2026年9月，《Journal of the American Society of Echocardiography》（JASE）发表了一项由美国、德国等多个大学医院联合进行的多中心回顾性研究。该研究纳入166例接受经导管三尖瓣介入（TTVI）的重度三尖瓣反流（TR）患者，用AI模型重建右心室较冷门的参数PSV环(压力-容积-应变环），并探究其衍伸出的2项指标和三尖瓣介入手术预后之间的关系。结果显示，2个衍伸指标中PSV-GWW(整体无效做功）和3D RV GLS(三维右心室整体纵向应变）是TTVI术后心衰再住院和全因死亡的独立风险因素。
研究背景
在TR患者中，右心室常因容量负荷过重和后负荷降低而表现为高动力状态。这导致常规超声参数（如TAPSE、右心室面积变化分数等）在TR早期可能正常甚至升高，无法及时反映右心室真实功能受损。PS(压力-容积)值虽是评估心室做功的金标准，但需要专用设备和有创操作，难以常规开展。
压力-应变（PS）分析作为一种无创替代方案，已在主动脉瓣狭窄和肺高血压中显示出预后价值。但在TR患者中，由于前负荷显著升高，PS参数与有创测得的做功参数存在明显差异——这意味着需要将右心室容积纳入分析，才能准确评估TR患者的右心室功能。基于此，研究团队利用AI技术重建右心室压力曲线，并将其与三维右心室纵向应变和容积数据融合，构建PSV环，以更准确地评估右心室做功。
研究设计
研究纳入2017年至2023年间在三家中心接受TTVI的166例患者（56%为女性，平均年龄约80岁）。其中140例（84.3%）接受经导管三尖瓣修复（TTVr），26例（15.7%）接受经导管三尖瓣置换。入组标准包括：术前有适合右心室分析的三维超声图像、有创或无创测得的右心室收缩压峰值、以及12个月随访数据。
AI软件基于右心室收缩压峰值重建右心室压力曲线，并与三维右心室纵向应变和容积曲线融合，构建PSV环。研究计算了PSV衍生的整体做功指数（PSV-GWI）、整体有效做功（PSV-GCW）、整体无效做功（PSV-GWW）和整体做功效率（PSV-GWE）。主要终点为12个月心衰再住院率和全因死亡的复合终点，次要终点为TTVr术后TR进展（至少加重1级及以上）。
三尖瓣修复与三尖瓣置换预后比较
- TR进展预测： 在125例有超声随访数据的三尖瓣修复患者中，33例（26.4%）出现反流加重。在评估了所有右心室功能指标后，只有PSV-GWW能够预测反流加重——PSV-GWW越高的患者，术后反流加重的风险越大；而其他常规超声指标均未能预测这一风险。
- 复合终点预测： 12个月内，31例（18.7%）发生心衰住院或死亡。在校正TRI-SCORE和肺高血压后，3D RV GLS和PSV-GWW是两个能够独立预测这一复合终点的指标。值得注意的是，不包含容积的PS做功参数均未能预测结局，说明将右心室容积纳入分析是必要的。
- 亚组分析： 在87例（52.4%）右心室射血分数（RVEF）保留的患者中，PSV-GWW是唯一与复合终点独立相关的参数。在79例RVEF降低的患者中，仅2D RV间隔纵向应变与复合终点独立相关。这一发现提示，PSV-GWW在常规参数“看起来正常”的患者中仍能识别出隐藏的风险。
- 最佳截断值： 研究发现，当3D RV GLS低于-16.3%（即应变能力更差），或PSV-GWW高于924 mmHg·%·mL（即无效做功更多）时，患者发生心衰住院或死亡的风险显著升高。生存曲线显示，PSV-GWW高于此值的患者，12个月内无事件生存率明显更低。
临床意义
本研究首次在TTVI人群中验证了AI驱动的PSV分析对术后结局的预测价值。其中，PSV-GWW作为TR进展的预测标志物，可能反映了右心室对前负荷和后负荷变化的病理反应以及右心室损伤程度（表现为不同步和效率降低），有助于识别哪些患者能从TTVr中获得长期获益、哪些可能更适合接受三尖瓣置换；3D RV GLS和PSV-GWW对心衰住院和全因死亡复合终点具有独立预测价值，其中PSV-GWW在RVEF保留的患者中仍能提供更敏感的风险分层信息；研究团队建议将这两个参数作为美国超声心动图学会/欧洲心血管影像协会多参数右心室评估框架的补充，用于优化TTVI术前风险分层和个体化治疗决策。
局限性
研究为回顾性设计，可能存在选择偏倚和数据缺失；仅纳入具有适合右心室分析的三维超声图像的患者；临床事件数量有限，限制了多变量模型的统计功效；PSV-GWW和3D RV GLS的最佳截断值来自本研究队列，需在独立人群中验证；三维右心室图像质量和重建的准确性对结果有重要影响，需在更多中心验证可行性。
MedTF评述
这项研究的核心突破在于用AI技术解决了TR患者右心室功能评估的难题。PSV分析通过融合压力、应变和容积三个维度，提供了更接近真实做功状态的评估。PSV-GWW的预后价值在RVEF保留的患者中尤为突出，这意味着即使在常规参数看起来“正常”的患者中，AI分析也能识别出隐藏的风险。