Table of Contents

Введение: вызов сердечной недостаточности

Сердечная недостаточность (СН) затрагивает более 64 миллионов человек во всем мире, причем распространенность растет по мере старения населения. Несмотря на достижения в фармакотерапии и аппаратной терапии, пятилетняя смертность остается около 50%, подчеркивая настоятельную необходимость в более совершенных инструментах для понимания, прогнозирования и лечения состояния. Функция сердца является продуктом сложных взаимодействий между электрической активацией, механическим сокращением и гемодинамической нагрузкой. Традиционные диагностические подходы - эхокардиография, биомаркеры и клинические оценки - обеспечивают снимки, но часто пропускают динамическую, нелинейную природу неисправного сердца. Физиологическое моделирование сердечного цикла предлагает мощную альтернативу: оно воспроизводит поведение сердца в силико, позволяя клиницистам и исследователям исследовать механизмы, тестовые вмешательства и персонализировать уход. Путем моделирования всего цикла от электрической деполяризации до желудочкового выброса, модели могут захватить тонкие расстройства, которые приводят к прогрессированию ГФ и реакции на лечение. В этой статье рассматривается состояние физиологического кардиомоделирования, его применение к управлению сердечной недостаточностью и путь к клиническому принятию.

Понимание сердечного цикла в здоровье и болезни

Сердечный цикл состоит из двух основных фаз: систолы и диастолы. Во время систолы желудочки сокращаются, выбрасывая кровь в аорту и легочную артерию. Диастола следует за тем, как расслабляется миокард и заполняется камеры. При сердечной недостаточности одна или обе фазы ухудшаются. У НФ с уменьшенной фракцией выброса (HFrEF) отмечается ослабленное систолическое сокращение, тогда как у НФ с сохраненной фракцией выброса (HFpEF) наблюдается диастолическая жесткость и нарушенная релаксация. Комплексная модель должна учитывать как фазы, так и их связь.

Фазы сердечного цикла

Детальное понимание начинается с четырех этапов:

  • Вентрикулярная начинка (диастола): быстрое раннее наполнение, диастаз и сокращение предсердий.
  • Изобъемное сокращение: все клапаны закрыты, давление резко повышается.
  • Выталкивание: полулунные клапаны открываются, кровь выводится.
  • Изобъемная релаксация: давление падает, митральный клапан остаётся закрытым.

В HF эти переходы становятся ненормальными. Например, в HFpEF петля левого желудочка смещается вверх и влево, отражая повышенную жесткость. Модели, имитирующие отношения между объемом давления, могут воспроизводить эти сдвиги и помогают идентифицировать доминирующий механизм у отдельных пациентов.

Ценность симуляции

Почему мы можем моделировать процесс с помощью катетеров и визуализации? Потому что модели могут ответить на вопросы «что, если» которые трудно или невозможно проверить у пациентов. Например, как снижение системного сосудистого сопротивления на 10% повлияет на конечный диастолический объем у конкретного пациента с митральной регургитацией? Модели позволяют виртуальные эксперименты без риска. Они также интегрируют разрозненные данные - ЭКГ, кровяное давление, визуализацию - в когерентную картину функции всего сердца. Этот интегративный взгляд особенно ценен при сердечной недостаточности, где несколько систем (нейрогормональная, почечная, сосудистая) сговор с целью ухудшения функции.

Физиологическое моделирование методов для сердечного цикла

Кардиологическое моделирование охватывает несколько масштабов и методологий. Выбор техники зависит от задаваемого вопроса: одни модели ориентированы на гемодинамику на уровне органов, другие на клеточную электрофизиологию, третьи на 3D-механику. Ниже приведены основные категории.

Модели с парометрами (0-D модели)

Эти модели представляют сердце и кровообращение с помощью электрических аналогий: резисторы, конденсаторы и индукторы имитируют сосудистое сопротивление, соответствие и инерцию. Каждая сердечная камера моделируется как изменяющаяся во времени эластичность — математическое описание жесткости камеры в течение цикла. Сваленные модели являются вычислительно недорогими и идеальными для изучения глобальной гемодинамики, такой как влияние сосудорасширяющих или бета-блокаторов на сердечный выброс. Они могут работать в реальном времени и быть связаны с моделями замкнутого цикла всей циркуляции, включая барорефлексную регуляцию. Хорошо известным примером является модель CircAdapt, которая адаптируется к хроническим изменениям преднагрузочной и посленагрузочной нагрузки. Для сердечной недостаточности сгустки моделей могут имитировать, как прогрессивное увеличение жесткости левого желудочка сдвигает петлю объема давления и в конечном итоге уменьшает объем инсульта.

Ключевые модели сжатых параметров

  • Модели виндкесселя (двухэлементный, трехэлементный, четырехэлементный) для артериальной послегрузки.
  • Модели изменяющейся во времени эластичности (например, модель Сунагава-Сагава) для функции желудочков.
  • Кругловые модели замкнутого цикла, которые включают в себя как сердечную, так и сосудистую системы, часто используются для изучения вегетативного контроля в HF.

Электромеханические модели (1-D-3D)

Эти модели сочетают электрическое распространение (потенциалы действия) с механикой тканей. Последовательность электрической активации сердца - от синоатриального узла через сеть Пуркинье до желудочков - моделируется с использованием уравнений бидомина или монодомена. Полученная электрическая активация вызывает сокращение миоцитов, описанное моделями моста типа Хилла или Хаксли. В масштабе органа методы конечных элементов решают деформацию, стресс и напряжение. Примеры включают проект живого сердца (FLT:1) и модели, разработанные в Университете Окленда. Такие модели могут имитировать диссинхронность в блоке левой ветви пучка и прогнозировать оптимальный участок для терапии ресинхронизации сердца (CRT). Они также фиксируют механические последствия рубцовой ткани, фиброза и гипертрофии - все признаки неисправного сердца.

Применение 3D электромеханических моделей в HF

  • Прогнозирование гемодинамической реакции на размещение свинца CRT.
  • Моделирование влияния шрама от инфаркта миокарда на скручивание желудочков и торсион.
  • Оценка лекарственного воздействия на сократимость и скорость проводимости.

Гемодинамические модели

Гемодинамические модели явно фокусируются на кровотоке и давлении, часто используя вычислительную динамику жидкости (CFD). Геометрия левого желудочка, клапанов и больших сосудов может быть получена из МРТ или КТ. Моделирование CFD показывает модели потока, напряжение сдвига на эндокарде и потери энергии через стенотические клапаны. При сердечной недостаточности CFD может оценить тяжесть функциональной митральной регургитации или количественно оценить гемодинамическое преимущество желудочкового вспомогательного устройства (VAD). Модели низкого порядка (1-D) артериального дерева также могут использоваться для оценки отражений волн и жесткости аорты, которые повышены в HFpEF.

Многомасштабные модели

Наиболее амбициозный подход объединяет модели от молекулярного и клеточного уровней до органного и системного уровней. Многомасштабная модель может включать:

  • Ячеистые модели (например, модели Ло-Руди или О'Хара-Руди потенциала желудочкового действия), которые включают ионные каналы, обработку кальция и динамику миофилирования.
  • Тиссные модели , которые учитывают связь между зазорами и ориентацию волокна.
  • Органные модели, использующие конечные элементы с реалистичной геометрией.
  • Системные модели, представляющие собой сосудистую и нейрогормональную обратную связь.

Такие комплексные модели требуют вычислительных усилий, но могут имитировать влияние генетической мутации в одном ионном канале на глобальную фракцию выброса - подвиг, невозможный с более простыми подходами. Для сердечной недостаточности были использованы многомасштабные модели для изучения роли аномалий циклического кальция (например, снижение активности SERCA) в возникновении как систолической, так и диастолической дисфункции.

Приложения в управлении сердечной недостаточностью

Конечной целью кардиомоделирования является улучшение результатов лечения пациентов. Хотя модели использовались в исследованиях на протяжении десятилетий, клинический перевод ускоряется, что обусловлено достижениями в области вычислений и сбора данных. Ниже приведены ключевые области, где физиологическое моделирование непосредственно влияет на управление сердечной недостаточностью.

Персонализация фармакотерапии

Реакция лекарств широко варьируется среди пациентов с сердечной недостаточностью. Бета-блокаторы, ингибиторы АПФ и более новые агенты, такие как сакубитрил-валсартан, имеют различное влияние на частоту сердечных сокращений, сократимость и сосудистый тонус. Модели с парализованными параметрами могут быть откалиброваны до базовой гемодинамики пациента (с использованием неинвазивных данных, таких как кровяное давление, частота сердечных сокращений и эхокардиографические объемы) и затем использованы для прогнозирования эффекта данного препарата. Например, модель может показать, что конкретный бета-блокатор слишком сильно снижает частоту сердечных сокращений у пациента с низким базовым сердечным выбросом, предполагая необходимость более низкой базовой дозы или другого агента. Аналогично, модели могут оптимизировать диуретическую терапию, имитируя эффект фуросемида на преднагрузку и функцию почек в контексте кривой Франка-Старлинга пациента.

Оптимизация аппаратной терапии

Терапия сердечной ресинхронизации (CRT) является основой для пациентов с широким QRS. Однако около 30% пациентов не реагируют. Электромеханические модели могут предсказать ответ на ЭЛТ, имитируя эффект промежуточного движения на разных участках. Модель, построенная на основе данных МРТ и ЭКГ, может определить оптимальное положение свинца левого желудочка, которое минимизирует механическую диссинхронность и максимизирует работу с инсультом. Клинические испытания, такие как исследование «Виртуальная ЭЛТ», показали, что размещение свинца под руководством модели улучшает скорость ответа. Помимо ЭЛТ модели помогают в программировании имплантируемых кардиовертер-дефибрилляторов (ICDs): они могут имитировать индукцию и прекращение аритмии, помогая адаптировать алгоритмы обнаружения и уменьшить неуместные шоки.

Прогнозирование прогрессирования заболевания и стратификация риска

Сердечная недостаточность — это прогрессирующий синдром. Модели, которые включают в себя специфические для пациента параметры, могут имитировать течение болезни в течение месяцев или лет. Например, модель может включать постепенное увеличение массы левого желудочка (гипертрофия) и снижение сократимости, наблюдаемое при гипертонической болезни сердца. Запустив тысячи виртуальных пациентов, исследователи могут определить ключевые параметры, которые приводят к декомпенсации. Клинически такие модели могут стратифицировать риск: пациент, чья модель показывает резкое снижение объема инсульта с небольшим увеличением послегрузки, может подвергаться более высокому риску острой декомпенсации во время гипертонического кризиса. Эта концепция «цифрового двойника» — постоянно обновляемая модель пациента — обещает раннее предупреждение и превентивное вмешательство.

Руководящая механическая циркуляционная поддержка

Для запущенной сердечной недостаточности используются желудочковые вспомогательные устройства (VAD) в качестве моста к трансплантации или в качестве целевой терапии. Однако настройки VAD должны быть скорректированы для балансировки разгрузки левого желудочка с адекватной системной перфузией. Модели вспомогательной циркуляции могут предсказать влияние скорости насоса на объемы левого желудочка, положение перегородки и функцию правого желудочка. Модель, которая включает как желудочки, так и VAD, может помочь клиницистам выбрать оптимальную скорость, которая позволяет избежать всасывания левого желудочка (коллапс) или правой сердечной недостаточности. Такие симуляции уменьшают необходимость инвазивных исследований рампы и могут привести к лучшим долгосрочным результатам.

Проблемы и ограничения

Несмотря на их обещание, физиологические сердечные модели сталкиваются с несколькими препятствиями перед широким клиническим использованием. Во-первых, требования к данным высоки: построение модели для конкретного пациента часто требует визуализации с высоким разрешением (MRI, CT), инвазивные измерения давления или подробные электрофизиологические данные. Многие пациенты с сердечной недостаточностью имеют противопоказания к МРТ (например, МКБ) или не могут терпеть длительное сканирование. Модель калибровки и валидации остаются сложными. Модель калибровки и валидации модели может не обобщаться в другой популяции или клиническом сценарии. Необходима строгая валидация против большого, перспективного клинического набора данных. вычислительная стоимость остается барьером для 3-D электромеханических моделей, что может занять часы для моделирования клинического решения. Но разрыв сохраняется. В-четвертых, [[FLT

Будущие направления: от моделирования к клинической интеграции

В следующем десятилетии физиологическое моделирование станет неотъемлемой частью лечения сердечной недостаточности, обусловленной несколькими сходящимися тенденциями.

Искусственный интеллект и машинное обучение

Машинное обучение (ML) может ускорить построение модели, автоматически извлекая параметры из изображений и сигналов. Например, глубокое обучение может сегментировать левый желудочек из эхокардиограмм и оценивать объемы камер за секунды. ML также может идентифицировать наиболее информативные параметры для данного пациента, снижая сложность модели. В то же время, информированные физикой нейронные сети (PINN) появляются как метод непосредственного изучения решения управляющих уравнений из разреженных данных, потенциально минуя традиционную калибровку модели в целом. Комбинирование ML с механистической моделью (гибридное моделирование) может дать лучшее из обоих миров: интерпретируемость физиологии и гибкость методов, основанных на данных.

Цифровые близнецы сердца

Цифровой двойник - это виртуальное представление сердца пациента, которое постоянно обновляется реальными данными из носимых устройств, имплантируемых мониторов и электронных медицинских карт. Для сердечной недостаточности цифровой двойник может имитировать ежедневные изменения состояния жидкости, частоты сердечных сокращений и артериального давления, а затем предупреждать клинициста, когда модель предсказывает надвигающуюся декомпенсацию. Такие проекты, как европейский «DigiTwin» и финансируемое NIH «Вычислительное сердце», работают в направлении этого видения. Ранние прототипы продемонстрировали способность персонализировать настройки ЭЛТ и прогнозировать острый гемодинамический ответ на вазоактивные препараты.

Интеграция с носимыми и имплантируемыми датчиками

Современные кардиостимуляторы и дефибрилляторы могут непрерывно измерять внутриглазное импедансное давление (показатель перегрузки жидкости), вариабельность сердечного ритма и уровень активности. Когда эти потоки данных подаются в сердечную модель, модель может корректировать свои прогнозы в режиме реального времени. Например, снижение импеданса в сочетании с увеличением частоты сердечных сокращений в состоянии покоя может вызвать моделирование модели, которое предполагает зарождающуюся легочную застойную болезнь, что вызывает мочегонную регулировку. Такие замкнутые системы уже тестируются в пилотных исследованиях для управления хронической сердечной недостаточностью.

Клинические испытания и пути регулирования

Для того чтобы модели были приняты, они должны продемонстрировать клиническую полезность. Управление по контролю за продуктами и лекарствами США (FDA) начало рассматривать доказательства in silico в рамках нормативных представлений, в частности, для разработки устройств. Программа «Инструменты разработки медицинских устройств» (MDDT) позволяет использовать квалифицированные вычислительные модели в качестве суррогатных конечных точек в клинических испытаниях. В 2023 году FDA квалифицировало компьютерную модель сердечно-сосудистой системы для использования при оценке новых лекарств от сердечной недостаточности. Это нормативное принятие будет поощрять более широкое использование. В то же время такие инициативы, как «Виртуальный физиологический человек», направлены на создание стандартов для проверки, проверки и совместного использования моделей, сокращения дублирования и улучшения воспроизводимости.

Расширение до HFpEF и других подтипов

Большинство работ по моделированию были сосредоточены на HFrEF, но HFpEF представляет половину всех случаев сердечной недостаточности и имеет мало эффективных методов лечения. Моделирование HFpEF является более сложным, поскольку оно включает тонкую диастолическую дисфункцию, часто в сочетании с сопутствующими заболеваниями, такими как ожирение, гипертония и фибрилляция предсердий. Разрабатываются новые модели, которые включают функцию левого предсердия, гемодинамику легочной вены и ограничение перикарда. Например, модели, которые имитируют желудочно-сосудистую связь во время физических упражнений, могут воспроизводить преувеличенный рост давления наполнения, который характеризует HFpEF. Такие модели могут помочь определить, какие пациенты получают пользу от конкретных методов лечения (например, ингибиторы котранспортера натрия-глюкозы-2 или новые препараты, активирующие миозин).

Заключение

Физиологическое моделирование сердечного цикла превратилось из исследовательского любопытства в мощный инструмент для понимания и управления сердечной недостаточностью. Захватывая сложное взаимодействие электрических, механических и гемодинамических факторов, модели могут персонализировать терапию, прогнозировать результаты и направлять разработку устройств и лекарств. В то время как проблемы остаются - доступность данных, проверка, вычислительное бремя - поле теперь переходит от доказательства концепции к клинической интеграции. По мере развития искусственного интеллекта, цифровых двойников и нормативных рамок физиологическое моделирование готово стать стандартным компонентом точной кардиологии для сердечной недостаточности.

Дальнейшее чтение: Подробный обзор подходов к кардиомоделированию см. в статье Nature Reviews Cardiology о кардиомеханических моделях . Американская кардиологическая ассоциация предоставляет обновленную статистику сердечной недостаточности на их обновлении статистики 2024 года . Для получения информации о цифровой двойной технологии в кардиологии см. Цифровой двойник в обзоре Cardiovasculature. Дополнительные ресурсы по моделированию сжатых параметров сердечной недостаточности можно найти в статье PMC о моделях циркуляции замкнутого цикла .