Компјутерско моделирање и вештачка интелигенција с великим подацима за бољу дијагностику и терапију кардиоваскуларних болести
Sažetak
In silico клиничка испитивања су будућност медицине, а виртуелно тестирање и симулација будућност су медицинског инжењеринга. Коришћење рачунарске платформе може смањити трошкове и време потребно за развој нових модела медицинских уређаја и лекова. Рачунарска платформа у различитим пројектима као што је SILICOFCM развијена је коришћењем најсавременијег моделирања коначних елемената за макросимулацију интеракције флуидне структуре с микромоделирањем на молекуларном нивоу за интеракцију лекова са срчаним ћелијама. Платформа SILICOFCM користи се за предвиђање ризика и оптималну медикаментозну терапију породичне кардиомиопатије код одређеног пацијента. STRATIFYHF пројекат треба да развије и клинички потврди иновативни систем за подршку одлучивању заснован на вештачкој интелигенцији за предвиђање ризика од срчане инсуфицијенције, олакшавајући њену рану дијагнозу и предвиђање прогресије, што ће радикално променити начин на који се управља срчаном инсуфицијенцијом у примарној и секундарној нези. Ова брза експанзија у компјутерском моделирању, модалитетима слика и прикупљању података доводи до генерисања такозваних великих података за које је медицинским стручњацима потребно много времена за анализу. Да би се добила 3D реконструкција слике, архитектура U-мреже је коришћена за одређивање геометријских параметара за леву комору који су екстраховани из ехокардиографског апикалног и М-режима приказа. Развијен је микромеханички ћелијски модел који укључује три кинетичка процеса интеракције саркомерних протеина. Такође је приказана симулација лекова који су подељени у три велике групе дефинисане принципом деловања сваког лека. Приказани су резултати добијени параметарским моделом леве коморе где дијаграми притисак–запремина (PV) зависе од промене Ca2+. Ово директно утиче на фракцију избацивања. Приказани приступ с варијацијама геометрије леве коморе и симулације који укључују утицај различитих параметара на PV дијаграме директно су повезани с ефектима лека на функцију срца. Укључује различите лекове као што су ентресто и дигоксин, који директно утичу на срчане PV дијаграме и фракцију избацивања. Рачунарске платформе као што су SILICOFCM и STRATIFYHF јесу нови алати за предвиђање ризика од срчаних болести код одређеног пацијента који ће сигурно отворити нови пут за in silico клиничка испитивања у будућности.
Reference
Andreu-Perez, J., Poon, C., Merrifield, R., Wong, S., & Yang, G. (2015). Big data for health. IEEE journal of biomedical and health informatics, 19(4), 1193-1208.
Armbrust, M., Fox, A., & Griffith, R. (2010). A view of cloud computing. Commun ACM, 54(4), 50-58.
Belle, A., Thiagarajan, R., Soroushmehr, S., Navidi, F., Beard, D., & Najarian, K. (2015). Big data analytics in healthcare. BioMed research international, 370194.
Bosch J. G, et al. (2002). Automatic segmentation of echocardiographic sequences by active appearance motion models. IEEE Transactions on Medical Imaging, 21 (11), 1374–1383, doi: 10.1109/tmi.2002.806427.
Dean, J., & Ghemawat, S. (2008). MapReduce: simplified data processing on large clusters. Communications of the ACM, 51(1), 107-113.
Demchenko, Y., Grosso, P., De Laat, C., & Membrey, P. (2013). Addressing big data issues in scientific data infrastructure. In: 2013 International conference on collaboration technologies and systems (CTS) (pp. 48-55). IEEE.
Dilsizian, S. E., & Siegel, E. L. (2014). Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Current cardiology reports, 16, 1-8.
Elliott, P. M. et al. (2014). European Heart Journal, 35(39):2733-79.
Filipovic, N., Sustersic, T., Milosevic, M., Milicevic, B., Simic, V., Prodanovic, M., & Kojic, M. (2022). SILICOFCM platform, multiscale modelling of left ventricle from echocardiographic images and drug influence for cardiomyopathy disease. Computer Methods and Programs in Biomedicine, 227, 107194.
Gibbons Kroeker, C. A., Adeeb, S., Tyberg, J. V. and Shrive, N. G. (2006). A 2D FE model of the heart demonstrates the role of the pericardium in ventricular deformation, American Journal of Physiology, vol. 291, no. 5, pp. H2229–H2236.
Hershberger et al. (2010). Official journal of the American College of Medical Genetics, 12(11): 655-667.
Kojic, M., Milosevic, M., Simic, V., Milicevic, B., Geroski, V., Nizzero, S., Ziemys, A., Filipovic, N., Ferrari, M. (2019). Smeared Multiscale Finite Element Models for Mass Transport and Electrophysiology Coupled to Muscle Mechanics, Frontiers in Bioengineering and Biotechnology, ISSN 2296-4185, (7) 381, 1-16, 2296-4185.
Kojic, M., Milosevic, M., Simic, V., Milicevic, B., Geroski, V., & Nizzero, S. (2019). Smeared multiscale finite element models for mass transport and electrophysiology coupled to muscle mechanics. Frontiers in Bioengineering and Biotechnology, 7(381).
Kouanou, A. T., Tchiotsop, D., Kengne, R., Zephirin, D. T., Armele, N. M., & Tchinda, R. (2018). An optimal big data workflow for biomedical image analysis. Informatics in Medicine Unlocked, 11, 68-74.
Lavignon, J. F., Lecomber, D., Phillips, I., Subirada, F., Bodin, F., Gonnord, J., & Muggeridge, M. (2013). ETP4HPC strategic research agenda achieving HPC leadership in Europe.
Luo, J., Wu, M., Gopukumar, D., & Zhao, Y. (2016). Big data application in biomedical research and health care: a literature review. Biomedical informatics insights, 8, BII-S31559.
McNally, E. M. et al. (2013). The Journal of Clinical Investigation, 123(1):19-26.
Mijailovich, S M., Prodanovic, M., Poggesi, C., Geeves, M. A., Regnier, M. (2021). Multiscale modelling of twitch contractions in cardiac trabeculae, J Gen Physiol, 153 (3).
Mijailovich, S. M., Stojanovic, B., Nedic, D., Svicevic, M., Geeves, M. A., Irving, T. C., Granzier, H. (2019). Nebulin and Titin Modulate Cross-bridge Cycling and Length Dependent Calcium Sensitivity J Gen Physiol 151(5), 680-704.
Moradi. S. et al. (2019). MFP-Unet: A novel deep learning-based approach for left ventricle segmentation in echocardiography, Physica Medica, 67, 58–69.
Noble, J. A. and Boukerroui, D. (2006). Ultrasound image segmentation: a survey, IEEE Transactions on Medical Imaging, 25, 8, 987–1010, doi: 10.1109/tmi.2006.877092.
Parashar, M. (2014). Big data challenges in simulation-based science. DICT@ HPDC, 1-2.
Pullan, A. J., Buist, M. L. and Cheng, L. K. (2005). Mathematically Modelling the Electrical Activity of the Heart – from Cell to Body Surface and Back Again, World Scientific.
Razzak, M. I., Naz, S., & Zaib, A. (2018). Deep learning for medical image processing: Overview, challenges and the future. Classification in BioApps: Automation of Decision Making, 323-350.
SILICOFCM: In Silico trials for drug tracing the effects of sarcomeric protein mutations leading to familial cardiomyopathy, 777204, 2018-2022, www.silicofcm.eu
STRATIFYHF: Artificial intelligence-based decision support system for risk stratification and early detection of heart failure in primary and secondary care, No 101080905, 2023-2028, www.stratifyhf.eu
Tchito Tchapga, C., Mih, T. A., Tchagna Kouanou, A., Fozin Fonzin, T., Kuetche Fogang, P., Mezatio, B. A. & Tchiotsop, D. (2021). Biomedical image classification in a big data architecture using machine learning algorithms. Journal of Healthcare Engineering, 1-11.
Trudel, M. C., Dubé, B., Potse, M., Gulrajani, R. M. and Leon, L. J. (2004). Simulation of QRST integral maps with a membrane-based computer heart model employing parallel processing, IEEE Transactions on Biomedical Engineering, vol. 51, no. 8, pp. 1319–1329.
White, T. (2015). Hadoop: The Definitive Guide. Sebastopol, CA: O’Reilly Media, Inc.
