[论文解读] Parameter inference in a computational model of hemodynamics in pulmonary hypertension

Amanda L. Colunga, Mitchel J. Colebank+2 more|arXiv (Cornell University)|Jan 15, 2021

Pulmonary Hypertension Research and Treatments被引用 5

一句话总结

本研究开发了一种患者特异性的肺部血流动力学计算模型，利用静态右心导管检查（RHC）数据和连续波形数据，推断九名肺动脉高压（PH）患者的生理参数。通过结合敏感性分析、多起点参数推断和不确定性量化，该模型准确校准了右心房的储血和泵血功能，结果与已知的PH病理生理学机制及以往非建模研究一致。

ABSTRACT

Pulmonary hypertension (PH), defined by a mean pulmonary arterial pressure (mPAP) $>$ 20 mmHg, is characterized by increased pulmonary vascular resistance and decreased pulmonary arterial compliance. There are few measurable biomarkers of PH progression, but a conclusive diagnosis of the disease requires invasive right heart catheterization (RHC). Patient-specific computational models of the cardiovascular system are a potential noninvasive tool for determining additional indicators of disease severity. Using computational modeling, this study quantifies physiological parameters indicative of disease severity in nine PH patients. The model includes all four heart chambers and the pulmonary and systemic circulations. We consider two sets of calibration data: static (systolic \& diastolic values) RHC data and a combination of static and continuous, time-series waveform data. We determine a subset of identifiable parameters for model calibration using sensitivity analyses and multistart inference, and carry out uncertainty quantification post-inference. Results show that additional waveform data enables accurate calibration of the right atrial reservoir and pump function across the PH cohort. Model outcomes, including stroke work and pulmonary resistance-compliance relations, reflect typical right heart dynamics in PH phenotypes. Lastly, we show that estimated parameters agree with previous, non-modeling studies, supporting this type of analysis in translational PH research.

研究动机与目标

• 开发一种能够捕捉肺动脉高压（PH）血流动力学特征的患者特异性心血管系统计算模型。
• 通过从临床数据中推断生理参数，改进PH严重程度的无创评估。
• 评估在参数推断中引入连续时间序列血流动力学波形数据与仅使用静态RHC测量值相比的影响。
• 将推断的参数与已知的PH病理生理模式及以往非建模研究进行验证。
• 量化推断参数的不确定性，并通过敏感性分析识别可识别参数子集。

提出的方法

• 构建一个包含全身和肺循环的1D/0D集总参数模型，涵盖全部四个心腔。
• 利用静态RHC数据（收缩压和舒张压）和时间序列波形数据对模型进行校准。
• 应用多起点优化与全局敏感性分析，识别最小可识别参数子集。
• 采用蒙特卡洛采样和贝叶斯推断技术进行不确定性量化。
• 结合患者特异性血流动力学测量值和生理约束条件对模型进行校准。
• 将模型输出（如每搏功、阻力-顺应性关系）与预期的PH表型进行验证。

实验结果

研究问题

• RQ1 患者特异性的计算模型能否利用临床RHC数据准确推断PH患者的血流动力学参数？
• RQ2 与仅使用静态RHC值相比，引入连续时间序列波形数据在多大程度上提升了参数推断的准确性？
• RQ3 在PH血流动力学背景下，哪些生理参数是可识别的，并且对不确定性具有鲁棒性？
• RQ4 推断的参数和模型输出是否与已确立的肺动脉高压病理生理模式一致？
• RQ5 估计的参数在多大程度上与非建模研究中发现的结果一致？

主要发现

• 在PH队列中，引入连续时间序列波形数据显著改善了右心房储血和泵血功能的校准效果。
• 通过敏感性分析识别出一组可识别参数，使得尽管参数空间维度较高，模型仍能实现稳健校准。
• 模型输出（包括肺血管阻力-顺应性关系和每搏功）反映了PH表型中典型的右心血流动力学特征。
• 肺血管阻力和动脉顺应性参数的估计值与以往非建模研究中报告的数值一致。
• 不确定性量化揭示了关键参数的可靠置信区间，支持临床可解释性。
• 该模型成功捕捉了疾病特异性的血流动力学表型，展示了其在无创评估PH严重程度方面的潜力。