Integrating Uncertainty Quantification into Computational Fluid Dynamics Models of Coronary Arteries Under Steady Flow

Deze studie versterkt de klinische geloofwaardigheid van computationele stromingsdynamica-modellen van coronaire arteriën door integratie van onzekerheidskwantificatie via polynoom-chaosuitbreiding, waarbij wordt aangetoond dat snelheid respectievelijk viscositeit de dominante factoren zijn die de variabiliteit van de wandschuifspanning beïnvloeden in analytische en patiëntspecifieke scenario's.

De kern

Stel je voor dat je een arts bent die probeert te voorspellen hoe bloed door de hartarteriën van een patiënt stroomt. Om dit te doen, gebruik je een superintelligente computerprogramma (een "digitale tweeling") die de stroming simuleert. Meestal gedragen deze programma's zich als een strikt recept: ze nemen exacte getallen voor bloedstroomsnelheid, -dikte en -druk, voeren de simulatie één keer uit en geven je één enkel antwoord.

Het probleem: De valstrik van de "perfecte wereld"
De auteurs van dit artikel betogen dat deze aanpak van de "perfecte wereld" riskant is. In werkelijkheid is niets exact. Bloed is niet altijd even dik; het kan op het ene moment iets dikker zijn en op het volgende iets dunner. De bloeddruk fluctueert. Als je computermodel deze kleine, natuurlijke schommelingen en variaties negeert, kan het antwoord dat het geeft er misschien precies uitzien, maar in werkelijkheid verkeerd zijn. Het is alsof je het weer probeert te voorspellen door alleen naar de temperatuur om precies 12:00 uur te kijken, en negeert dat het om 12:05 uur kan regenen.

De oplossing: De "weersvoorspelling"-aanpak
In plaats van te vragen: "Wat gebeurt er als het bloed exact zo dik is?", vroegen de onderzoekers: "Wat gebeurt er als het bloed ergens tussen zo dik en zo dik ligt?"

Ze bouwden een nieuw systeem dat de invoer (zoals bloedstroomsnelheid en -dikte) niet behandelt als vaste getallen, maar als een reeks mogelijkheden, vergelijkbaar met hoe een weersvoorspelling je een "70% kans op regen" geeft in plaats van een garantie. Ze gebruikten een wiskundige truc genaamd Polynomial Chaos Expansion. Denk hierbij aan het bouwen van een "slim shortcut" of een digitale emulator.

• De analogie: Stel je voor dat je wilt weten hoe een auto zich op een hobbelige weg gedraagt.
  • Oude manier: Je rijdt de auto 1.000 keer over de weg, verander je elke keer de bandenspanning iets, en noteer je de resultaten. Dit duurt eeuwen en kost veel benzine.
  • Nieuwe manier (dit artikel): Je rijdt de auto 30 keer met verschillende bandenspanningen. Vervolgens bouw je op basis van die 30 ritten een "slimme kaart" (de emulator). Deze kaart kan direct voorspellen hoe de auto zich bij elke bandenspanning binnen dat bereik zou gedragen, zonder dat je het ooit weer hoeft te rijden.

Wat ze deden
Ze testten deze "slimme kaart" op twee manieren:

1. De eenvoudige test: Ze simuleerden bloed dat door een perfecte, rechte, stijve buis stroomt (zoals een tuinslang). Dit is een bekend wiskundig probleem, zodat ze konden controleren of hun "slimme kaart" accuraat was.
2. De echte test: Ze gebruikten de geometrie van een echte hartarterie van een patiënt (gescand vanuit medische beelden) en voerden de simulatie uit op een supercomputer.

De grote ontdekkingen
Door hun "slimme kaart" te gebruiken, ontdekten ze welke factoren het meest belangrijk zijn bij het voorspellen van Wandschuifspanning (WSS). WSS is een chique term voor de "wrijvings"- of "schuifkracht" die het bloed op de vaatwanden uitoefent. Hoge of lage wrijving kan een teken zijn van hartziekte.

• In de eenvoudige buis: De grootste factor die veranderingen in wrijving veroorzaakte, was de bloedsnelheid. Als de snelheid varieerde, veranderde de wrijving het meest.
• In de echte arterie van de patiënt: De grootste factor was de bloeddikte (viscositeit). Hoewel snelheid belangrijk was, hadden de natuurlijke variaties in hoe dik het bloed was, de grootste impact op de wrijvingsresultaten.

Ze ontdekten ook dat deze factoren voornamelijk los van elkaar werkten. Het was meestal geen complexe dans waarbij snelheid en dikte en druk allemaal samen veranderden om een probleem te veroorzaken. In plaats daarvan domineerde meestal één factor het resultaat.

Waarom dit belangrijk is
Het artikel concludeert dat artsen door deze "onzekerheids"-laag aan computermodellen toe te voegen, meer vertrouwen kunnen hebben in de resultaten. Het voorkomt dat modellen doen alsof ze 100% zeker zijn terwijl dat niet zo is.

Echter, de auteurs zijn voorzichtig om op te merken dat deze studie een proof-of-concept was. Ze maakten enkele vereenvoudigingen om de wiskunde hanteerbaar te houden:

• Ze namen aan dat de bloedstroom constant was (zoals een rivier die met een constante snelheid stroomt), niet pulserend zoals een hartslag.
• Ze namen aan dat de vaatwanden stijf waren (zoals een harde pijp), niet flexibel (zoals een echte, zachte arterie).
• Ze behandelden bloed als een eenvoudige vloeistof, en negeerden dat echt bloed dikker of dunner kan worden afhankelijk van hoe snel het stroomt.

De kernboodschap
Dit artikel claimt niet een nieuw medicijn of een nieuwe operatie te hebben. In plaats daarvan bouwden ze een betere rekenmachine. Het toonde aan dat als je computermodellen wilt gebruiken om hartziekten te diagnosticeren, je rekening moet houden met het feit dat echte getallen schommelen. Door hun "slimme kaart"-methode te gebruiken, kunnen ze artsen vertellen: "Gebaseerd op de natuurlijke variaties in de gegevens van uw patiënt, ligt de wrijving op de vaatwand waarschijnlijk in dit bereik, niet alleen bij dit ene getal." Dit helpt computermodellen eerlijker en betrouwbaarder te maken voor toekomstige medische beslissingen.

Technische samenvatting

1. Probleemstelling

Computational Fluid Dynamics (CFD)-modellen worden steeds vaker gebruikt in klinische settings voor het diagnosticeren en behandelen van cardiovasculaire ziekten, met name coronaire arteriële ziekte (CAD). De huidige klinische adoptie wordt echter gehinderd omdat de meeste modellen vertrouwen op deterministische benaderingen. Deze benaderingen behandelen invoerparameters (bijv. bloedviscositeit, snelheid, druk) als vaste waarden, waarbij de inherente aleatorische onzekerheid (natuurlijke variabiliteit) en epistemische onzekerheid (gebrek aan data/aannames) worden genegeerd.

• De Kloof: Een recente review gaf aan dat minder dan 20% van de in silico klinische trials rekening houdt met onzekerheid in invoerparameters.
• Het Gevolg: Zonder kwantificering van hoe invoervariabiliteit zich voortplant naar uitvoermetrieken (zoals Wand Schuifspanning, WSS), ontbreekt het aan voorspellingen van modellen aan geloofwaardigheid, betrouwbaarheid en veiligheidsgaranties die noodzakelijk zijn voor klinische besluitvorming.
• De Uitdaging: Traditionele methoden voor Onzekerheidskwantificering (UQ), zoals Monte Carlo (MC)-simulaties, zijn computergewijs prohibitief voor complexe, patiëntspecifieke 3D CFD-modellen, waardoor ze onpraktisch zijn voor klinische workflows.

2. Methodologie

De auteurs ontwikkelden een computerefficiënt UQ-kader dat de open-source software UncertainSCI koppelt aan de FEBio finite element solver. De studie gebruikte Polynomial Chaos Expansion (PCE) om surrogate-modellen (emulatoren) te creëren die de relatie tussen invoer en uitvoer benaderen zonder de volledige CFD-vergelijkingen voor elke steekproef op te lossen.

Belangrijkste methodologische stappen:

• Invoerparametrisatie: Kansverdelingen werden toegewezen aan hemodynamische invoer op basis van populatiedata en patiëntspecifieke metingen:
  • Analytisch Model (Poiseuille-stroming): Viscositeit ($\mu$), Snelheid ($v$) en Straal ($r$).
  • Patiëntspecifiek Model: Viscositeit, Snelheid, Dichtheid ($\rho$) en Druk ($P$).
  • Verdelingen omvatten Normaal (voor dichtheid, patiëntsnelheid/druk) en Gamma (voor viscositeit, Poiseuille-snelheid/straal) om fysieke positiviteit te waarborgen.
• Steekproefstrategie: In plaats van willekeurige steekproeven, gebruikte de studie Weighted Approximate Fekete Points (WAFP) om efficiënt de multidimensionale parameter ruimte te bemonsteren.
• Modeluitvoering:
  1. Analytische Oplossing: Oplossen van de Navier-Stokes-vergelijkingen voor stationaire stroming in een stijve cilinder om het kader te valideren.
  2. Patiëntspecifiek CFD: Reconstructie van een geometrie van de linkermain-coronaire arterie uit biplane angiografie en VH-IVUS. Simulaties werden uitgevoerd onder stationaire omstandigheden met plug-snelheid als inlaat en weerstand als uitlaat randvoorwaarden.
• Surrogaatconstructie: PCE-emulatoren werden gebouwd met polynoomordes tot 5. De emulator koppelt invoerparameters aan de uitvoer Kwantiteit van Interesse (QoI): Wand Schuifspanning (WSS).
• Convergentie & Analyse:
  • Convergentiecriteria: Relatieve fout ($\varepsilon_\delta$) < 0,1% en stabiliteit van Sobol-indexen (<0,01 verandering) tussen de ordes.
  • Sensitiviteitsanalyse: Sobol-indexen werden direct berekend uit de emulatorcoëfficiënten om de bijdrage van individuele parameters (eerste-orde) en hun interacties (hogere-orde) aan de uitvoervariantie te kwantificeren.

3. Belangrijkste Bijdragen

• Efficiënt UQ-kader: Aangetoond dat PCE-gebaseerde UQ gekoppeld aan WAFP-steekproeven hoge nauwkeurigheid kan bereiken met aanzienlijk minder simulaties dan Monte Carlo-methoden, waardoor UQ hanteerbaar wordt voor patiëntspecifiek CFD.
• Dubbel-modelvalidatie: Het kader werd eerst gevalideerd op een analytische oplossing (Poiseuille-stroming) en vervolgens toegepast op een complex, patiëntspecifiek coronaire arteriemodel.
• Kwantificering van Interactie-effecten: Een gedetailleerde uiteenzetting geboden van hoeveel van de WSS-variabiliteit wordt veroorzaakt door enkele parameters versus interacties tussen parameters (bijv. snelheid-viscositeit koppeling).
• Klinisch Inzicht: Benadrukt de kritieke noodzaak van patiëntspecifieke viscositeitsmetingen, aangezien viscositeitswaarden gebaseerd op literatuur een primaire bron van onzekerheid waren in het patiëntspecifieke model.

4. Belangrijkste Resultaten

A. Analytisch Model (Poiseuille-stroming):

• Convergentie: De PCE-emulator convergeerde bij Orde 3 met minimale computerkosten (~21 seconden voor 30 parameter sets).
• Dominante Factor: Snelheid was de primaire drijver van WSS-variabiliteit, met een bijdrage van ~79% (Sobol-index ~0,81) van de totale variantie.
• Interacties: Unaire interacties (enkele parameters) domineerden, goed voor ~93,2% van de variantie. Binair (paarsgewijs) en tertiaire interacties waren verwaarloosbaar (<7%).

B. Patiëntspecifiek Model:

• Convergentie: Orde 3 was voldoende voor convergentie, hoewel computergewijs intensief (~240 uur voor 45 parameter sets op een cluster).
• Dominante Factoren: In tegenstelling tot het analytische model werd Viscositeit de dominante drijver (~59%), gevolgd door Snelheid (~40%).
  • Opmerking: Viscositeit was afgeleid van populatiedata (hoge onzekerheid), terwijl snelheid patiëntspecifiek was (lage onzekerheid), maar beide dreven variabiliteit.
• Ruimtelijke Variabiliteit: Sobol-indexen varieerden ruimtelijk. Bijvoorbeeld, viscositeitssensitiviteit was hoog in de binnenwanden van vertakkende vaten, terwijl snelheidssensitiviteit in diezelfde gebieden lager was.
• Interacties: Unaire interacties waren goed voor ~99% van de variantie. Binaire interacties (specifiek tussen snelheid en viscositeit) droegen ~0,46% bij aan de totale variantie.

C. Uitvoervariabiliteit:

• In het patiëntspecifieke model varieerde de mediaan WSS aanzienlijk over het ensemble:
  • Model met hoogste gemiddelde WSS: 1,33 Pa.
  • Gemiddeld model: 0,91 Pa.
  • Model met laagste gemiddelde WSS: 0,47 Pa.
• Ondanks grootteverschillen bleven de ruimtelijke verdelingspatronen van hoge en lage WSS consistent over de modellen.

5. Betekenis en Implicaties

• Klinische Geloofwaardigheid: Deze studie bewijst dat het negeren van invoeronzekerheid leidt tot potentieel misleidende deterministische voorspellingen. Door onzekerheid te kwantificeren, kunnen clinici het "betrouwbaarheidsinterval" van een modelvoorspelling beoordelen, wat vitaal is voor risicofracturering en therapeutische planning.
• Prioriteiten Data-acquisitie: De resultaten suggereren dat bloedviscositeit een kritieke, maar vaak over het hoofd geziene, bron van onzekerheid is in patiëntspecifieke modellering. De auteurs pleiten voor de ontwikkeling van point-of-care-apparaten om patiëntspecifieke viscositeit te meten om epistemische onzekerheid te verminderen.
• Schaalbaarheid: Het kader demonstreert dat efficiënte steekproeven (WAFP) en surrogaatmodellering (PCE) de computergewijze barrières van Monte Carlo-methoden kunnen overwinnen, de weg effenend voor routine UQ in klinisch CFD.
• Toekomstige Richtingen: De studie identificeert beperkingen (stationaire stroming, stijve wanden, Newtoniaanse vloeistof) en legt de basis voor toekomstig werk met betrekking tot niet-stationaire stromingen, vloeistof-structuur interactie (FSI) en niet-Newtoniaanse bloedmodellen.

Concluderend biedt dit artikel een rigoureuze wiskundige en computationele weg om CFD te transformeren van een deterministische onderzoekstool naar een robuust, onzekerheidsbewust klinisch beslissingssteunsysteem voor coronaire arteriële ziekte.