通过非牛顿血型建模和高斯过程仿真来提高心房动中风风险分层

科学领域:

• 心血管生理学心血管生理学
• 生物医学工程 生物医学工程
• 计算流体动力学的流体动力学.

背景情况:

• 心房动 (AF) 是最常见的心律失常,由于左心房附属体 (LAA) 中的血栓形成,增加了中风风险.
• 当前的中风风险预测模型往往忽视了LAA内的关键血流动力学.
• LAA的形态不同 (花,仙人掌,翅,风),可能会影响血液流动和粘度.

研究的目的:

• 开发特定于患者的非牛顿血流模型来预测LAA粘度.
• 评估纤维素和LAA形态对血液粘度的影响.
• 利用高斯过程模拟器 (GPEs) 进行高效的粘度预测和AF患者中风风险分层.

主要方法:

• 计算流体动力学 (CFD) 模拟使用患者特定的非牛顿模型,包括纤维素和血.
• 在虚拟患者队列中模拟四种LAA形态,包括AF+Covid-19,AF+病理性纤维素原,AF+正常纤维素原和健康对照.
• 在CFD数据上训练高斯过程模拟器 (GPEs),以快速预测粘度.

主要成果:

• 纤维素在所有AF队列中显著影响了血液粘度,特别是在低剪切速率下.
• 翅 LAA 形态和 AF + Covid-19 队列表现出最高的血液粘度.
• 在AF队列中,GPEs准确地预测了LAA粘度,在不同形态学上应用时,准确性降低.

结论:

• 在LAA中的血液粘度受到纤维素水平和LAA形态的显著影响.
• 在计算上,GPE提供了一种廉价的方法来预测LAA粘度.
• 将血液参数和LAA几何整合到GPEs中可以提高AF患者中风风险分层的准确性.