتعلقة بالتصميم الرجعي والحاجة إلى مزيد من التحقق في إعدادات سريرية متنوعة. بشكل عام، تؤكد الدراسة على إمكانيات تخطيط صدى القلب المعزز بالذكاء الاصطناعي في تحسين إدارة AS ونتائج المرضى.
DOI: https://doi.org/10.1161/jaha.125.045179
PMID: https://pubmed.ncbi.nlm.nih.gov/41532549
Publication Date: 2026-01-14
Author(s): Jiesuck Park et al.
Primary Topic: Cardiac Valve Diseases and Treatments
Overview
The study investigates the utility of a deep learning-derived index for aortic stenosis (AS) progression, referred to as DLi-ASc, in a cohort of 2,373 patients with a total of 7,371 transthoracic echocardiograms (TTEs). The research highlights that DLi-ASc, which is scaled from 0 to 100 based on echocardiographic views, increases in tandem with the worsening stages of AS (p for trend <0.001). Strong correlations were found between DLi-ASc and key hemodynamic parameters, such as aortic valve maximal velocity (Vmax) (Pearson correlation coefficient [PCC] = 0.69, p<0.001) and mean pressure gradient (mPG) (PCC = 0.66, p<0.001). Notably, higher baseline DLi-ASc values were linked to a more rapid progression of AS (p for trend <0.001). The findings indicate that both the baseline DLi-ASc and its annualized change are significant predictors of AS progression, with the annualized change correlating strongly with the progression of Vmax (PCC = 0.71, p<0.001) and mPG (PCC = 0.68, p<0.001). In competing risk models, baseline DLi-ASc independently predicted the transition to severe AS, with hazard ratios of 2.38 and 2.80 per 10-point increase when adjusted for Vmax and mPG, respectively. These results underscore the potential of DLi-ASc as a non-invasive imaging biomarker for monitoring AS progression and stratifying patient risk, thereby facilitating personalized surveillance strategies.
Introduction
Aortic stenosis (AS) is a progressive condition that is increasingly common in older populations, necessitating effective monitoring and timely intervention. Transthoracic echocardiography (TTE) is the standard method for evaluating AS; however, its dependence on various Doppler-derived parameters introduces variability and requires significant operator expertise. To improve objectivity and scalability in AS assessment, artificial intelligence (AI) has been investigated, focusing on automating evaluations and predicting significant AS using limited imaging data. Recent developments include a novel deep learning-derived index for AS severity, termed DLi-ASc, which utilizes limited TTE views (either parasternal long-axis or short-axis) within a multi-task learning framework. This approach combines ordinal AS severity grade predictions with conventional echocardiographic parameters to yield a continuous severity index, demonstrating diagnostic accuracy and prognostic value comparable to traditional methods.
The current study aims to extend the application of DLi-ASc to longitudinal AS assessment by characterizing temporal changes in the index, expressing these changes as annualized rates, and examining their correlation with conventional echocardiographic parameters. Additionally, the study evaluates the prognostic significance of both the baseline DLi-ASc and its annualized rate of change in predicting severe AS progression. By addressing these aspects, the research seeks to demonstrate that a deep learning-derived AS index can effectively capture disease trajectories over time, providing a standardized and interpretable marker for risk prediction and long-term monitoring.
Methods
In the Methods section, the authors indicate that the data supporting the findings of the study can be accessed upon reasonable request. Interested researchers are invited to contact the corresponding author via email (yeonyeeyoon@gmail.com) to obtain the minimal anonymized dataset. Additionally, inquiries regarding the deep learning model developed in the study are also welcomed by the corresponding author. This approach ensures transparency and facilitates further research collaboration.
Results
The results indicate that DLi-ASc serves as a promising surrogate marker for monitoring long-term aortic stenosis (AS) progression. Individual-level trajectories revealed that while DLi-ASc generally increased over time, transient decreases occurred in 33.9% of consecutive transthoracic echocardiograms (TTEs), particularly with shorter follow-up intervals (median 13 months). This proportion decreased to 23.2% when comparing the first and last TTEs (median 43 months), suggesting that short-term decreases may be attributed to technical variability rather than true biological changes. Additionally, the magnitude of DLi-ASc changes was found to increase with longer interscan intervals.
Further analysis demonstrated that baseline DLi-ASc is a significant independent predictor of severe AS progression across various adjustment models, with hazard ratios (HRs) indicating a strong association with increased risk. For instance, in the model adjusted for clinical factors only, the HR per 10-point increase in DLi-ASc was 4.03 (95% CI: 3.40-4.78). Categorical DLi-ASc groups also showed significant risk associations, with HRs of 4.59 and 10.80 for groups with DLi-ASc of 60-70 and ≥70, respectively, compared to the reference group. Sensitivity analyses confirmed the robustness of DLi-ASc as a prognostic marker even when limited to post-diagnosis follow-up, reinforcing its utility in clinical settings for assessing AS progression.
Discussion
In this longitudinal study, the authors investigated the utility of the deep learning-derived index for aortic stenosis (DLi-ASc) in monitoring disease progression through serial transthoracic echocardiography (TTE) examinations. The study included 2,373 patients from two South Korean hospitals, with a total of 7,371 TTEs analyzed. Exclusion criteria ensured methodological consistency, focusing on patients diagnosed with aortic stenosis (AS) and avoiding confounding factors such as severe aortic regurgitation or significant mitral valve disease. The DLi-ASc, generated from 3D convolutional neural network analysis of TTE videos, provided a continuous severity score that correlated strongly with conventional AS parameters, such as aortic valve maximal velocity (Vmax) and mean pressure gradient (mPG).
Findings indicated that both baseline DLi-ASc scores and their annualized rates of change were significantly associated with the progression of AS, independently predicting the transition to severe AS in competing risk-adjusted models. The study highlighted that higher baseline scores (≥60) and rapid increases (≥1.2 points/year) were linked to a marked rise in the risk of severe AS progression. These results suggest that DLi-ASc can serve as a valuable noninvasive biomarker for tracking AS progression and guiding personalized patient monitoring strategies. However, the authors acknowledged limitations related to the retrospective design and the need for further validation in diverse clinical settings. Overall, the study emphasizes the potential of AI-enhanced echocardiography in improving AS management and patient outcomes.