Table of Contents

Введение: Разгадывание сердечно-дыхательных связей во время тренировки

Реакция человеческого организма на физические упражнения - это мастерская оркестровка сердечно-сосудистой и дыхательной систем, работающих в тандеме. Эта кардиореспираторная связь гарантирует, что кислород доставляется рабочим мышцам с необходимой скоростью, в то время как углекислый газ и метаболические отходы эффективно удаляются. Тем не менее понимание динамических, нелинейных взаимодействий между частотой сердечных сокращений, объемом инсульта, вентиляцией и газообменом требует больше, чем только экспериментальное наблюдение. Разработка интегрированных моделей, которые имитируют эти взаимодействия в силико, стала краеугольным камнем современной физиологии упражнений, спортивной медицины и клинической диагностики. Такие модели позволяют исследователям проверять гипотезы о регуляторных механизмах, прогнозировать индивидуальные реакции на различные тренировочные нагрузки и разрабатывать индивидуальные вмешательства для пациентов с хроническими состояниями.

В этой статье представлен всеобъемлющий обзор современного состояния в построении интегрированных моделей кардиореспираторной функции во время физических упражнений. Мы исследуем фундаментальные компоненты - динамику сердечной деятельности, дыхательную механику, нейронный контроль и метаболическую обратную связь - и изучаем вычислительные и экспериментальные методы, лежащие в основе их развития. Дискуссия охватывает практические применения в спортивных показателях, реабилитации и ранней диагностике сердечно-дыхательных заболеваний, а также проблемы, которые остаются в достижении полностью персонализированного, проверенного моделирования. Синтезируя текущие исследования и выделяя лучшие практики, мы стремимся предоставить читателям глубокое понимание того, как подходить к построению модели, валидации и развертыванию как в исследовательских, так и в клинических условиях.

Кардиореспираторная система под стрессом

Почему отдельные модели терпят неудачу

Традиционно сердечно-сосудистая и дыхательная физиология изучались в относительной изоляции. Однако физические упражнения выявляют их глубокую взаимозависимость: увеличение сердечного выброса изменяет давление перфузии легких, что, в свою очередь, изменяет соответствие вентиляции-перфузии. И наоборот, изменения в паттерне дыхания влияют на венозную отдачу и частоту сердечных сокращений через внутриглазные изменения давления. Модели с одной системой, которые не учитывают эти двунаправленные обмены, производят неточные прогнозы, особенно при высокой интенсивности упражнений или в патологических состояниях, таких как сердечная недостаточность или хроническая обструктивная болезнь легких (ХОБЛ). Интегрированные модели предлагают более точное представление физиологии всего тела путем встраивания причинных и обратных связей между двумя системами.

Основные физиологические переменные для захвата

  • Выходной результат (Q?): Продукт частоты сердечных сокращений и объема инсульта; линейно увеличивается с частотой работы до почти максимальной нагрузки.
  • Поглощение кислорода (V?O2): Отражает аэробный метаболизм; золотой стандарт для оценки кардиореспираторной пригодности.
  • Легочная вентиляция (V?E): Интегрирует центральный привод, вход хеморецептора и механическую обратную связь от легких и грудной стенки.
  • Газы артериальной крови (PaO2, PaCO2, pH): Контролируются взаимодействием альвеолярной вентиляции и сердечного выброса.
  • Автономная нервная активность: Парасимпатическая абстиненция и симпатическая активация модулируют как частоту сердечных сокращений, так и бронхомоторный тонус.

Интегрированная модель должна связать эти переменные с помощью физиологически правдоподобных уравнений, которые могут воспроизводить временную динамику, наблюдаемую во время протоколов рампа, постоянной нагрузки и интервальных упражнений.

Почему важны интегрированные модели: от теории к практике

Полезность интегрированных моделей выходит далеко за рамки академического любопытства. В клинической практике они могут имитировать, как пациент с уменьшенной фракцией выброса левого желудочка будет реагировать на данный рецепт упражнений, помогая избежать опасного перенапряжения. В спортивной науке они позволяют моделировать адаптации к тренировкам, такие как увеличение максимального потребления кислорода или повышение эффективности вентиляции. Кроме того, интегрированные модели служат виртуальными лабораториями для тестирования фармакологических вмешательств — например, влияние бета-блокады на реакцию сердечного ритма во время упражнений. Регулирующие органы и компании медицинских устройств также используют эти модели для оценки носимых сенсорных алгоритмов, которые оценивают кардиореспираторные параметры из неинвазивных сигналов, таких как фотоплетизмография или импедансная кардиография.

Пандемия COVID-19 еще раз подчеркнула необходимость создания надежных кардиореспираторных моделей, поскольку многие выжившие проявляли постоянную непереносимость физических упражнений, несмотря на нормальную легочную функцию в состоянии покоя. Интегрированные модели, которые включают повреждение микрососудистой системы и вегетативную дисфункцию, в настоящее время используются для разработки безопасных, градуированных протоколов возвращения к активности. По этим причинам инвестиции в разработку и валидацию интегрированных моделей являются приоритетной областью как в вычислительной физиологии, так и в персонализированной медицине.

Основные компоненты интегрированных кардиореспираторных моделей

Кардиологическая динамика и гемодинамика

Само сердце может быть представлено различными уровнями сложности: от простых уравнений отклика на сердечный ритм (например, Горный или логистические функции, связывающие частоту сердечных сокращений с частотой работы) до многокамерных моделей, основанных на соотношениях давления и объема. На объем инсульта влияют преднагрузка (механизм Франка-Старлинга), послегрузка и сократимость, все из которых изменяются во время тренировки. Интегрированные модели часто включают системные и легочные циркуляции в виде сетей с комковатыми параметрами (модели Виндксеселя) или в качестве одномерных моделей распространения волн для моделирования давления и потоковых волн. Выбор детализации зависит от исследовательского вопроса: для прогнозирования кинетики V?O2 может быть достаточно модели низкого порядка; для изучения желудочково-сосудистой связи при сердечной недостаточности необходимо более подробное представление.

Респираторная механика и обмен газа

Респираторные модели традиционно включают механику легких и стенки грудной клетки (эластичность, сопротивление и инерционность) и контроль дыхания через центральные и периферические хеморецепторы. Во время физических упражнений усилие дыхания усиливается нейронными сигналами вперед от моторной коры и обратной связью от мышечных механорецепторов и метаборецепторов. Обмен газа на альвеолокапиллярной мембране моделируется с использованием принципа Fick, учитывающего ограничение диффузии при высоких сердечных выбросах. Продвинутые модели включают вентиляционно-перфузионную гетерогенность, которая может быть оценена по данным многократной техники удаления инертного газа (MIGET) и смоделирована как отсеки с различными соотношениями V?A/Q?.

Нейронный контроль и автономное регулирование

Вегетативная нервная система является центральным координатором сердечно-дыхательных реакций. Парасимпатическая абстиненция быстро увеличивает частоту сердечных сокращений при наступлении физических упражнений, в то время как симпатическая активация повышает частоту сердечных сокращений и сократимость и вызывает сужение сосудов в неактивных тканях. Барорефлексные и хеморефлексные петли непрерывно корректируют эти сигналы на основе артериального давления и напряжений газов крови. Интегрированные модели обычно представляют эти контрольные петли с дифференциальными уравнениями, описывающими скорость стрельбы афферентных и эфферентных нервов, часто параметризуемые с использованием системных методов идентификации из данных вариабельности сердечного ритма и вариабельности артериального давления.

Метаболическая обратная связь и энергетика

Интенсивность упражнений в конечном итоге определяется метаболической потребностью скелетных мышц. Модели метаболической обратной связи включают динамику распада фосфокреатина, гликолиз и окислительное фосфорилирование, обычно параметризируемые для всего тела с использованием кинетики V?O2. Производство лактата и клиренс также важны, поскольку они влияют на привод хеморецепторов и вентиляционный ответ. Некоторые интегрированные модели связывают трехкомпонентную модель тела (мышцы, висцеры и другие ткани) с сердечно-сосудистыми и дыхательными отсеками для моделирования распределения использования субстрата и потребления кислорода во время длительных упражнений.

Методологии разработки моделей

Сбор данных: основа любой модели

Для оценки и проверки параметров необходимы высококачественные данные ввода-вывода. Общие протоколы испытаний на выполнение упражнений включают:

  • Инкрементальные (рамповые или ступенчатые) тесты: Обеспечивает устойчивые и динамические реакции в диапазоне интенсивностей.
  • Тесты постоянной нагрузки: Полезны для изучения кинетики на переходных и внепереходных.
  • Интервал или прерывистые испытания: Вызов для моделей из-за повторных переходов.

Измеренные переменные обычно включают в себя дыхание за дыханием V?O2, V?CO2, V?E, частоту сердечных сокращений от электрокардиографии, артериальное давление через непрерывную манжету для пальцев (например, Finapres), а иногда сердечный выброс через инертное дыхание газа или импедансную кардиографию. Для моделирования на уровне исследований могут быть взяты образцы артериальной крови для измерения PaO2, PaCO2, pH и лактата. Использование носимых датчиков (умные часы, ремни грудной клетки, пульсоксиметры) увеличивается, но вводит шум и более низкое временное разрешение, которое должно учитываться во время идентификации модели.

Математические подходы

Для кардиореспираторного моделирования используются три основных семейства моделей:

  • Модели дифференциальных уравнений (на основе физики): Обычно системы обычных дифференциальных уравнений (ODE) выводятся из физиологических первых принципов. Параметры имеют прямое физиологическое значение, что делает их интерпретируемыми, но часто трудно оценить по шумным данным. Обычно используются программные платформы, такие как MATLAB/Simulink, OpenModelica и JSim.
  • Модели машинного обучения (на основе данных): Нейронные сети, градиентное усиление или гауссовские процессы могут захватывать сложные нелинейности, не требуя явных механистических уравнений. Они превосходны в прогнозировании, но непрозрачны и требуют больших наборов данных для обучения. Гибридные подходы, которые сочетают физический скелет с коррекциями нейронных сетей (физически информированные нейронные сети; PINN) являются многообещающей средней точкой.
  • Системные модели идентификации (черный ящик ввода-вывода): Такие методы, как авторегрессивная скользящая средняя с экзогенными входами (ARMAX) или идентификация в подпространстве, могут выявить динамические отношения между, например, скоростью работы и V?O2 или частотой сердечных сокращений. Эти модели относительно просты в построении, но предлагают ограниченное понимание внутренних механизмов.

Возникает тенденция использования моделей со смешанными эффектами для учета межиндивидуальной изменчивости. Например, иерархическая байесовская модель может быть построена с параметрами уровня популяции и субъектно-специфическими случайными эффектами, что позволяет персонализировать прогнозы из умеренного числа измерений на человека. Пример такого подхода в области контроля дыхания см. Leirvåg et al., 2020, Journal of Applied Physiology.

Модель валидации: обеспечение доверия

Валидация — это процесс определения того, насколько хорошо модель воспроизводит физиологию реального мира. Степень строгости валидации должна соответствовать предполагаемому использованию. Для модели, которая будет использоваться в клиническом принятии решений, она должна пройти независимую валидацию на отдельной когорте с данными, собранными другой командой. Общие показатели валидации включают ошибку корневого среднего квадрата (RMSE), коэффициент определения (R2) и пределы согласия Бланда-Альтмана для прогнозируемых и измеренных временных рядов. Анализ чувствительности должен быть выполнен для подтверждения того, что неопределенности параметров не приводят к широким интервалам прогнозирования. Стандарт Американского общества инженеров-механиков (ASME) V&V 40 обеспечивает основу для оценки достоверности вычислительных моделей в медицинских приложениях.

Исследователям рекомендуется сделать код модели и данные проверки общедоступными для ускорения воспроизводимости. В таких хранилищах, как PhysioNet и База данных биоинформатики Европейского института биоинформатики, размещено множество кардиореспираторных моделей. Одной широко используемой интегрированной моделью является сердечно-легочная модель Батзела и др. (2007) в Frontiers in Computational Neuroscience, которая имитирует V?O2, сердечный ритм и вентиляцию во время инкрементных упражнений. Более свежий критический обзор можно найти в Marchionni et al., 2022, Experimental Physiology .

Приложения через домены

Персонализированная оптимизация обучения

С помощью моделирования физиологической реакции спортсмена на различные тренировочные нагрузки интегрированные модели могут определить наиболее эффективный баланс интенсивности, объема и восстановления. Например, модель может предсказать, что увеличение интервальной тренировки до трех сеансов в неделю дает дополнительное улучшение V?O2max на 5%, но только если порог лактата спортсмена не превышен. Этот подход был коммерциализирован такими платформами, как TrainingPeaks и Whoop, хотя их базовые модели в значительной степени запатентованы. Академические исследования в этой области включают в себя передовые динамические симуляции адаптаций к тренировкам (например, Brønnick et al., 2023, Physiological Reports ).

Ранняя диагностика сердечно-сосудистой болезни

Аномалии кинетики V?O2, восстановление сердечного ритма или эффективность вентиляции могут сигнализировать о зарождающихся состояниях, таких как сердечная недостаточность с сохраненной фракцией выброса (HFpEF) или легочная гипертензия. Интегрированные модели могут обнаруживать эти субклинические аномалии, сравнивая измеренный ответ человека на нормативную модель, построенную из здоровых элементов управления. Например, более медленное, чем ожидалось, увеличение частоты сердечных сокращений при начале упражнений может указывать на вегетативную нейропатию, в то время как чрезмерная вентиляционная реакция на производство CO2 (высокий наклон V?E/V?CO2) является отличительной чертой сердечной недостаточности. Модели, которые включают эти особенности, могут вычислять комбинированные оценки риска, которые превосходят однопараметрические пороги. Центры Medicare & Medicaid Services теперь покрывают тестирование сердечно-легочных упражнений (CPET) для стратификации риска, и интегрированное моделирование может улучшить интерпретацию данных CPET.

Разработка протоколов реабилитации

Для пациентов, выздоравливающих после инфаркта миокарда или COVID-19, предписание упражнений должно быть тщательно дозировано, чтобы избежать неблагоприятных событий, все еще приводя к физиологической адаптации. Интегрированные модели могут имитировать вероятные реакции пациента на различные скорости ходьбы, склоны и продолжительность, позволяя клиницисту назначать персонализированный план реабилитации с запасом прочности. Модель также может включать влияние лекарств, таких как бета-блокаторы или ингибиторы АПФ, на частоту сердечных сокращений и реакции артериального давления. В исследовательских условиях эти модели использовались для оптимизации интервального обучения у пациентов с сердечной недостаточностью (]Schoenrath et al., 2023, Journal of Cardiopulmonary Rehabilitation and Prevention.

Повышение спортивной результативности

Элитные спортсмены на выносливость часто проходят лабораторную CPET для точной настройки тренировочных зон. Интегрированные модели могут расширить эти идеи, имитируя влияние высоты, тепла или лишения сна на кардиореспираторную функцию. Например, модель может предсказать, сколько дней высотной тренировки необходимо для достижения заданного увеличения массы гемоглобина и V?O2max. Команды в профессиональном велоспорте и марафонском беге начинают использовать такие вычислительные инструменты для планирования тренировочных лагерей и гоночных стратегий, хотя многие детали остаются охраняемыми как интеллектуальная собственность.

Проблемы и будущие направления

Идентификационные параметры и индивидуализация

Основным узким местом в разработке моделей является сложность оценки уникальных наборов параметров из ограниченных клинических данных. Многие кардиореспираторные модели являются сверхпараметризованными, что означает, что различные комбинации параметров дают одинаково хорошие соответствия данным обучения, но производят расходящиеся прогнозы в новых сценариях. Практический анализ идентифицируемости (например, вероятность профиля или моделирование Монте-Карло) имеет важное значение для определения того, какие параметры могут быть надежно оценены. Для решения этой проблемы исследователи переходят к персонализированным моделям, которые используют предварительные распределения из больших баз данных населения и обновляют их базовыми значениями пациента (возраст, пол, рост, вес, частота сердечных сокращений в состоянии покоя) перед выполнением короткого теста на физическую нагрузку. Этот подход уменьшает количество параметров, которые должны быть оценены только из теста.

Интеграция с носимыми и реальными данными

Распространение умных часов, Fitbits и непрерывных мониторов глюкозы предлагает богатый источник данных для персонализации модели, но также создает проблемы: недостающие данные, артефакты движения и различные скорости отбора проб. Будущие интегрированные модели должны быть надежными для этих несовершенств и способны обновляться в режиме реального времени с использованием фильтров частиц или незапахших фильтров Калмана. Это позволило бы, например, модели корректировать свое предсказание безопасной интенсивности упражнений в середине тренировки на основе вариабельности сердечного ритма пользователя и насыщения кислородом.

Многомасштабное и многоорганное моделирование

Современные модели часто объединяют ответы всего тела (например, одно отделение для потребления кислорода). Будущие разработки будут включать в себя многомасштабные представления, которые связывают клеточный метаболизм, микрососудистый транспорт тканей и гемодинамику на уровне органов. Такие платформы, как инициатива Virtual Physiological Human (VPH) и проект Европейской комиссии CompBioMed, продвигают эту повестку дня, но вычислительные требования и требования к данным остаются высокими. Новый подход заключается в замене вычислительно дорогих субмоделей на суррогатные модели (эмуляторы) на основе гауссовских процессов, что позволяет быстро исследовать пространство параметров и клиническое развертывание на портативных устройствах.

Этические и нормативные рамки

По мере того, как интегрированные модели становятся более интегрированными в клиническую помощь, регулирующие органы, такие как FDA и EMA, разрабатывают руководящие принципы для их оценки. В настоящее время Регламент Европейского союза по медицинскому оборудованию явно включает программное обеспечение в качестве медицинского устройства (SaMD), а модели, которые рекомендуют рецепты на физические упражнения, могут потребовать предварительного одобрения. Кроме того, важны соображения справедливости: модели, обученные преимущественно здоровым молодым спортсменам-мужчинам, могут плохо работать на пожилых женщинах или людях с сопутствующими заболеваниями. Исследователи должны стремиться к различным когортам валидации и прозрачной отчетности об ограничениях моделей.

Заключение

Разработка интегрированных моделей для изучения кардиореспираторных взаимодействий во время физических упражнений является сложным, но полезным делом, которое объединяет физиологию, математику и информатику. Эти модели уже продемонстрировали клиническую и спортивную ценность - от улучшения рецептов на обучение до обеспечения ранней диагностики заболеваний. Область быстро развивается, движимая достижениями в области машинного обучения, носимого зондирования и высокопроизводительных вычислений. Чтобы реализовать весь потенциал этих моделей, сообщество должно решать проблемы в идентификации параметров, качестве данных и нормативном принятии. Придерживаясь строгих стандартов проверки и охватывая открытую науку, исследователи могут создавать надежные модели, которые углубляют наше понимание физиологии упражнений и улучшают здоровье человека на протяжении всей жизни.