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

Resumo Técnico: Uma Estrutura de Modelagem de Ordem Reduzida Probabilística para Análise Cardio-Mecânica Específica do Paciente

Declaração do Problema
Modelos computacionais específicos do paciente para mecânica cardíaca oferecem potencial significativo para apoiar a tomada de decisão clínica. No entanto, o esforço computacional substancial exigido por modelos de ordem completa (FOMs) de alta fidelidade, como modelos de análise isogeométrica (IGA), impede sua aplicação direta em ambientes clínicos onde uma resposta rápida é essencial. Embora esses modelos forneçam informações valiosas, o tempo necessário para a simulação e, crucialmente, para a calibração do modelo (frequentemente exigindo centenas de avaliações) os torna impraticáveis para uso clínico rotineiro. Há uma necessidade de abordagens de modelagem de ordem reduzida (ROM) que possam reduzir drasticamente os custos computacionais, mantendo a capacidade de incorporar dados específicos do paciente e fornecendo uma medida de credibilidade dos resultados.

Metodologia
Os autores propõem uma estrutura ROM probabilística que preenche a lacuna entre um FOM computacionalmente caro e um modelo online de rápida avaliação. A estrutura opera em duas etapas: uma etapa de calibração offline e uma etapa de previsão online.

1. Modelo de Ordem Completa (FOM): O FOM é um modelo de análise cardíaca isogeométrica baseado em splines racionais não uniformes (NURBS). Ele acopla uma descrição de mecânica de contínuo não linear 3D do miocárdio com um sistema circulatório de parâmetros concentrados 0D e um potencial de ativação fenomenológico. Este modelo gera dados detalhados de deslocamento, tensão e pressão-volume, mas requer horas de tempo de simulação.
2. Modelo de Ordem Reduzida (ROM): O núcleo do ROM é um modelo "de uma fibra generalizada". Ao contrário dos modelos de uma fibra padrão que dependem exclusivamente de volumes de cavidade e parede, esta versão generalizada incorpora fatores de correção ($\alpha, \beta$) para contabilizar variações de geometria local (por exemplo, forma, orientação das fibras) e parâmetros de rigidez ($\gamma, \lambda$) para relacionar as leis constitutivas simplificadas ao FOM. O ROM utiliza as mesmas entradas que o FOM (geometria derivada de ecocardiograma, rigidez tecidual, parâmetros circulatórios), mas resolve uma relação analítica simplificada entre pressão e volume.
3. Calibração Probabilística (Etapa Offline): Para calibrar o ROM ao FOM, os autores empregam inferência bayesiana. Para um conjunto de geometrias de treinamento, o FOM é simulado para gerar loops de pressão-volume. Os fatores de correção do ROM são então inferidos ao ajustar a saída do ROM à saída do FOM, tratando a discrepância como ruído. Este processo produz uma distribuição posterior para os fatores de correção, capturando a incerteza.
4. Mapeamento de Geometria via Processos Gaussianos (GP): Como os dados de treinamento do FOM são limitados, um Processo Gaussiano (GP) é treinado para mapear descritores geométricos de baixa dimensão para os fatores de correção.
   • Para geometrias idealizadas, a entrada é definida por dois parâmetros de escala.
   • Para geometrias de pacientes baseadas em varredura, a entrada é um conjunto de coeficientes modais derivados de uma Decomposição Ortogonal Proper (POD) de uma população sintética de ventrículos NURBS. Isso reduz os pontos de controle NURBS de alta dimensão para um número gerenciável de parâmetros (por exemplo, 4 modos).
5. Previsão Online: No ambiente clínico, a geometria de um novo paciente é projetada sobre a base modal para obter coeficientes. O GP treinado prevê os fatores de correção (e sua incerteza) para esta nova geometria. O ROM é então avaliado usando esses fatores para gerar uma previsão rápida de pressão-volume com um intervalo de credibilidade associado.

Principais Contribuições

• Arquitetura ROM Híbrida: A estrutura combina um ROM de física simplificada (modelo de uma fibra generalizada) com técnicas orientadas a dados (Processos Gaussianos) e calibração bayesiana. Isso permite que o ROM mantenha a estrutura de entrada do FOM (incluindo dados complexos de varredura) enquanto permanece computacionalmente eficiente.
• Quantificação Probabilística de Incerteza: Ao contrário de ROMs determinísticos, esta estrutura fornece faixas de incerteza (intervalos de credibilidade) para suas previsões. A largura dessas faixas serve como um indicador da confiabilidade do modelo; faixas largas sugerem a necessidade de dados de treinamento adicionais.
• Parametrização Baseada em Varredura: Os autores demonstram um método para integrar geometrias complexas de pacientes baseadas em varredura em um ROM de baixa dimensão usando POD. Isso aborda o desafio de mapear dados de imagem clínica de alta dimensão para modelos de física simplificada.
• Estratégia de Aprendizado Sequencial: A estrutura suporta uma abordagem iterativa onde novos dados de pacientes podem ser adicionados ao conjunto de treinamento (via simulação offline do FOM) para refinar o GP e melhorar previsões online futuras.

Resultados
A estrutura foi validada através de dois exemplos:

1. Ventrículos Idealizados: Usando um elipsoide truncado parametrizado por duas variáveis geométricas, os autores mostraram que o ROM podia capturar com precisão comportamentos de pressão-volume para geometrias não presentes no conjunto de treinamento. O GP interpolou com sucesso os fatores de correção, e as faixas de incerteza resultantes estreitaram-se à medida que mais dados de treinamento foram adicionados.
2. Geometrias Baseadas em Varredura: Usando geometrias NURBS ajustadas a partir de dados de varredura e parametrizadas por quatro modos POD, a estrutura foi testada em casos específicos do paciente.
   • O GP pôde prever fatores de correção para novos pacientes, mas a incerteza foi inicialmente alta se a geometria do paciente estivesse distante do conjunto de treinamento.
   • Quando a faixa de incerteza era grande (comparável ao ruído do modelo), a estrutura sinalizou corretamente a previsão como não confiável.
   • Adicionar a simulação específica do FOM do paciente ao conjunto de treinamento melhorou significativamente a precisão da previsão para aquele paciente e refinou o comportamento local do GP, demonstrando a utilidade da abordagem de aprendizado sequencial.

Significância e Alegações
Os autores afirmam que esta estrutura oferece uma solução versátil para análise cardíaca específica do paciente que equilibra eficiência computacional com precisão. Aspectos-chave de sua alegação incluem:

• Viabilidade Clínica: Ao reduzir o tempo de avaliação online para segundos (via ROM) enquanto mantém a fidelidade de entrada do FOM, a estrutura torna a análise específica do paciente viável para suporte à decisão clínica.
• Confiabilidade via Incerteza: A provisão de faixas de incerteza é apresentada como uma característica crítica. Permite que os clínicos avaliem a confiabilidade dos resultados; faixas de incerteza grandes atuam como um sinal de que os dados de treinamento atuais são insuficientes para aquela geometria de paciente específica, incentivando a coleta de mais dados.
• Modularidade: A estrutura é projetada para ser modular, permitindo a substituição de diferentes FOMs, ROMs ou técnicas de mapeamento sem mudanças fundamentais na estrutura geral.
• Limitações: Os autores observam modestamente que o modelo de uma fibra simplificado não pode capturar todas as complexidades físicas (por exemplo, heterogeneidade de materiais ou dinâmicas específicas da fase de enchimento) e que a estrutura requer um conjunto de treinamento de alta qualidade para um problema clínico específico para ser eficaz. Eles enfatizam que validação clínica adicional e integração de fluxo de trabalho são etapas necessárias antes da implementação clínica real.