Markov chain Monte Carlo for Bayesian inference of the non-conducting region in intra-atrial reentrant tachycardia

Título: Cadenas de Markov Monte Carlo (MCMC) para la inferencia bayesiana de la región no conductora en la taquicardia auricular reentrante intra-auricular (IART)

1. Planteamiento del Problema

El trabajo aborda el desafío de calibrar modelos matemáticos de electrofisiología cardíaca (EP) para la creación de "gemelos virtuales" del corazón. Específicamente, se centra en la estimación de parámetros geométricos que describen una región no conductora (por ejemplo, una cicatriz quirúrgica) en el tejido cardíaco, la cual es la causa de la Taquicardia Auricular Reentrante Intra-auricular (IART).

• Desafío principal: La estimación determinista tradicional (buscar un único ajuste óptimo) ignora la incertidumbre inherente a los datos de medición (ruido) y a los errores de discretización numérica.
• Objetivo: Desarrollar un marco de inferencia bayesiana que no solo estime la geometría de la región no conductora (definida por un elipse con radios $a, b$ y ángulo $\phi$), sino que también cuantifique la incertidumbre asociada a estas estimaciones.
• Dificultades técnicas:
  • El modelo directo (forward model) es una ecuación diferencial parcial (EDP) costosa computacionalmente (modelo monodominio).
  • Los errores de discretización (malla) introducen discontinuidades artificiales en la función de verosimilitud, lo que puede llevar a estimaciones sobreconfiadas o incorrectas.
  • La alta dimensionalidad y las correlaciones entre parámetros dificultan la exploración eficiente del espacio de parámetros.

2. Metodología

Los autores proponen un enfoque integral que combina modelado físico, reducción de datos y algoritmos MCMC adaptados.

• Modelo Físico (Forward Model):

  • Se utiliza el modelo monodominio con la dinámica celular modificada de Mitchell-Schaeffer para simular la propagación de ondas eléctricas.
  • La región no conductora se modela como un "agujero" en el dominio donde la difusividad es cero.
  • Se simula la IART imponiendo una condición inicial de onda espiral generada mediante una simulación de pre-estimulación (S1-S2).

• Datos Sintéticos:

  • Se generan electrogramas (EGM) sintéticos simulando mediciones de un catéter de mapeo de alta densidad (PENTARAY®) en la superficie endocárdica.
  • Se añade ruido gaussiano a las mediciones para simular errores reales.

• Verosimilitud Comprimida (Compressed Likelihood):

  • En lugar de usar las series temporales completas de los EGM (alta dimensionalidad), se extraen cantidades caracterizadoras de bajo nivel:
    1. El periodo de la espiral.
    2. El tiempo de activación local relativo (relLAT) en cada electrodo.
  • Esto reduce la dimensión de los datos, mejora la eficiencia de muestreo y facilita la modelización del ruido.

• Manejo del Error de Discretización:

  • Se reconoce que la malla computacional cambia al variar los parámetros geométricos, creando discontinuidades en la solución numérica.
  • Se modela el error de discretización como una variable aleatoria gaussiana adicional ($d \sim N(0, \Sigma_d)$) que se suma a la varianza de la verosimilitud, evitando así la subestimación de la incertidumbre.

• Algoritmo MCMC Adaptado (Metropolis-Hastings):

  • Propuesta Adaptativa: Se utiliza una estrategia de Adaptive Metropolis (AM) que ajusta la covarianza de la distribución de propuesta durante el muestreo basándose en las muestras anteriores. Esto permite una exploración eficiente de espacios de parámetros correlacionados y anisotrópicos.
  • Estrategia de Reubicación de Nodos (Node Relocation): En el paso de aceptación/rechazo, en lugar de generar una malla independiente desde cero para cada propuesta, se intenta reubicar los nodos de la malla anterior para adaptarla a la nueva geometría propuesta. Esto suaviza la función de verosimilitud localmente, reduciendo las discontinuidades artificiales y mejorando la tasa de aceptación.

3. Contribuciones Clave

1. Formulación Bayesiana: Establecimiento de un marco riguroso para la estimación de parámetros geométricos de regiones no conductoras con cuantificación de incertidumbre, superando los enfoques deterministas.
2. Verosimilitud Comprimida: Reducción de la dimensionalidad de los datos mediante el uso de cantidades caracterizadoras (periodo y relLAT), lo que permite una inferencia más precisa y aplicable a datos clínicos futuros.
3. Gestión del Error de Discretización: Demostración de cómo los errores de malla afectan la inferencia (creando discontinuidades) y propuesta de una solución que infla la varianza de la verosimilitud para compensar este error.
4. Algoritmo MCMC Híbrido: Desarrollo de un algoritmo Metropolis-Hastings adaptado que combina:
   • Una propuesta adaptativa para manejar correlaciones entre parámetros.
   • Una estrategia de reubicación de nodos para mitigar el impacto de las discontinuidades de la malla en la eficiencia del muestreo.
5. Análisis de Identificabilidad: Uso de la distribución posterior para revelar problemas de identificabilidad que los métodos deterministas pasarían por alto.

4. Resultados

Los experimentos se realizaron con datos sintéticos bajo diferentes niveles de ruido y configuraciones de malla:

• Eficiencia de Muestreo: El algoritmo adaptado (con propuesta adaptativa y reubicación de nodos) demostró una mezcla (mixing) superior en las cadenas de Markov en comparación con el Metropolis-Hastings aleatorio clásico (RWMH). Esto se tradujo en una reducción significativa del número de muestras necesarias para la convergencia.
• Robustez ante Discretización: La estrategia de reubicación de nodos suavizó las discontinuidades en la verosimilitud, resultando en tasas de aceptación más altas y estimaciones más estables, especialmente cuando el error de discretización era significativo (mallas más gruesas).
• Cuantificación de Incertidumbre:
  • En escenarios con ruido moderado, el método recuperó con precisión los parámetros verdaderos ($a, b, \phi$) y proporcionó intervalos de confianza realistas.
  • En escenarios con alto ruido (problemas de identificabilidad), el método bayesiano reveló que, aunque los radios individuales ($a$ y $b$) eran difíciles de determinar con precisión, el perímetro de la región no conductora sí era identificable. La distribución posterior mostró una fuerte correlación entre $a$ y $b$ a lo largo de una línea de perímetro constante, algo que un ajuste determinista habría ocultado.
• Comparación de Estrategias: Se demostró que, aunque la estimación independiente de la malla (Independent Meshing) puede servir como advertencia visual de errores de discretización subestimados, la reubicación de nodos ofrece mayor eficiencia computacional y robustez para problemas de mayor dimensión.

5. Significado e Impacto

• Avance Clínico: Este trabajo sienta las bases para la creación de gemelos virtuales cardíacos más fiables. Al cuantificar la incertidumbre, los médicos pueden evaluar la fiabilidad de las predicciones del modelo antes de tomar decisiones terapéuticas (como la ablación).
• Metodológico: Proporciona una solución práctica a uno de los mayores cuellos de botella en la inferencia bayesiana de EDPs: el costo computacional y la discontinuidad de las soluciones numéricas. La combinación de verosimilitud comprimida y estrategias de malla inteligente hace viable la inferencia en modelos complejos.
• Futuro: El marco desarrollado es escalable. Aunque el estudio actual utiliza un modelo 2D simplificado, la metodología está diseñada para extenderse a modelos 3D detallados y parámetros de alta dimensión, posiblemente integrando sustitutos (surrogates) o métodos de fidelidad múltiple en trabajos futuros para reducir aún más el costo computacional.

En resumen, el artículo presenta una metodología robusta y eficiente para inferir la geometría de patologías cardíacas a partir de datos eléctricos, transformando un problema de optimización determinista en un proceso de inferencia probabilística que ofrece no solo una respuesta, sino una medida de confianza crítica para la medicina personalizada.