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

Título e Contexto

O artigo propõe uma abordagem bayesiana para estimar os parâmetros de modelos matemáticos de eletrofisiologia cardíaca, com foco na quantificação da incerteza. O caso de estudo específico é a Taquicardia Atrial Reentrante Intra-atrial (IART), onde o objetivo é inferir a geometria de uma região não condutora (cicatriz) no tecido cardíaco a partir de medições elétricas sintéticas externas.

1. O Problema

• Desafio Clínico: Modelos de "gêmeos virtuais" do coração são promissores para tratamentos personalizados de arritmias, mas sua calibração é difícil devido a dados limitados, ruidosos e à variabilidade espacial e temporal das propriedades do tecido.
• Incerteza: Métodos determinísticos tradicionais fornecem apenas um ajuste único, ignorando a incerteza associada a erros de medição e discretização.
• Objetivo Específico: Estimar um parâmetro geométrico de baixa dimensão ($\vartheta = [a, b, \phi]$) que define o limite de uma região elíptica não condutora (cicatriz) dentro do tecido atrial, utilizando dados de eletrogramas (EGM) sintéticos.
• Desafios Computacionais:
  • O modelo direto (forward model) envolve a resolução de Equações Diferenciais Parciais (EDPs) acopladas (modelo monodomínio), o que é computacionalmente caro.
  • Erros de discretização (malha) podem introduzir descontinuidades artificiais na função de verossimilhança, prejudicando a inferência.
  • A alta dimensionalidade e as correlações entre parâmetros exigem amostragem eficiente.

2. Metodologia

O trabalho desenvolve um pipeline completo de inferência bayesiana utilizando o método Markov Chain Monte Carlo (MCMC).

A. Modelagem Física e Dados

• Modelo Direto: Utiliza o modelo monodomínio com o modelo celular Mitchell-Schaeffer modificado para simular a propagação de ondas elétricas. A IART é simulada impondo uma condição inicial de onda espiral em torno de uma região não condutora.
• Dados Sintéticos: Gerados simulando um cateter de mapeamento de alta densidade (PENTARAY®) que mede potenciais extracelulares. Os dados brutos (séries temporais de 20 eletrodos) são transformados em um vetor de quantidades caracterizadoras de baixa dimensão:
  1. O período da espiral.
  2. O tempo de ativação local relativo (relLAT) em cada eletrodo.
  • Vantagem: Essa compressão reduz a dimensionalidade dos dados e torna a inferência invariante a deslocamentos temporais, facilitando a comparação entre dados e modelo.

B. Formulação Bayesiana

• Posterior: Calculada via Teorema de Bayes: $P(\vartheta|y) \propto L(y|\vartheta)\pi(\vartheta)$.
• Função de Verossimilhança Comprimida: Baseada na diferença entre as quantidades caracterizadoras dos dados e do modelo.
• Tratamento do Erro de Discretização: O artigo identifica que a discretização da EDP (malha) introduz um erro ($d$) que, se ignorado, causa descontinuidades na verossimilhança e superconfiança nas estimativas.
  • Solução: O erro de discretização é modelado explicitamente como uma variável aleatória gaussiana com variância $\Sigma_d$, inflando a covariância total da verossimilhança ($\Sigma = \Sigma_{\epsilon'} + \Sigma_d$).

C. Algoritmo de Amostragem Adaptado (Adapted MH)

Para superar os custos computacionais e as descontinuidades, os autores propõem um algoritmo Metropolis-Hastings (MH) adaptado com duas inovações principais:

1. Proposta Adaptativa (Adaptive Metropolis): Em vez de uma covariância fixa, a distribuição de proposta (Gaussiana) adapta sua covariância durante a amostragem com base na estrutura de covariância das amostras anteriores. Isso melhora a exploração do espaço de parâmetros correlacionados e reduz a autocorrelação da cadeia.
2. Estratégia de Relocalização de Nós (Node Relocation):
   • Problema: Gerações independentes de malha para cada proposta de parâmetro causam descontinuidades bruscas na verossimilhança.
   • Solução: Para uma proposta $\vartheta^*$ próxima da amostra atual $\vartheta^{(l)}$, a malha existente é "relocada" (nós movidos) para se ajustar à nova geometria, em vez de gerar uma malha do zero. Isso garante continuidade local na função de verossimilhança discretizada, melhorando a taxa de aceitação e a robustez do algoritmo.

3. Contribuições Principais

1. Inferência Bayesiana com Incerteza Quantificada: Transição de um ajuste determinístico para uma distribuição posterior que fornece estimativas de parâmetros geométricos junto com medidas de confiabilidade (variância).
2. Verossimilhança Comprimida: Redução da dimensionalidade dos dados de EGM para quantidades físicas relevantes, melhorando a eficiência e a precisão do modelo de ruído.
3. Tratamento Rigoroso do Erro de Discretização: Demonstração de como o erro de malha afeta a inferência geométrica e proposta de um método para incorporá-lo na verossimilhança, evitando descontinuidades artificiais.
4. Algoritmo MCMO Otimizado: Desenvolvimento de um esquema de amostragem que combina propostas adaptativas e relocalização de nós para lidar com correlações de parâmetros e descontinuidades de discretização, reduzindo drasticamente o número de amostras necessárias.

4. Resultados

Os experimentos foram realizados com dados sintéticos sob diferentes níveis de ruído e condições de discretização:

• Eficiência de Amostragem: O algoritmo adaptado (com proposta adaptativa e relocalização de nós) demonstrou uma mistura (mixing) muito superior e taxas de aceitação mais altas em comparação com o Metropolis-Hastings aleatório (RWMH) com malhas independentes.
• Impacto do Erro de Discretização:
  • Quando o erro de discretização foi subestimado e malhas independentes foram usadas, a verossimilhança apresentou descontinuidades abruptas, levando a histogramas posteriores distorcidos e cortes artificiais.
  • A estratégia de relocalização de nós suavizou essas descontinuidades, produzindo estimativas de média mais precisas e posteriores mais robustas.
• Identificabilidade e Incerteza:
  • Em cenários de baixo ruído, o método recuperou com precisão os parâmetros da elipse (raios e ângulo) e quantificou a incerteza.
  • Em cenários de alto ruído (problema de identificabilidade), o método determinístico falharia ao fornecer uma estimativa única e enganosa. A abordagem bayesiana, no entanto, revelou que, embora os rios individuais ($a, b$) fossem incertos, a perímetro da região não condutora era bem determinado (os parâmetros estavam correlacionados ao longo de uma linha de perímetro constante). Isso fornece insights clínicos valiosos que métodos determinísticos não capturariam.

5. Significado e Conclusão

O trabalho estabelece um framework robusto para a calibração de modelos de eletrofisiologia cardíaca com quantificação de incerteza.

• Avanço Metodológico: A combinação de verossimilhança comprimida, modelagem explícita de erro de discretização e algoritmos MCMC adaptados oferece uma solução viável para problemas inversos caros em PDEs.
• Relevância Clínica: A capacidade de quantificar a incerteza e identificar problemas de identificabilidade é crucial para a aplicação clínica, permitindo que médicos entendam a confiabilidade das estimativas de cicatrizes antes de planejar ablações.
• Futuro: O método serve como base para inferir parâmetros de alta dimensão em modelos mais complexos, sugerindo que, no futuro, técnicas de substituição de modelos (surrogates) poderão ser integradas a este framework para reduzir ainda mais o custo computacional.

Em resumo, o artigo demonstra que a inferência estocástica, quando devidamente adaptada para lidar com as peculiaridades numéricas de modelos de PDEs, supera significativamente as abordagens determinísticas tradicionais em termos de robustez, eficiência e profundidade de insights sobre a fisiologia cardíaca.