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

Sintesi Tecnica: Un Framework di Modellazione Ridotta Probabilistica per l'Analisi Cardio-Meccanica Specifica del Paziente

Enunciato del Problema
I modelli computazionali specifici del paziente per la meccanica cardiaca offrono un potenziale significativo nel supportare il processo decisionale clinico. Tuttavia, il notevole sforzo computazionale richiesto dai modelli full-order ad alta fedeltà (FOM), come i modelli di analisi isogeometrica (IGA), ne ostacola l'applicazione diretta in contesti clinici dove è essenziale una rapida risoluzione. Sebbene questi modelli forniscano informazioni preziose, il tempo richiesto per la simulazione e, soprattutto, per la calibrazione del modello (che spesso richiede centinaia di valutazioni) li rende poco pratici per l'uso clinico routinario. È necessario disporre di approcci di modellazione ridotta (ROM) in grado di ridurre drasticamente i costi computazionali mantenendo la capacità di incorporare dati specifici del paziente e fornendo una misura della credibilità dei risultati.

Metodologia
Gli autori propongono un framework ROM probabilistico che colma il divario tra un FOM computazionalmente costoso e un modello online veloce da valutare. Il framework opera in due fasi: una fase di calibrazione offline e una fase di previsione online.

1. Modello Full-Order (FOM): Il FOM è un modello di analisi cardiaca isogeometrica basato su B-spline razionali non uniformi (NURBS). Accoppia una descrizione meccanica del continuum non lineare 3D del miocardio con un sistema circolatorio a parametri concentrati 0D e un potenziale di attivazione fenomenologico. Questo modello genera dati dettagliati su spostamenti, stress e volume-pressione, ma richiede ore di tempo di simulazione.
2. Modello Ridotto (ROM): Il cuore del ROM è un modello "a una fibra generalizzata". A differenza dei modelli a una fibra standard che si basano esclusivamente sui volumi della cavità e della parete, questa versione generalizzata incorpora fattori di correzione ($\alpha, \beta$) per tenere conto delle variazioni geometriche locali (ad esempio, forma, orientamento delle fibre) e parametri di rigidità ($\gamma, \lambda$) per correlare le leggi costitutive semplificate al FOM. Il ROM utilizza gli stessi input del FOM (geometria derivata dall'ecocardiogramma, rigidità tissutale, parametri circolatori) ma risolve una relazione analitica semplificata tra pressione e volume.
3. Calibrazione Probabilistica (Fase Offline): Per calibrare il ROM al FOM, gli autori impiegano l'inferenza bayesiana. Per un insieme di geometrie di addestramento, il FOM viene simulato per generare cicli pressione-volume. I fattori di correzione del ROM vengono quindi inferiti confrontando l'output del ROM con quello del FOM, trattando la discrepanza come rumore. Questo processo produce una distribuzione a posteriori per i fattori di correzione, catturando l'incertezza.
4. Mappatura Geometrica tramite Processi Gaussiani (GP): Poiché i dati di addestramento del FOM sono limitati, viene addestrato un Processo Gaussiano (GP) per mappare descrittori geometrici a bassa dimensionalità sui fattori di correzione.
   • Per geometrie idealizzate, l'input è definito da due parametri di scala.
   • Per geometrie del paziente basate su scansioni, l'input è un insieme di coefficienti modali derivati da una Decomposizione Ortogonale Propria (POD) di una popolazione sintetica di ventricoli NURBS. Ciò riduce i punti di controllo NURBS ad alta dimensionalità a un numero gestibile di parametri (ad esempio, 4 modi).
5. Previsione Online: In ambito clinico, la geometria di un nuovo paziente viene proiettata sulla base modale per ottenere i coefficienti. Il GP addestrato prevede i fattori di correzione (e la loro incertezza) per questa nuova geometria. Il ROM viene quindi valutato utilizzando questi fattori per generare una rapida previsione volume-pressione con un intervallo di credibilità associato.

Contributi Chiave

• Architettura Ibrida ROM: Il framework combina un ROM a fisica semplificata (modello a una fibra generalizzato) con tecniche basate sui dati (Processi Gaussiani) e calibrazione bayesiana. Ciò permette al ROM di mantenere la struttura di input del FOM (inclusi dati di scansione complessi) rimanendo al contempo computazionalmente efficiente.
• Quantificazione Probabilistica dell'Incertezza: A differenza dei ROM deterministici, questo framework fornisce bande di incertezza (intervalli di credibilità) per le sue previsioni. La larghezza di queste bande funge da indicatore dell'affidabilità del modello; bande ampie suggeriscono la necessità di ulteriori dati di addestramento.
• Parametrizzazione Basata su Scansioni: Gli autori dimostrano un metodo per integrare geometrie complesse del paziente basate su scansioni in un ROM a bassa dimensionalità utilizzando la POD. Questo affronta la sfida di mappare dati di imaging clinico ad alta dimensionalità su modelli a fisica semplificata.
• Strategia di Apprendimento Sequenziale: Il framework supporta un approccio iterativo in cui nuovi dati del paziente possono essere aggiunti all'insieme di addestramento (tramite simulazione FOM offline) per rifinire il GP e migliorare le previsioni online future.

Risultati
Il framework è stato validato attraverso due esempi:

1. Ventricoli Idealizzati: Utilizzando un ellissoide troncato parametrizzato da due variabili geometriche, gli autori hanno dimostrato che il ROM poteva catturare accuratamente i comportamenti volume-pressione per geometrie non presenti nell'insieme di addestramento. Il GP ha interpolato con successo i fattori di correzione e le bande di incertezza risultanti si sono ristrette man mano che venivano aggiunti più dati di addestramento.
2. Geometrie Basate su Scansioni: Utilizzando geometrie NURBS adattate da dati di scansione e parametrizzate da quattro modi POD, il framework è stato testato su casi specifici del paziente.
   • Il GP ha potuto prevedere i fattori di correzione per nuovi pazienti, ma l'incertezza era inizialmente elevata se la geometria del paziente era lontana dall'insieme di addestramento.
   • Quando la banda di incertezza era ampia (comparabile al rumore del modello), il framework segnalava correttamente la previsione come inaffidabile.
   • L'aggiunta della simulazione FOM specifica del paziente all'insieme di addestramento ha migliorato significativamente l'accuratezza della previsione per quel paziente e ha rifinito il comportamento locale del GP, dimostrando l'utilità dell'approccio di apprendimento sequenziale.

Significato e Affermazioni
Gli autori affermano che questo framework offre una soluzione versatile per l'analisi cardiaca specifica del paziente che bilancia efficienza computazionale e accuratezza. Gli aspetti chiave della loro affermazione includono:

• Fattibilità Clinica: Riducendo il tempo di valutazione online a secondi (tramite il ROM) mantenendo al contempo la fedeltà degli input del FOM, il framework rende l'analisi specifica del paziente fattibile per il supporto decisionale clinico.
• Affidabilità tramite Incertezza: La fornitura di bande di incertezza è presentata come una caratteristica critica. Consente ai clinici di valutare l'affidabilità dei risultati; bande di incertezza ampie agiscono come un segnale che i dati di addestramento attuali sono insufficienti per quella specifica geometria del paziente, stimolando la raccolta di ulteriori dati.
• Modularità: Il framework è progettato per essere modulare, permettendo la sostituzione di diversi FOM, ROM o tecniche di mappatura senza cambiamenti fondamentali nella struttura complessiva.
• Limitazioni: Gli autori notano con modestia che il modello semplificato a una fibra non può catturare tutte le complessità fisiche (ad esempio, eterogeneità dei materiali o dinamiche specifiche della fase di riempimento) e che il framework richiede un insieme di addestramento di alta qualità per un problema clinico specifico per essere efficace. Sottolineano che sono necessari ulteriori passi di validazione clinica e integrazione nel flusso di lavoro prima del reale dispiegamento clinico.