Personalization of a Cardiac Electrophysiology Model Using Optical Mapping and MRI for Prediction of Changes With Pacing
Notice bibliographique
Résumé
Computer models of cardiac electrophysiology (EP) can be a very efficient tool to better understand the mechanisms of arrhythmias. Quantitative adjustment of such models to experimental data (personalization) is needed in order to test their realism and predictive power, but it remains challenging at the organ scale. In this paper, we propose a framework for the personalization of a 3-D cardiac EP model, the Mitchell-Schaeffer (MS) model, and evaluate its volumetric predictive power under various pacing scenarios. The personalization was performed on ex vivo large porcine healthy hearts using diffusion tensor MRI (DT-MRI) and optical mapping data. The MS model was simulated on a 3-D mesh incorporating local fiber orientations, built from DT-MRI. The 3-D model parameters were optimized using features such as 2-D epicardial depolarization and repolarization maps, extracted from the optical mapping. We also evaluated the sensitivity of our personalization framework to different pacing locations and showed results on its robustness. Further, we evaluated volumetric model predictions for various epi- and endocardial pacing scenarios. We demonstrated promising results with a mean personalization error around 5 ms and a mean prediction error around 10 ms (5% of the total depolarization time). Finally, we discussed the potential translation of such work to clinical data and pathological hearts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».