For decades, surgeons have recognized the risk of prosthesis-patient mismatch (PPM) when treating aortic stenosis (AS) with surgical aortic valve replacement (SAVR). The concept of PPM—or placing a valve that is too small for the cardiac output requirements of the patient—has been associated with worse patient outcomes, including increased risk of death. Transcatheter aortic valve replacement (TAVR) has become the standard treatment for most patients with severe symptomatic AS and is associated with improved hemodynamics and lower risks of PPM. Larger surgical valves, stentless, and sutureless technology, and surgical aortic annulus enlargement (AAE) have been employed to avoid severe PPM. However, especially in the small aortic annulus (SAA), TAVR may provide a benefit. Understanding who is at risk for PPM requires preplanning, and cardiac-gated computed tomography (CT) imaging is the standard of care when considering TAVR. It should be standard for all patients with AS. Once SAA is identified, the risk of PPM can be calculated, and an informed decision made on whether to proceed with SAVR or TAVR. In the current TAVR era, younger patients are treated with TAVR driven by patient preference, but with little long-term data to support the practice. Selecting the best valve for the patient is a multifactorial decision often nuanced by anatomical considerations, hemodynamic and durability expectations, and decisions regarding lifetime management that may include placing a second valve. Although PPM may be only one of the factors to consider, the association with elevated mean gradients and worse outcomes certainly makes TAVR a good solution for many patients.

Recommendations for prosthesis type in older patients who underwent surgical aortic valve replacement (SAVR) are established, albeit undervalidated. The purpose of this study is to compare outcomes after bioprosthetic versus mechanical SAVR across various age groups. This was a retrospective study using an institutional SAVR database. All patients who underwent isolated SAVR were compared across valve types and age strata (<65 years, 65 to 75 years, >75 years). Patients who underwent concomitant operations, aortic root interventions, or previous aortic valve replacement were excluded. Objective survival and aortic valve reinterventions were compared. Kaplan-Meier survival estimation and multivariate regression were performed. A total of 1,847 patients underwent SAVR from 2010 to 2023. A total of 1,452 patients (78.6%) received bioprosthetic valves, whereas 395 (21.4%) received mechanical valves. Of those who received bioprosthetic valves, 349 (24.0%) were aged <65 years, 627 (43.2%) were 65 to 75 years, and 476 (32.8%%) were older than 75 years. For patients who received mechanical valves, 308 (78.0%) were aged <65 years, 84 (21.3%) were between 65 and 75 years, and 3 (0.7%) were >75 years. The median follow-up in the total cohort was 6.2 (2.6 to 8.9) years. No statistically significant differences were observed in early-term Kaplan-Meier survival estimates between SAVR valve types in all age groups. However, the cumulative incidence estimates of aortic valve reintervention were significantly higher in patients aged under 65 years who received bioprosthetic than those who received mechanical valves, with 5-year reintervention rates of 5.8% and 3.1%, respectively (p = 0.002). On competing risk analysis for valve reintervention, bioprosthetic valves were significantly associated with an increased hazard of aortic valve reintervention (hazard ratio 3.35, 95% confidence interval 1.73 to 6.49, p <0.001). In conclusion, SAVR with bioprosthetic valves (particularly, in patients aged <65 years) was comparable in survival to mechanical valve SAVR but significantly associated with increased valve reintervention rates.

To report outcomes of total arch replacement (TAR) with hypothermic circulatory arrest and bilateral antegrade cerebral perfusion (bACP) using an "arch first" approach for acute Type A aortic dissection (ATAAD). The "arch first" approach involved revascularization of the aortic arch branch vessels with uninterrupted ACP, before lower body circulatory arrest, while the patient was cooling.

Abstract Background Rapid and accurate diagnosis of infective endocarditis (IE) allows timely management of this life-threatening disease and improves outcome. The Duke criteria have traditionally been the clinical method for diagnosing IE. These criteria were reformulated at different timepoints. We aimed to evaluate the real accuracy of the modified Duke criteria based on several studies that concluded the diagnosis of IE. Methods Three databases were assessed. Studies were considered for inclusion if they reported the use of modified Duke criteria as the initial approach and the confirmation of the diagnosis with the gold standard methods. The meta-analysis of diagnostic test accuracy was performed after fitting the hierarchical summary receiver operating characteristic model (HSROC) with bivariate model and displaying the summarized measures of sensitivity and specificity, and positive and negative likelihood ratios. Results A total of 11 studies were included. Accuracy in the included studies ranged from 62.3 to 92.2%, sensitivity ranged from 58.3 to 84.0%, and specificity ranged from 50.0 to 100%. The combined overall sensitivity and specificity were 85% (95% CI: 0.77–0.90) and 98% (95% CI: 0.89–0.99), respectively. The positive likelihood ratio was 40.2 (95% CI: 7.26–220.74) and the negative likelihood ratio was 0.15 (95% CI: 0.01–0.23). Conclusion The analysis reveals that the modified Duke criteria have a high positive likelihood ratio, suggesting a robust correlation between a positive test result and the existence of IE, and a very good overall specificity at 98%. The latter aspect holds significant importance in order to prevent unnecessary overtreatment, given the intricacies involved in managing IE.

ObjectivesWith the expanding integration of artificial intelligence (AI) and machine learning (ML) into the structural heart domain, numerous ML models have emerged for the prediction of adverse outcomes after transcatheter aortic valve implantation (TAVI). We aim to identify, describe, and critically appraise ML prediction models for adverse outcomes after TAVI. Key objectives consisted in summarizing model performance, evaluating adherence to reporting guidelines, and transparency.MethodsWe searched PubMed, SCOPUS, and Embase through August 2023. We selected published machine learning models predicting TAVI outcomes. Two reviewers independently screened articles, extracted data, and assessed the study quality according to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. Outcomes included summary C-statistics and model risk of bias assessed with the Prediction Model Risk of Bias Assessment Tool. C-statistics were pooled using a random-effects model.ResultsTwenty-one studies (118,153 patients) employing various ML algorithms (76 models) were included in the systematic review. Predictive ability of models varied: 11.8% inadequate (C-statistic <0.60), 26.3% adequate (C-statistic 0.60-0.70), 31.6% acceptable (C-statistic 0.70-0.80), and 30.3% demonstrated excellent (C-statistic >0.80) performance. Meta-analyses revealed excellent predictive performance for early mortality (C-statistic: 0.81; 95% confidence interval [CI], 0.65-0.91), acceptable performance for 1-year mortality (C-statistic: 0.76; 95% CI, 0.67-0.84), and acceptable performance for predicting permanent pacemaker implantation (C-statistic: 0.75; 95% CI, 0.51-0.90).ConclusionsML models for TAVI outcomes exhibit adequate-to-excellent performance, suggesting potential clinical utility. We identified concerns in methodology and transparency, emphasizing the need for improved scientific reporting standards.Graphical abstract