Результат исследований по проекту РНФ № 19-14-00134 рук. д.ф.-м.н., проф. О.Э. Соловьева
Разработана и реализована в виде пакета компьютерных программ технология построения и расчета персонифицированных моделей электрической активности желудочков сердца человека (рис. 1).
Рисунок 1. Этапы создания электрофизиологических моделей: 1. Сегментация данных компьютерной томографии (КТ). 2. Создание конечно-элементной персонифицированной геометрии. Желтым цветом обозначены легкие, красным - сердце. 3. Расчет электрофизиологического возбуждения в сердце: А. Выделение геометрии сердца; В. Задание поля миокардиальных волокон; С Расчет карты активации. Звездочки обозначают местоположения виртуальных стимулирующих электродов, красная область - постинфарктный рубец. 4. Расчет карты потенциалов на поверхности торса. 5. Расчет сигналов ЭКГ.
В ходе решения задачи построения персонифицированных моделей нами проведено обширное биофизическое исследование и получены новые значимые результаты. Усовершенствован и реализован метод универсальных координат, обеспечивающий масштабирование геометрических параметров моделей, возможность сравнения моделей друг с другом. Проведен анализ чувствительности модели к различным параметрам модели. Найдены наиболее значимые параметры, варьирование которых в наибольшей степени влияет на характеристики ЭКГ [1]. В рамках проекта разработаны алгоритмы оптимизации параметров проводимости на основе данных ЭКГ пациентов различными методами и проведено их сравнение [2].
На основе собранных клинических данных при помощи разработанных инструментов построения персонифицированных моделей в рамках проекта создана уникальная, самая большая на сегодняшний день в мире коллекция (n=62) пациент-специфических биофизических моделей желудочков сердца пациентов с ХСН, учитывающих морфометрические характеристики левого желудочка; степень тяжести и локализацию фиброзных и постинфарктных изменений миокарда; особенности нарушения проведения по системе Гиса-Пуркинье; индивидуальные характеристики ЭКГ пациента, характер диссинхронии желудочков; а также локализацию электродов кардиостимулятора и параметры программирования устройств СРТ. Эта популяция персонифицированных моделей позволила нам провести серию виртуальных клинических исследований, на основе которых нам удалось при помощи методов машинного обучения разработать прогностическую модель (классификатор) успешности проведения СРТ, значительно повышающую точность предсказания по сравнению с существующими клиническими рекомендациями и другими прогностическими моделями, основанными на клинических данных [3, 4, 5].
В данном проекте мы впервые разработали принципиально новый подход, заключающийся в использовании комбинированных клинических и модельных данных для прогноза успешности СРТ. Наряду с имеющимися дооперационными клиническими данными пациентов мы использовали результаты расчетов персонифицированных моделей электрической активности желудочков сердца в качестве in-silico предсказаний результативности виртуальной стимуляции желудочков для конкретного пациента, которые можно получить до имплантации ему устройств. Впервые объединенный гибридный набор реальных и расчетных данных был нами использован для обучения модели классификации респондеров и нереспондеров на терапию. В результате нам удалось увеличить точность дооперационного прогноза вероятности успеха СРТ до 80%, что значительно (более чем на 10%) превышает точность существующих моделей прогноза, основанных только на клинических данных, включая действующие клинические рекомендации [3].
Ссылки
- Ushenin K., Kalinin V., Gitinova S., Sopov O., Solovyova O. Parameter variations in personalized electrophysiological models of human heart ventricles // Plos One. 2021. 16(4): e0249062. IF(2020)=3.24, Q1 SRJ, WOS SCOPUS
- Bazhutina A.E., Dokuchaev A.D., Khamzin S.Yu., Zubarev S., Solovyova O. Comparison of CRT Optimization Results for Different Accuracy Personalized Models // 2021 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB), 2021, pp. 420-424. doi: 10.1109/CSGB53040.2021.9496023, Scopus
- Khamzin S., Dokuchaev A., Bazhutina A., Chumarnaya T., Zubarev S., Lyubimtseva T., Lebedeva V., Lebedev D., Gurev V., Solovyova O. Machine Learning prediction of cardiac resynchronisation therapy response from combination of clinical and model-driven data // Frontiers in Physiology. ‒ 2021. ‒ V. 12. ‒ № 2283. DOI: 10.3389/fphys.2021.753282 , IF(2020) =4.566, Q1 WoS, Scopus
- Rokeakh R., Bazhutina A., Khamzin S., Dokuchaev A., Chumarnaya T., Zubarev S., Lyubimtseva T., Lebedeva V., Lebedev D., Solovyova O. Combination of clinical data and personalized ventricular model simulations for cardiac resynchronization therapy outcome prediction // Heart Rhythm, Vol. 18, No. 8, August Supplement 2021, B-PO05-009, pp. S374-S375. doi: 10.1016/j.hrthm.2021.06.929, IF(2020)=6.343, Q1 WoS, Scopus
- Rokeakh R., Bazhutina A., Khamzin S., Dokuchaev A., Chumarnaya T., Zubarev S., Lyubimtseva T., Lebedeva V., Lebedev D., Solovyova O. Predicting CRT outcome by combining markers from personalized ventricular models of electrophysiology and clinical data // European Heart Journal. 2021. . 42, Issue Supplement_1, October 2021, ehab724.0710 doi: 10.1093/eurheartj/ehab724.0710, IF(2020)=29.983, Q1WoS, Scopus