Generation and uncertainty quantification of patient-specific purkinje network models

• Autor(a) principal: Berg, Lucas Arantes
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://doi.org/10.34019/ufjf/te/2022/00052; https://repositorio.ufjf.br/jspui/handle/ufjf/14476
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA; Eletrofisiologia; Paciente-específico; Fibras de Purkinje; Quantificação de incerteza; Electrophysiology; Patient-specific; Purkinje fibers; Uncertainty quantification

As redes de Purkinje são uma parte fundamental do sistema de condução cardíaco e são conhecidas por iniciar uma variedade de arritmias cardíacas. No entanto, a modelagem específica das redes de Purkinje de um paciente permanece desafiadora devido à alta complexidade morfológica e à falta de técnicas de imagem não invasivas para identificar estas estruturas. Este trabalho tem como objetivo apresentar um novo método chamado Shocker baseado em princípios de otimização para a geração e quantificação de incertezas de redes de Purkinje específicas de paciente que combinam precisão geométrica e elétrica no tamanho do ramo, ângulos de bifurcação e ativação das Junções-Músculo-Purkinje. Vários modelos de redes de Purkinje são gerados em quatro malhas biventriculares diferentes com complexidade crescente para atingir esse objetivo. Estas malhas são utilizadas para avaliar o desempenho do nosso modelo em uma variedade de cenários diferentes. Simulações adicionais de monodomínio acoplando as redes de Purkinje ao tecido biventricular são executadas para avaliar as redes geradas em um cenário mais realista usando os modelos celulares humanos Purkinje/ventricular mais recentes, valores fisiológicos para o atraso característico das Junções-Músculo-Purkinje e um resolvedor GPU de alto desempenho. Os resultados demonstram que o novo método é capaz de gerar redes de Purkinje específicas de paciente com métricas morfológicas controladas, tempos de ativação nas Junções-Músculo-Purkinje, nos pontos estimados dados pelo mapa eletroanatômico do paciente e por eletrocardiograma. Além disso, a geração de vários modelos de rede de Purkinje que podem reproduzir os mesmos dados específicos do paciente é uma importante ferramenta para quantificar as incertezas associadas à modelagem computacional desse importante sistema de condução do coração humano.