Einleitung: Die Herausforderung des Herzversagens

Herzinsuffizienz (HF) betrifft weltweit über 64 Millionen Menschen, wobei die Prävalenz mit zunehmendem Alter der Bevölkerung steigt. Trotz der Fortschritte in der Pharmakotherapie und Gerätetherapie bleibt die Fünf-Jahres-Mortalität bei etwa 50 %, was den dringenden Bedarf an besseren Werkzeugen zum Verständnis, zur Vorhersage und zur Behandlung der Erkrankung unterstreicht. Die Funktion des Herzens ist das Produkt komplizierter Wechselwirkungen zwischen elektrischer Aktivierung, mechanischer Kontraktion und hämodynamischer Belastung. Traditionelle diagnostische Ansätze - Echokardiographie, Biomarker und klinische Ergebnisse - liefern Momentaufnahmen, vermissen jedoch oft die dynamische, nichtlineare Natur des Herzversagens. Physiologische Modellierung des Herzzyklus bietet eine leistungsstarke Alternative: Sie reproduziert das Verhalten des Herzens in silico und ermöglicht Klinikern und Forschern, Mechanismen zu erforschen, Interventionen zu testen und die Pflege zu personalisieren. Durch die Simulation des gesamten Zyklus von der elektrischen Depolarisation bis zur ventrikulären Ejektion können Modelle die subtilen Störungen erfassen, die die HF-Progression und die Behandlungsreaktion steuern. Dieser Artikel beschreibt den Zustand der physiologischen Herzmodellierung, ihre Anwendungen für das

Den Herzzyklus in Gesundheit und Krankheit verstehen

Der Herzzyklus besteht aus zwei Hauptphasen: Systole und Diastole. Während der Systole ziehen sich die Ventrikel zusammen, strömen Blut in die Aorta und die Lungenarterie aus. Die Diastole folgt, wenn sich das Myokard entspannt und die Kammern wieder gefüllt werden. Bei Herzinsuffizienz werden eine oder beide Phasen beeinträchtigt. HF mit reduzierter Ejektionsfraktion (HFrEF) zeigt eine geschwächte systolische Kontraktion, während HF mit konservierter Ejektionsfraktion (HFpEF) diastolische Steifigkeit und Relaxationsstörungen aufweist. Ein umfassendes Modell muss beide Phasen und ihre Kopplung berücksichtigen.

Phasen des Herzzyklus

Detailliertes Verständnis beginnt mit den vier Phasen:

  • Ventrikelfüllung (Diastolie): schnelle Frühfüllung, Diastase und Vorhofkontraktion.
  • Isovolumetrische Kontraktion: alle Ventile geschlossen, Druck steigt stark an.
  • Auswurf: Semilunarklappen öffnen, Blut wird ausgestoßen.
  • Isovolumetrische Entspannung: Druck fällt, Mitralklappe bleibt geschlossen.

Bei HF werden diese Übergänge abnormal. Bei HFpEF verschiebt sich beispielsweise die linksventrikuläre Druckvolumenschleife nach oben und nach links, was eine erhöhte Steifigkeit widerspiegelt. Modelle, die Druckvolumenbeziehungen simulieren, können diese Verschiebungen reproduzieren und helfen, den dominanten Mechanismus bei einzelnen Patienten zu identifizieren.

Der Wert der Simulation

Warum ein Prozess modellieren, den wir mit Kathetern und Bildgebung messen können? Weil Modelle Fragen beantworten können, die bei Patienten nur schwer oder gar nicht zu testen sind. Wie würde beispielsweise eine 10 %ige Reduktion des systemischen Gefäßwiderstands das enddiastolische Volumen bei einem bestimmten Patienten mit Mitralinsuffizienz beeinflussen? Modelle ermöglichen virtuelle Experimente ohne Risiko. Sie integrieren auch unterschiedliche Daten - EKG, Blutdruck, Bildgebung - in ein kohärentes Bild der Ganzherzfunktion. Diese integrative Sichtweise ist besonders wertvoll bei Herzinsuffizienz, wo mehrere Systeme (neurohormonal, renal, vaskulär) sich verschwören, um die Funktion zu verschlechtern.

Physiologische Modellierungstechniken für den Herzzyklus

Die kardiologische Modellierung umfasst mehrere Skalen und Methoden. Die Wahl der Technik hängt von der Frage ab, die gestellt wird: Einige Modelle konzentrieren sich auf die Hämodynamik auf Organebene, andere auf die zelluläre Elektrophysiologie und wieder andere auf die 3D-Mechanik.

Lumped Parameter Modelle (0-D Modelle)

Diese Modelle repräsentieren Herz und Kreislauf mit elektrischen Analogien: Widerstände, Kondensatoren und Induktoren simulieren Gefäßwiderstand, Compliance und Trägheit. Jede Herzkammer wird als zeitvariable Elastanz modelliert - eine mathematische Beschreibung der Kammersteifigkeit über den Zyklus. Lumped-Modelle sind rechnerisch kostengünstig und ideal für die Untersuchung der globalen Hämodynamik, wie z.B. der Effekt von Vasodilatatoren oder Betablockern auf die Herzleistung. Sie können in Echtzeit laufen und mit Closed-Loop-Modellen des gesamten Kreislaufs einschließlich der Baroreflex-Regulierung gekoppelt werden. Ein bekanntes Beispiel ist das CircAdapt-Modell, das sich an chronische Veränderungen der Vor- und Nachlast anpasst. Bei Herzinsuffizienz können lumped-Modelle simulieren, wie eine fortschreitende Zunahme der linksventrikulären Steifigkeit die Druckvolumenschleife verschiebt und schließlich das Hubvolumen reduziert.

Schlüsselparametermodelle

  • Windkessel-Modelle (zwei-Element, drei-Element, vier-Element) für arterielle Nachladung.
  • Zeitvariante Elastanzmodelle (z.B. Sunagawa-Sagawa-Modell) für die ventrikuläre Funktion.
  • Kreislaufmodelle, die sowohl Herz- als auch Gefäßsystem umfassen, werden oft für das Studium der autonomen Kontrolle in HF verwendet.

Elektromechanische Modelle (1-D bis 3-D)

Diese Modelle koppeln elektrische Ausbreitung (Aktionspotentiale) mit der Gewebemechanik. Die elektrische Aktivierungssequenz des Herzens - vom sinoatrialen Knoten über das Purkinje-Netzwerk bis zu den Ventrikeln - wird mit den Binomin- oder Monodomänengleichungen simuliert. Die resultierende elektrische Aktivierung löst eine Myozytenkontraktion aus, die durch Kreuzbrückenmodelle vom Hill-Typ oder Huxley-Typ beschrieben wird. Auf der Organskala lösen Finite-Elemente-Methoden Deformation, Stress und Dehnung auf. Beispiele sind das Living Heart Project und an der Universität von Auckland entwickelte Modelle. Solche Modelle können Dyssynchronie im linken Bündelzweigblock simulieren und die optimale Stimulationsstelle für die kardiale Resynchronisationstherapie (CRT) vorhersagen. Sie erfassen auch die mechanischen Folgen von Narbengewebe, Fibrose und Hypertrophie - alle Kennzeichen des scheiternden Herzens.

Anwendungen von 3D-Elektromechanischen Modellen in HF

  • Vorhersage der hämodynamischen Reaktion auf CRT Lead Placement.
  • Simulieren der Wirkung von Myokardinfarkt Narbe auf ventrikuläre Verdrehung und Torsion.
  • Bewertung der Arzneimittelwirkungen auf Kontraktilität und Leitungsgeschwindigkeit.

Hämodynamische Modelle

Hämodynamische Modelle konzentrieren sich explizit auf den Blutfluss und den Druck, oft unter Verwendung von numerischer Fluiddynamik (CFD). Die Geometrie des linken Ventrikels, der Ventile und großer Gefäße kann aus MRT- oder CT-Scans abgeleitet werden. CFD-Simulationen zeigen Flussmuster, Scherbelastung des Endokards und Energieverluste über stenotische Ventile. In Herzinsuffizienz kann CFD den Schweregrad der funktionellen Mitralinsuffizienz beurteilen oder den hämodynamischen Nutzen eines ventrikulären Assistenzgeräts (VAD) quantifizieren. Niedrigwertige Modelle (1-D) des Arterienbaums können auch verwendet werden, um Wellenreflexionen und Aortensteifigkeit zu schätzen, die in HFpEF erhöht sind.

Multiskalenmodelle

Der ambitionierteste Ansatz integriert Modelle von der molekularen und zellulären Ebene bis hin zur organ- und systemischen Ebene.

  • Zelluläre Modelle (z. B. die Luo-Rudy- oder O'Hara-Rudy-Modelle des ventrikulären Aktionspotentials), die Ionenkanäle, Kalziumhandling und Myofilamentdynamik enthalten.
  • Gewebemodelle, die die Lückenkopplung und Faserorientierung berücksichtigen.
  • Organmodelle mit finiten Elementen mit realistischer Geometrie.
  • Systemische Modelle, die das Gefäßsystem und das neurohormonelle Feedback repräsentieren.

Solche umfassenden Modelle sind rechnerisch anspruchsvoll, können aber die Auswirkungen einer genetischen Mutation in einem einzelnen Ionenkanal auf die globale Ejektionsfraktion simulieren - eine Leistung, die mit einfacheren Ansätzen unmöglich ist. Bei Herzinsuffizienz wurden multiskalige Modelle verwendet, um die Rolle von Kalziumzyklusanomalien (z. B. reduzierte SERCA-Aktivität) bei der Entstehung von systolischer und diastolischer Dysfunktion zu untersuchen.

Anwendungen im Heart Failure Management

Das ultimative Ziel der Herzmodellierung ist die Verbesserung der Patientenergebnisse. Während Modelle seit Jahrzehnten in der Forschung eingesetzt werden, beschleunigt sich die klinische Übersetzung, angetrieben durch Fortschritte in der Computer- und Datenerfassung. Im Folgenden sind die wichtigsten Bereiche aufgeführt, in denen physiologische Modellierung sich direkt auf das Management von Herzinsuffizienz auswirkt.

Personalisierung der Pharmakotherapie

Die Arzneimittelreaktion ist bei Patienten mit Herzinsuffizienz sehr unterschiedlich. Betablocker, ACE-Inhibitoren und neuere Wirkstoffe wie Sacubitril-Valsartan haben unterschiedliche Auswirkungen auf Herzfrequenz, Kontraktilität und Gefäßtonus. Lumped-Parametermodelle können auf die Basishämodynamik eines Patienten kalibriert werden (unter Verwendung nichtinvasiver Daten wie Blutdruck, Herzfrequenz und echokardiographische Volumina) und dann verwendet werden, um die Wirkung eines bestimmten Medikaments vorherzusagen. Beispielsweise könnte ein Modell zeigen, dass ein bestimmter Betablocker die Herzfrequenz bei einem Patienten mit niedriger Basisleistung reduziert Herzleistung zu viel, was auf die Notwendigkeit einer niedrigeren Dosis oder eines anderen Wirkstoffs hindeutet. In ähnlicher Weise können Modelle die diuretische Therapie optimieren, indem sie die Wirkung von Furosemid auf die Vorlast und Nierenfunktion im Kontext der Frank-Starling-Kurve des Patienten simulieren.

Optimierung der Gerätetherapie

Die kardiovale Resynchronisationstherapie (CRT) ist eine tragende Säule für HFrEF-Patienten mit breiter QRS. Etwa 30 % der Patienten sprechen jedoch nicht an. Elektromechanische Modelle können die CRT-Reaktion vorhersagen, indem sie den Effekt des Pacing an verschiedenen Stellen simulieren. Ein patientenspezifisches Modell, das aus MRT- und EKG-Daten aufgebaut ist, kann die optimale linksventrikuläre Bleiposition identifizieren, die die mechanische Dyssynchronität minimiert und die Schlaganfallarbeit maximiert. Klinische Studien wie die "Virtual CRT" -Studie haben gezeigt, dass die modellgeführte Bleiplatzierung die Ansprechraten verbessert. Modelle helfen bei der Programmierung implantierbarer Kardioverter-Defibrillatoren (ICDs): Sie können die Induktion und Termination von Arrhythmien simulieren, was dazu beiträgt, Erkennungsalgorithmen anzupassen und unangemessene Schocks zu reduzieren.

Vorhersage der Krankheitsprogression und Risikoschichtung

Herzinsuffizienz ist ein progressives Syndrom. Modelle, die patientenspezifische Parameter beinhalten, können den Krankheitsverlauf über Monate oder Jahre simulieren. Ein Modell könnte beispielsweise den allmählichen Anstieg der linksventrikulären Masse (Hypertrophie) und den Rückgang der Kontraktilität bei hypertensiven Herzerkrankungen beinhalten. Durch den Betrieb von Tausenden von virtuellen Patienten können Forscher die wichtigsten Parameter identifizieren, die die Dekompensation antreiben. Klinisch können solche Modelle das Risiko schichten: Ein Patient, dessen Modell einen steilen Rückgang des Schlaganfallvolumens mit geringen Nachlasterhöhungen aufweist, kann ein höheres Risiko für eine akute Dekompensation während einer hypertensiven Krise haben. Dieses "digitale Zwillings" -Konzept - ein ständig aktualisiertes Modell des Patienten - verspricht Frühwarnung und präventive Intervention.

Mechanische Kreislaufunterstützung

Bei fortgeschrittener Herzinsuffizienz werden ventrikuläre Assistenzgeräte (VADs) als Brücke zur Transplantation oder als Zieltherapie eingesetzt. Die VAD-Einstellungen müssen jedoch so eingestellt werden, dass die linksventrikuläre Entladung mit einer ausreichenden systemischen Perfusion ausgeglichen wird. Modelle des assistierten Kreislaufs können den Effekt der Pumpgeschwindigkeit auf das linke ventrikuläre Volumen, die Septumposition und die rechtsventrikuläre Funktion vorhersagen. Ein Modell, das sowohl Ventrikel als auch die VAD umfasst, kann Klinikern helfen, die optimale Geschwindigkeit zu wählen, die eine linksventrikuläre Absaugung (Kollaps) oder rechte Herzinsuffizienz vermeidet. Solche Simulationen reduzieren den Bedarf an invasiven Rampenstudien und können zu besseren Langzeitergebnissen führen.

Herausforderungen und Einschränkungen

Trotz ihrer Versprechen, physiologische Herzmodelle stehen vor mehreren Hürden vor weit verbreiteten klinischen Einsatz. Erstens, Datenanforderungen sind hoch: Aufbau eines patientenspezifischen Modells erfordert oft hochauflösende Bildgebung (MRI, CT), invasive Druckmessungen oder detaillierte elektrophysiologische Daten. Viele Herzinsuffizienz-Patienten haben Kontraindikationen für MRI (z. B. ICDs) oder können langwierige Scans nicht tolerieren. Zweitens, Modellkalibrierung und -validierung bleiben eine Herausforderung. Ein Modell, das zu einer anderen Population oder einem klinischen Szenario passt, ist möglicherweise nicht verallgemeinernd. Rigorous Validierung gegen große, prospektive klinische Datensätze ist erforderlich - ein Prozess, der teuer und zeitaufwendig ist. Drittens, Rechenkosten bleiben eine Barriere für 3‐D-elektromechanische Modelle, die Stunden dauern können, um einen einzelnen Schlag zu simulieren. Echtzeit- oder Nahe-Echtzeit-S

Zukünftige Richtungen: Von der Simulation zur klinischen Integration

Im nächsten Jahrzehnt wird die physiologische Modellierung wahrscheinlich zu einem integralen Bestandteil der Herzinsuffizienzversorgung werden, die von mehreren konvergierenden Trends angetrieben wird.

Künstliche Intelligenz und Machine Learning

Machine Learning (ML) kann die Modellbildung beschleunigen, indem automatisch Parameter aus Bildgebung und Signalen extrahiert werden. So kann Deep Learning beispielsweise den linken Ventrikel aus Echokardiogrammen segmentieren und Kammervolumina in Sekunden abschätzen. ML kann auch die aussagekräftigsten Parameter für einen bestimmten Patienten identifizieren, wodurch die Modellkomplexität reduziert wird. Gleichzeitig entstehen physikinformierte neuronale Netze (PINNs) als eine Methode, um die Lösung der regierenden Gleichungen aus spärlichen Daten direkt zu lernen und möglicherweise die traditionelle Modellkalibrierung vollständig zu umgehen.

Digitale Zwillinge des Herzens

Ein digitaler Zwilling ist eine virtuelle Darstellung des Herzens eines Patienten, die kontinuierlich mit realen Daten aus Wearables, implantierbaren Monitoren und elektronischen Gesundheitsakten aktualisiert wird. Bei Herzinsuffizienz könnte ein digitaler Zwilling tägliche Schwankungen des Flüssigkeitszustands, der Herzfrequenz und des Blutdrucks simulieren und dann den Kliniker alarmieren, wenn das Modell eine bevorstehende Dekompensation voraussagt. Projekte wie das europäische "DigiTwin" und das NIH-geförderte "Computational Heart" arbeiten auf diese Vision hin. Frühe Prototypen haben gezeigt, dass sie die CRT-Einstellungen personalisieren und eine akute hämodynamische Reaktion auf vasoaktive Medikamente vorhersagen können.

Integration mit tragbaren und implantierbaren Sensoren

Moderne Schrittmacher und Defibrillatoren können kontinuierlich die Intrathorakimpedanz (ein Proxy für Flüssigkeitsüberlastung), die Herzfrequenzvariabilität und den Aktivitätsgrad messen. Wenn diese Datenströme in ein Herzmodell eingespeist werden, kann das Modell seine Vorhersagen in Echtzeit anpassen. Beispielsweise könnte eine Abnahme der Impedanz in Kombination mit einer Erhöhung der Ruheherzfrequenz eine Modellsimulation auslösen, die auf eine beginnende Lungenstauung hindeutet, was zu einer diuretischen Anpassung führt. Solche Closed-Loop-Systeme werden bereits in Pilotstudien zur Behandlung chronischer Herzinsuffizienz getestet.

Klinische Studien und regulatorische Wege

Damit Modelle übernommen werden können, müssen sie den klinischen Nutzen nachweisen. Die US-amerikanische Food and Drug Administration (FDA) hat begonnen, Evidenz im Rahmen von Zulassungsanträgen, insbesondere für die Geräteentwicklung, in silico zu berücksichtigen. Das Programm "Medical Device Development Tools" (MDDT) ermöglicht die Verwendung qualifizierter Computermodelle als Ersatzendpunkte in klinischen Studien. Im Jahr 2023 qualifizierte die FDA ein Computermodell des Herz-Kreislauf-Systems für die Bewertung neuer Medikamente für Herzinsuffizienz. Diese regulatorische Akzeptanz wird eine breitere Nutzung fördern. Gleichzeitig zielen Initiativen wie der "Virtual Physiological Human" darauf ab, Standards für die Verifizierung, Validierung und den Austausch von Modellen zu schaffen, die Duplikation zu reduzieren und die Reproduzierbarkeit zu verbessern.

Erweiterung auf HFpEF und andere Subtypen

Die meisten Modellierungsarbeiten konzentrierten sich auf HFrEF, aber HFpEF stellt die Hälfte aller Fälle von Herzinsuffizienz dar und hat nur wenige wirksame Behandlungen. Die Modellierung von HFpEF ist schwieriger, da sie subtile diastolische Dysfunktion beinhaltet, die oft mit Komorbiditäten wie Fettleibigkeit, Bluthochdruck und Vorhofflimmern kombiniert wird. Neue Modelle, die die linke Vorhoffunktion, die Lungenvenenhämodynamik und die perikardielle Einschränkung beinhalten, werden entwickelt. Zum Beispiel können Modelle, die die ventrikuläre vaskuläre Kopplung während des Trainings simulieren, den übertriebenen Anstieg des Fülldrucks reproduzieren, der HFpEF charakterisiert. Solche Modelle können helfen, zu identifizieren, welche Patienten von spezifischen Therapien profitieren (z. B. Natrium-Glukose-Cotransporter-2-Inhibitoren oder neue Myosin-aktivierende Medikamente).

Schlussfolgerung

Physiologische Modellierung des Herzzyklus hat sich von einer Forschungskuriosität zu einem leistungsstarken Werkzeug für das Verständnis und die Verwaltung von Herzinsuffizienz entwickelt. Durch die Erfassung des komplexen Zusammenspiels von elektrischen, mechanischen und hämodynamischen Faktoren können Modelle die Therapie personalisieren, Ergebnisse vorhersagen und die Entwicklung von Geräten und Medikamenten steuern. Während Herausforderungen bestehen bleiben - Datenverfügbarkeit, Validierung, Rechenaufwand - bewegt sich das Feld nun von Proof-of-Concept zu klinischer Integration. Da sich künstliche Intelligenz, digitale Zwillinge und regulatorische Rahmenbedingungen entwickeln, ist physiologische Modellierung bereit, eine Standardkomponente der Präzisionskardiologie für Herzinsuffizienz zu werden.

Weiterlesen: Für eine umfassende Überprüfung der Herzmodellierungsansätze siehe den Nature Reviews Cardiology Artikel über kardiale elektromechanische Modelle. Die American Heart Association bietet aktualisierte Herzinsuffizienzstatistiken unter ihre 2024 Statistikaktualisierung. Für Einblicke in die digitale Zwillingstechnologie in der Kardiologie siehe den Digital Twin in Cardiovasculature Review. Zusätzliche Ressourcen zur Modellierung von Parametern für Herzinsuffizienz finden Sie im PMC Artikel über Kreislaufmodelle.