A probabilistic reduced-order modeling framework for patient-specific cardio-mechanical analysis

Resumen Técnico: Un Marco de Modelado de Orden Reducido Probabilístico para el Análisis Cardio-Mecánico Específico del Paciente

Planteamiento del Problema
Los modelos computacionales específicos del paciente para la mecánica cardíaca ofrecen un potencial significativo para apoyar la toma de decisiones clínicas. Sin embargo, el esfuerzo computacional sustancial requerido por los modelos de orden completo (FOM) de alta fidelidad, como los modelos de análisis isogeométrico (IGA), dificulta su aplicación directa en entornos clínicos donde es esencial una respuesta rápida. Aunque estos modelos proporcionan información valiosa, el tiempo requerido para la simulación y, crucialmente, para la calibración del modelo (que a menudo requiere cientos de evaluaciones), los hace poco prácticos para el uso clínico rutinario. Existe una necesidad de enfoques de modelado de orden reducido (ROM) que puedan reducir drásticamente los costos computacionales mientras retienen la capacidad de incorporar datos específicos del paciente y proporcionar una medida de credibilidad de los resultados.

Metodología
Los autores proponen un marco ROM probabilístico que cierra la brecha entre un FOM computacionalmente costoso y un modelo en línea de evaluación rápida. El marco opera en dos etapas: una etapa de calibración fuera de línea y una etapa de predicción en línea.

1. Modelo de Orden Completo (FOM): El FOM es un modelo de análisis cardíaco isogeométrico basado en splines racionales no uniformes (NURBS). Acopla una descripción de mecánica de medios continuos no lineal 3D del miocardio con un sistema circulatorio de parámetros concentrados 0D y un potencial de activación fenomenológico. Este modelo genera datos detallados de desplazamiento, tensión y presión-volumen, pero requiere horas de tiempo de simulación.
2. Modelo de Orden Reducido (ROM): El núcleo del ROM es un modelo "generalizado de una fibra". A diferencia de los modelos estándar de una fibra que dependen únicamente de los volúmenes de la cavidad y de la pared, esta versión generalizada incorpora factores de corrección ($\alpha, \beta$) para tener en cuenta las variaciones de la geometría local (por ejemplo, forma, orientación de las fibras) y parámetros de rigidez ($\gamma, \lambda$) para relacionar las leyes constitutivas simplificadas con el FOM. El ROM utiliza las mismas entradas que el FOM (geometría derivada de ecocardiogramas, rigidez del tejido, parámetros circulatorios), pero resuelve una relación analítica simplificada entre presión y volumen.
3. Calibración Probabilística (Etapa Fuera de Línea): Para calibrar el ROM al FOM, los autores emplean inferencia bayesiana. Para un conjunto de geometrías de entrenamiento, se simula el FOM para generar bucles de presión-volumen. Luego, los factores de corrección del ROM se infieren al igualar la salida del ROM con la salida del FOM, tratando la discrepancia como ruido. Este proceso produce una distribución posterior para los factores de corrección, capturando la incertidumbre.
4. Mapeo de Geometría mediante Procesos Gaussianos (GP): Dado que los datos de entrenamiento del FOM son limitados, se entrena un Proceso Gaussiano (GP) para mapear descriptores geométricos de baja dimensión a los factores de corrección.
   • Para geometrías idealizadas, la entrada se define mediante dos parámetros de escala.
   • Para geometrías de pacientes basadas en escaneos, la entrada es un conjunto de coeficientes modales derivados de una Descomposición Ortogonal Propia (POD) de una población sintética de ventrículos NURBS. Esto reduce los puntos de control NURBS de alta dimensión a un número manejable de parámetros (por ejemplo, 4 modos).
5. Predicción en Línea: En el entorno clínico, la geometría de un nuevo paciente se proyecta sobre la base modal para obtener coeficientes. El GP entrenado predice los factores de corrección (y su incertidumbre) para esta nueva geometría. Luego, el ROM se evalúa utilizando estos factores para generar una predicción rápida de presión-volumen con un intervalo de credibilidad asociado.

Contribuciones Clave

• Arquitectura ROM Híbrida: El marco combina un ROM de física simplificada (modelo generalizado de una fibra) con técnicas basadas en datos (Procesos Gaussianos) y calibración bayesiana. Esto permite que el ROM retenga la estructura de entrada del FOM (incluyendo datos de escaneo complejos) mientras permanece computacionalmente eficiente.
• Cuantificación Probabilística de la Incertidumbre: A diferencia de los ROM deterministas, este marco proporciona bandas de incertidumbre (intervalos de credibilidad) para sus predicciones. La anchura de estas bandas sirve como indicador de la confiabilidad del modelo; bandas anchas sugieren la necesidad de datos de entrenamiento adicionales.
• Parametrización Basada en Escaneos: Los autores demuestran un método para integrar geometrías complejas de pacientes basadas en escaneos en un ROM de baja dimensión utilizando POD. Esto aborda el desafío de mapear datos de imagen clínica de alta dimensión a modelos de física simplificada.
• Estrategia de Aprendizaje Secuencial: El marco soporta un enfoque iterativo donde los datos de nuevos pacientes pueden añadirse al conjunto de entrenamiento (mediante simulación FOM fuera de línea) para refinar el GP y mejorar las predicciones en línea futuras.

Resultados
El marco se validó mediante dos ejemplos:

1. Ventrículos Idealizados: Utilizando un elipsoide truncado parametrizado por dos variables geométricas, los autores mostraron que el ROM podía capturar con precisión los comportamientos de presión-volumen para geometrías que no estaban en el conjunto de entrenamiento. El GP interpoló con éxito los factores de corrección, y las bandas de incertidumbre resultantes se estrecharon a medida que se añadían más datos de entrenamiento.
2. Geometrías Basadas en Escaneos: Utilizando geometrías NURBS ajustadas a partir de datos de escaneo y parametrizadas por cuatro modos POD, el marco se probó en casos específicos del paciente.
   • El GP pudo predecir factores de corrección para nuevos pacientes, pero la incertidumbre fue inicialmente alta si la geometría del paciente estaba lejos del conjunto de entrenamiento.
   • Cuando la banda de incertidumbre era grande (comparable al ruido del modelo), el marco marcó correctamente la predicción como poco fiable.
   • Añadir la simulación FOM específica del paciente al conjunto de entrenamiento mejoró significativamente la precisión de la predicción para ese paciente y refinó el comportamiento local del GP, demostrando la utilidad del enfoque de aprendizaje secuencial.

Significado y Afirmaciones
Los autores afirman que este marco ofrece una solución versátil para el análisis cardíaco específico del paciente que equilibra la eficiencia computacional con la precisión. Los aspectos clave de su afirmación incluyen:

• Viabilidad Clínica: Al reducir el tiempo de evaluación en línea a segundos (mediante el ROM) mientras se mantiene la fidelidad de entrada del FOM, el marco hace viable el análisis específico del paciente para el apoyo a la toma de decisiones clínicas.
• Confiabilidad mediante Incertidumbre: La provisión de bandas de incertidumbre se presenta como una característica crítica. Permite a los clínicos evaluar la fiabilidad de los resultados; las bandas de incertidumbre grandes actúan como una señal de que los datos de entrenamiento actuales son insuficientes para esa geometría de paciente específica, lo que impulsa la recopilación de más datos.
• Modularidad: El marco está diseñado para ser modular, permitiendo la sustitución de diferentes FOM, ROM o técnicas de mapeo sin cambios fundamentales en la estructura general.
• Limitaciones: Los autores notan modestamente que el modelo simplificado de una fibra no puede capturar todas las complejidades físicas (por ejemplo, heterogeneidad del material o dinámicas específicas de la fase de llenado) y que el marco requiere un conjunto de entrenamiento de alta calidad para un problema clínico específico para ser efectivo. Enfatizan que se necesitan pasos adicionales de validación clínica e integración del flujo de trabajo antes de la implementación clínica real.