Разработка гибридного метода биофизического моделирования электромеханической функции миокарда и машинного обучения для повышения эффективности диагностики и лечения хронической сердечной недостаточности

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 19-14-00134

НазваниеРазработка гибридного метода биофизического моделирования электромеханической функции миокарда и машинного обучения для повышения эффективности диагностики и лечения хронической сердечной недостаточности

Руководитель Соловьева Ольга Эдуардовна, Доктор физико-математических наук

Организация финансирования, регион Федеральное государственное бюджетное учреждение науки Институт иммунологии и физиологии Уральского отделения Российской академии наук , Свердловская обл

Конкурс №35 - Конкурс 2019 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами»

Область знания, основной код классификатора 04 - Биология и науки о жизни; 04-204 - Биофизика

Ключевые слова Математическое моделирование, хроническая сердечная недостаточность, сердечная ресинхронизирующая терапия, моделирование сердца, клеточные модели, машинное обучение

Код ГРНТИ27.35.43

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Практически все заболевания сердца приводят к аномалиям его сокращения и формированию недостаточности кровообращения. Хроническая сердечная недостаточность (ХСН) является одной из ведущих причин смерти во всем мире, несмотря на оптимальное лечение. Разработка новых методов лечения ХСН является сложной задачей и может быть значительно ускорена с помощью интеллектуального моделирования. Для продвижения вычислительных моделей в клинику требуется развивать новые комбинированные подходы к моделированию сердца, сочетающие возможности популяционного моделирования и персонификации моделей на основе клинических данных с современными методами анализа и машинного обучения. При этом вычислительные модели сердечной функции сами могут служить источником больших объемов генерируемых данных (виртуальные big data), которые потом будут использованы для персонифицированной оценки состояния пациента. Такие гибридные подходы будут развиты в данном исследовании в рамках разработки новой информационно-диагностической платформы оценки состояния сократительной функции миокарда при ХСН на основе анализа клинических данных и применения биофизических и биомеханических моделей. Мы разработаем и апробируем следующую технологию использования моделей. Сначала модели электромеханической функции желудочков рассчитываются на большой выборке варьируемых параметров и генерируются большие объемы результатов моделирования - "виртуальные клинические данные" (этап обучающего моделирования). В их числе будут вычисленные ЭКГ, пространственно-временные деформации и напряжения миокарда, динамические параметры изменения формы, давление левого желудочка (ЛЖ), фракция выброса ЛЖ, характеристики электрической и механической диссинхронии желудочков, которые можно сравнивать с реальными клиническими данными. Среди полученных результатов отбираются те реализации модели, которые попадают в клинически наблюдаемые диапазоны измеряемых величин для определенной группы пациентов. Так формируются "субпопуляции" моделей, описывающих различные группы пациентов, и определяются соответствующие им специфические диапазоны параметров модели (этап популяционного моделирования). Затем на основе этих виртуальных данных при помощи машинного обучения находятся зависимости между результатами модели и ее параметрами, т.е. получаются информационные модели, связывающие параметры модели и "виртуальные клинические данные" (этап информационного моделирования). С одной стороны, такая информационная модель позволит быстро и точно прогнозировать результаты функциональной модели при любом наборе параметров из заданного диапазона без длительных и дорогостоящих расчетов биофизической модели (этап предсказательного моделирования). С другой стороны, что особенно важно для клинических приложений, используя информационную модель мы сможем находить такие области значений параметров, при которых решения биофизической модели будут наиболее близкими к индивидуальным клиническим данным, т.е. сможем решить задачу идентификации по клиническим данным параметров проводимости, пассивной механики, сократимости, молекулярно-клеточных процессов электромеханического сопряжения в миокарде и надежно оценить состояние сократительной функции сердца конкретного пациента (этап персонифицированного моделирования). Настоящий проект направлен на разработку методов построения и использования вычислительных и информационных моделей для оценки эффективности сердечной ресинхронизирующей терапии (СРТ) для пациентов с ХСН различной этиологии, резистентных к медикаментозной терапии и имеющих электрическую сердечную диссинхронию. Основной целью применения моделирования для анализа клинических данных пациента является объективная оценка сократимости миокарда и определение его собственного сократительного резерва, необходимого для увеличения насосной функции сердца при синхронизации возбуждения желудочков. Решение этой задачи позволит увеличить точность прогноза потенциального результата СРТ и снизит долю пациентов, не отвечающих на терапию. Другой важной клинической задачей является выбор оптимальных параметров процедуры СРТ для конкретного пациента, которую также можно более обоснованно решать с учетом дооперационного персонифицированного компьютерного моделирования при различных режимах стимуляции желудочков сердца. Таким образом, фундаментальные задачи исследования связаны с оценкой возможности идентифицировать неизвестные параметры клеточного ремоделирования, проводимости, механических свойств ткани и сократительного резерва миокарда у пациентов с различной этиологией ХСН на основе данных о геометрии сердца, структуре фиброза миокарда, характере диссинхронии, морфологии ЭКГ. С практической точки зрения, данное исследование должно ответить на вопрос о возможности улучшения функции конкретного сердца в результате ресинхронизации возбуждения желудочков и оптимизации процедуры СРТ за счет выбора расположения стимулирующих электродов, вектора стимуляции и задержки стимуляции. Проект включает следующие исследовательские задачи: 1. Провести набор и классификацию клинических данных пациентов с ХСН, направляемых на СРТ. Связать особенности нарушений электромеханической функции сердца до операции с типом ответа на СРТ. 2. Разработать технологию построения пациент-специфических моделей электрической и механической активности миокарда при ХСН для оценки сократительного резерва миокарда. 3. Провести виртуальное клиническое исследование эффективности процедуры СРТ на построенных субпопуляциях моделей с различными типами нарушения электрической и механической функции сердца. Провести верификацию моделей по клиническим данным.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Чумарная Т.В., Шахмаева Н.Б., Идов Э.М., Михайлов С.П., Соловьева О.Э. Модель прогноза эффективности сердечной ресинхронизирующей терапии на основе индексов функциональной геометрии левого желудочка. Кардиология (год публикации - 2020)

2. Хамзин С.Ю., Докучаев А.Д., Соловьева О.Э. Prediction of CRT response on personalized computer models Lecture Notes of Computer Science, V. 12009 (год публикации - 2020)

3. Ди Ачилле П., Парих Ж., Хамзин С.Ю.,Соловьева О.Э.,Козловски Д., Гурьев В. Model order reduction for left ventricular mechanics via congruency training PLOS ONE (год публикации - 2020)
10.1101/694075

4. Зюзин В., Неустроев Д., Мухратов А., Чумарная Т. Segmentation of 2D Echocardiography Images using Residual Blocks in U-Net Architectures IEEE, USBEREIT 2020 (стр. 499-502). (год публикации - 2020)
10.1109/USBEREIT48449.2020.9117678

5. Бажутина А.Е. Докучаев А.Д. Хамзин С.Ю. Любимцева Т.А. Зубарев С.В. Лебедев Д.С. Соловьева О.Э. Optimization of Endocardial Electrode Positions to Enhance Cardiac Resynchronization Therapy Response: an in-Silico Study IEEE, USBEREIT 2020 (стр. 105-108) (год публикации - 2020)
10.1109/USBEREIT48449.2020.9117790

6. Мангилева Д.В., Докучаев А.Д., Хамзин С.Ю., Зубарев С.В., Любимцева Т.А., Лебедев Д.С., Соловьева О.Э. Removing Artifacts from Computed Tomography Images of Heart Using Neural Network with Partial Convolution Layer IEEE, USBEREIT 2020 (pp. 195-198) (год публикации - 2020)
10.1109/USBEREIT48449.2020.9117624

7. Любимцева Т. А., Солодушкин С. И., Чумарная Т. В., Лебедева В. К., Лебедев Д. С., Соловьева О. Э. Анализ взаимосвязи клинического и гемодинамического ответа на сердечную ресинхронизирующую терапию Кардиология, 60(1).с.154-155 (год публикации - 2020)
10.18087/cardio.2020.1.n995

8. Самунь В.С., Шека А.С., Чумарная Т.В., Соловьева О.Э. Comparison of neural network architectures for segmentation of the left ventricle on EchoCG images AIP Conference Proceedings, Volume 2313, Issue 1, 070014 (2020):1-6 (год публикации - 2020)
10.1063/5.0032165

9. Рокеах Р., Ушенин К., Чумарная Т., Алуева Ю., Михайлов С., Соловьева О. Unsupervised learning reveals two phenotypes of left ventricle contraction in patients with heart failure AIP Conference Proceedings 2313, 070026 (2020); https://doi.org/10.1063/5.0032269 (год публикации - 2020)
10.1063/5.0032269

10. Докучаев А.Д.,Бажутина А.Е., Хамзин С.Ю.,Зубарев С.В., Соловьева О.Э. Comparison of His-Purkinje and Biventricular pacing in patient-specific computer models 2021 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB), 2021, pp. 400-403. (год публикации - 2021)
10.1109/CSGB53040.2021.9496032

11. Бажутина А.Е., Докучаев А.Д., Хамзин С.Ю., Зубарев С.В., Соловьева О.Э. 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. (год публикации - 2021)
10.1109/CSGB53040.2021.9496023

12. Чумарная Т.В., Любимцева Т.А., Солодушкин С.И., Лебедева В.К., Лебедев Д.С., Соловьева О.Э. Оценка эффективности сердечной ресинхронизирующей терапии в отдаленном послеоперационном периоде Российский кардиологический журнал, 2021. — Т. 26. — №7. — С. 48-60 (год публикации - 2021)
10.15829/1560-4071-2021-4531

13. Рокеах Р.О., Бажутина А.Е., Хамзин С.Ю., Докучаев А.Д., Чумарная Т.В., Зубарев С.В., Любимцева Т.А., Лебедева В.К., Лебедев Д.С., Соловьева О.Э. 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. (год публикации - 2021)
10.1016/j.hrthm.2021.06.929

14. Рокеах Р.О., Бажутина А.Е., Хамзин С.Ю., Докучаев А.Д., Чумарная Т.В., Зубарев С.В., Любимцева Т.А., Лебедева В.К., Лебедев Д.С., Соловьева О.Э. Predicting CRT outcome by combining markers from personalized ventricular models of electrophysiology and clinical data European Heart Journal, Volume 42, Issue Supplement_1, October 2021, ehab724.0710 (год публикации - 2021)
10.1093/eurheartj/ehab724.0710

15. Любимцева Т.А., Чумарная Т.В., Лебедева В.К., Гасимова Н., Лебедев Д.С., Соловьева О.Э. Evaluation of relationship between interlead electrical delay time and reverse remodeling of left ventricle in patients with quadripolar cardiac resynchronization therapy for long-term follow-up European Heart Journal, Volume 42, Issue Supplement_1, October 2021, ehab724.0709 (год публикации - 2021)
10.1093/eurheartj/ehab724.0709

16. Любимцева Т.А., Чумарная Т.В., Лебедева В.К., Лебедев Д.С., Соловьева О.Э. Evaluation of the clinical and hemodynamic response to cardiac resynchronization therapy in patients with quadripolar left ventricular lead during the first-year follow-up EUROPEAN JOURNAL OF HEART FAILURE, 2021. V.23(S2). p. 12. (год публикации - 2021)
10.1002/ejhf.2297

17. Хамзин С., Докучаев А., Бажутина А., Чумарная Т., Зубарев С., Любимцева Т., Лебедева В., Лебедев Д., Гурьев В., Соловьева О. Machine Learning prediction of cardiac resynchronisation therapy response from combination of clinical and model-driven data Frontiers in Physiology (год публикации - 2021)

18. Ушенин К., Калинин В., Гитинова С., Сопов О., Соловьева О. Parameter variations in personalized electrophysiological models of human heart ventricles PLOS ONE, 2021. 16(4): e0249062. (год публикации - 2021)
10.1371/journal.pone.0249062

Публикации