Abstract Background Acute lung injury (ALI) is a serious adverse event in the management of acute type A aortic dissection (ATAAD). Using a large-scale cohort, we applied artificial intelligence-driven approach to stratify patients with different outcomes and treatment responses. Methods 2499 patients from China 5A study database (2016-2022) from 10 cardiovascular centers was divided into 70% for derivation cohort and 30% for validation cohort, in which Extreme gradient boosting algorithm was used to develop ALI risk model. Logistic regression was used to assess the risk under anti-inflammatory strategies in different risk probability. Results Eight top features of importance (leucocyte, platelet, hemoglobin, base excess, age, creatinine, glucose, and left ventricular end-diastolic dimension) was used to developed and validated an ALI risk model, with adequate discrimination ability regarding area under the receiver operating characteristic curve of 0.844 and 0.799 in the derivation and validation cohort, respectively. By the individualized treatment effect prediction, ulinastatin use was significantly associated with significantly lower risk of developing ALI (OR 0.623 [95% CI 0.456, 0.851]; P=0.003) in patients with a predicted ALI risk of 32.5%-73.0%, rather than in pooled patients with a risk of < 32.5% and > 73.0% (OR 0.929 [0.682, 1.267], P=0.642) (Pinteraction=0.075). Conclusions An artificial intelligence-driven risk stratification of ALI following ATAAD surgery were developed and validated, and subgroup analysis showed the heterogeneity of anti-inflammatory pharmacotherapy, which suggested individualized anti-inflammatory strategies in different risk probability of ALI.

The main pathogenic factor leading to cardiac remodeling and heart failure is myocardial fibrosis. Recent research indicates that microRNAs are essential for the progress of cardiac fibrosis. Myocardial fibrosis is considered to be alleviated through the bone morphogenetic protein and activin membrane-bound inhibitor (BAMBI), which does this by blocking the transforming growth factor β1 (TGF-β1) signaling pathway. Here, this study sought to elucidate the post-transcriptional regulation of miR-19a-3p on BAMBI and its role in TGF-β1-induced cardiac fibroblast activation. Transverse aortic constriction (TAC) caused both myocardial interstitial and perivascular collagen deposition. RT-PCR showed that miR-19a-3p was upregulated in the myocardial tissue of cardiac fibrosis, and TGF-β1 induced an increase of miR-19a-3p expression in cardiac fibroblasts. The dual-luciferase reporter test and qRT-PCR confirmed that miR-19a-3p directly combined with BAMBI mRNA 3'UTR, thus reduced BAMBI expression, which diminished the capability of BAMBI to inhibit TGF-β1. Furthermore, miR-19a-3p mimic increased the activation of TGF-β1/SMAD2/3 pathway signaling, which supported cardiac fibroblast activation, which blocked by overexpression of BAMBI. These findings imply that miR-19a-3p enhances the activation of TGF-β1/SMAD2/3 by inhibiting BAMBI, further boosting the activation of cardiac fibroblasts, and may thus offer a novel strategy to tackling myocardial fibrosis.