[论文解读] Cardiac Digital Twin Pipeline for Virtual Therapy Evaluation

Julià Camps, Zhinuo Jenny Wang+7 more|arXiv (Cornell University)|Jan 18, 2024

ECG Monitoring and AnalysisMedicine被引用 3

一句话总结

本文提出了一种全自动化的患者特异性心脏数字孪生生成流程，仅使用常规的CMR和12导联ECG数据，结合带有浦肯野网络和离子动力学的反应-Eikonal模型来模拟电生理活动。该方法实现了高精度的ECG拟合（r = 0.93），并支持虚拟治疗评估，其剂量依赖性QT间期延长结果与临床数据一致。

ABSTRACT

Cardiac digital twins are computational tools capturing key functional and anatomical characteristics of patient hearts for investigating disease phenotypes and predicting responses to therapy. When paired with large-scale computational resources and large clinical datasets, digital twin technology can enable virtual clinical trials on virtual cohorts to fast-track therapy development. Here, we present an automated pipeline for personalising ventricular anatomy and electrophysiological function based on routinely acquired cardiac magnetic resonance (CMR) imaging data and the standard 12-lead electrocardiogram (ECG). Using CMR-based anatomical models, a sequential Monte-Carlo approximate Bayesian computational inference method is extended to infer electrical activation and repolarisation characteristics from the ECG. Fast simulations are conducted with a reaction-Eikonal model, including the Purkinje network and biophysically-detailed subcellular ionic current dynamics for repolarisation. For each patient, parameter uncertainty is represented by inferring a population of ventricular models rather than a single one, which means that parameter uncertainty can be propagated to therapy evaluation. Furthermore, we have developed techniques for translating from reaction-Eikonal to monodomain simulations, which allows more realistic simulations of cardiac electrophysiology. The pipeline is demonstrated in a healthy female subject, where our inferred reaction-Eikonal models reproduced the patient's ECG with a Pearson's correlation coefficient of 0.93, and the translated monodomain simulations have a correlation coefficient of 0.89. We then apply the effect of Dofetilide to the monodomain population of models for this subject and show dose-dependent QT and T-peak to T-end prolongations that are in keeping with large population drug response data.

研究动机与目标

• 开发一种全自动化的流程，仅基于常规获取的临床影像和ECG数据生成个性化心脏数字孪生。
• 通过模拟患者特异性的电生理反应来实现虚拟临床试验。
• 通过基于人群的推断而非单模型估计，量化数字孪生中的参数不确定性。
• 将快速的反应-Eikonal模拟转换为更真实的单域模拟，以提升生理拟合度。
• 利用药物反应数据验证该流程的预测能力，特别是对Dofetilide引起的QT间期延长的预测。

提出的方法

• 使用分割和网格生成技术，从心脏磁共振（CMR）数据中构建患者特异性的心室解剖结构。
• 应用顺序蒙特卡洛近似贝叶斯计算（SMC-ABC）从12导联ECG中推断电活动与复极化参数。
• 采用带有生物物理详细离子电流和浦肯野网络的反应-Eikonal模型，模拟动作电位传播。
• 生成一组模型以表示参数不确定性，从而实现在治疗评估中的不确定性传播。
• 开发从反应-Eikonal到单域模拟的转换框架，以增强电生理动力学的现实感。
• 将模拟结果与临床ECG记录及已知的药物反应模式进行校准与验证。

实验结果

研究问题

• RQ1 是否能够仅使用标准CMR和12导联ECG数据，通过全自动流程生成患者特异性的心脏数字孪生？
• RQ2 反应-Eikonal模拟在多大程度上能够以高保真度再现个体患者的ECG？
• RQ3 该流程在预测药物对复极化的影响（如QT间期和T峰至T末期间期延长）的剂量依赖性效应方面，准确性如何？
• RQ4 模型参数的不确定性是否能够被有效捕捉并传播至虚拟治疗评估中？
• RQ5 转换后的单域模拟在再现临床ECG特征方面，与反应-Eikonal结果相比表现如何？

主要发现

• 在一名健康女性受试者中，反应-Eikonal模型生成的模拟ECG与患者真实ECG之间的皮尔逊相关系数达到0.93。
• 由反应-Eikonal模型群体导出的单域模拟，其ECG再现的相关系数为0.89。
• 在单域模型群体中施用Dofetilide后，观察到剂量依赖性的QT间期延长，与大规模临床药物反应数据一致。
• T峰至T末期间期的延长也呈剂量依赖性，与已知的药理学效应相符。
• 与单个模型相比，使用模型群体有效捕捉了参数不确定性，并实现了稳健的治疗评估。
• 从反应-Eikonal到单域模拟的转换过程保留了关键电生理特征，同时增强了生物学现实感。