Probabilistic learning of the Purkinje network from the electrocardiogram

要約

心臓のプルキンエ伝導系の同定は困難な作業ですが、精密な心臓学のための心臓デジタルツインを正しく定義するには不可欠です。
ここでは、標準的な心電図 (ECG) などの非侵襲的臨床データからプルキンエ ネットワークを特定するための確率論的アプローチを提案します。
私たちは心臓画像を使用して、解剖学的に正確な心室モデルを構築します。
解剖学的構造に合わせたルールベースのプルキンエ ネットワークをアルゴリズムで生成します。
高速モデルを使用して生理学的心電図をシミュレートします。
ベイズ最適化と近似ベイズ計算を使用して、プルキンエ ECG モデルの幾何学的パラメータと電気パラメータを特定します。
提案されたアプローチは本質的に確率的であり、ECG を所定の許容範囲内に適合させる、もっともらしいプルキンエ ネットワークの集団を生成します。
このようにして、パラメーターの不確実性を推定できるため、信頼性の高い予測が提供されます。
生理学的および病理学的シナリオで方法論をテストし、モデルを使用して ECG を正確に回復できることを示します。
伝導系ペーシング治療のシミュレーションでプルキンエ ネットワーク パラメーターの不確実性を伝播します。
私たちの方法論は、精密医療における非侵襲的データからのデジタルツインの作成において一歩前進です。
オープンソースの実装は http://github.com/fsahli/purkinje-learning にあります。

要約(オリジナル)

The identification of the Purkinje conduction system in the heart is a challenging task, yet essential for a correct definition of cardiac digital twins for precision cardiology. Here, we propose a probabilistic approach for identifying the Purkinje network from non-invasive clinical data such as the standard electrocardiogram (ECG). We use cardiac imaging to build an anatomically accurate model of the ventricles; we algorithmically generate a rule-based Purkinje network tailored to the anatomy; we simulate physiological electrocardiograms with a fast model; we identify the geometrical and electrical parameters of the Purkinje-ECG model with Bayesian optimization and approximate Bayesian computation. The proposed approach is inherently probabilistic and generates a population of plausible Purkinje networks, all fitting the ECG within a given tolerance. In this way, we can estimate the uncertainty of the parameters, thus providing reliable predictions. We test our methodology in physiological and pathological scenarios, showing that we are able to accurately recover the ECG with our model. We propagate the uncertainty in the Purkinje network parameters in a simulation of conduction system pacing therapy. Our methodology is a step forward in creation of digital twins from non-invasive data in precision medicine. An open source implementation can be found at http://github.com/fsahli/purkinje-learning

arxiv情報

提供元, 利用サービス

arxiv.jp, Google