超声心动图在肺动脉高压风险评估中的增量价值：ULTRA RIGHT VALUE 注册研究的人工智能机器学习分析
核心概要
在 401 例欧洲多中心前瞻性肺动脉高压（PAH）队列中，将右心室超声心动图参数（尤其是右心室-肺动脉耦联指标）纳入 ESC/ERS 与 REVEAL 2.0 风险评分后，机器学习分析显示死亡与发病预测的 c-index 分别从 0.73 提升至 0.78、从 0.74 提升至 0.79（P<0.01），提示超声心动图可提升现有 PAH 风险评分的预测能力。
深度剖析
右心室形态学与功能超声参数与低风险状态相关：形态学参数每降低一个单位，达到或维持低风险状态的比值比在 ESC/ERS 与 REVEAL 评分中分别最高增加 69% 与 92%；功能参数每升高一个单位，比值比分别最高增加 1.28 与 1.78。 既往风险评分未完全纳入右心室评估，本研究以 401 例患者的队列数据量化了超声形态与功能指标同低风险状态之间的关联强度。 基于 2022 年 1 月至 2023 年 12 月入组的多中心前瞻性队列，样本量 401 例，采用比值比报告关联，属观察性关联证据。
在 ESC/ERS 与 REVEAL 2.0 评分中加入超声心动图变量后，死亡与发病预测的 c-index 分别由 0.73（95%CI 0.69-0.76）升至 0.78（95%CI 0.75-0.81），以及由 0.74（95%CI 0.67-0.83）升至 0.79（95%CI 0.76-0.82），差异均有统计学意义（P<0.01）。 相对仅使用既有评分，加入超声变量带来了可测量的判别能力提升，且提升在两个独立评分体系中方向一致。 前瞻性队列中同时进行超声与两种评分评估，报告了置信区间与 P 值，属中等强度的预测模型增量证据。
机器学习分析显示，右心室-肺动脉耦联（RV-PA coupling）相关指标对 c-index 的影响最大，是表现最优的超声评估维度。 在众多超声参数中定位出 RV-PA 耦联这一关键维度，为后续聚焦测量与建模提供方向。 结论来自机器学习变量重要性分析，属模型内部推断，未在文中报告外部验证。
启示与展望
该结果适用于欧洲多中心、已确诊（prevalent）PAH 且接受超声与 ESC/ERS、REVEAL 2.0 评估的成人患者，提示在既有评分基础上补充右心室超声参数（尤其是 RV-PA 耦联指标）可提升风险判别；对初诊患者、其他地区人群及不同超声操作者的一致性尚待明确。
读者仍会关注：机器学习模型的具体类型与验证方式、RV-PA 耦联指标的具体测量定义、c-index 提升在临床决策中的实际意义，以及该增量在不同亚组与随访时长下是否稳定；本次仅基于摘要级文本，图、表与补充材料中的细节未能纳入。