< Terug naar vorige pagina

Project

Datagedreven ontwikkeling van geïndividualiseerde menselijke hartmodellen vanuit schaalbare hartspierlagen

Een goede hartfunctie vereist dat de hartcellen een niet-lineaire golf van elektrische depolarisatie en repolarisatie mediëren. Afwijkingen in deze elektrische patronen liggen ten grondslag aan dodelijke hartritmestoornissen. Bovendien veroorzaken chronische atriale aritmieën 1/4 van de gevallen van een beroerte. Meerdere behandelingsopties voor ritmestoornissen met medicijnen, apparaten of ablatie zijn nog steeds gebaseerd op het elektrocardiogram, dat alleen een projectie biedt van de elektrische activiteit van het hart. In de afgelopen 50 jaar zijn biofysisch gedetailleerde wiskundige modellen van individuele hartcellen ontwikkeld die generieke kenmerken van aritmische patronen en substraten onthullen. Dit veld evolueert naar 'patiëntspecifieke modellering', een technologie die tot doel heeft therapieën eerst in silico te testen alvorens op de patiënt in te spelen. Alle pogingen om de huidige computermodellen kwantitatief aan te passen aan individuele experimenten of patiënten zijn echter mislukt, omdat modellen alleen op het niveau van een enkele cel zijn gevalideerd. We stellen voor om dit validatieprobleem op te lossen door datagestuurde modellen van hartweefsel direct op mesoschaal te ontwikkelen, gebruikmakend van een unieke dataset verkregen aan de Universiteit Leiden: van unieke hoge resolutie opnames van menselijke atriale weefselculturen van klinisch relevante dimensies, zullen onze algoritmen de wetten van activering en herstel in weefsel meten. Deze input zal worden gegoten in cellulaire-automaatachtige wiskundige modellen ontwikkeld aan de KU Leuven Kulak om experimentele waarnemingen te voorspellen. Vervolgens gaan we naar klinische datasets van het Universitair Ziekenhuis Leuven om de eerste echt kwantitatieve patiëntspecifieke computermodellen van atriale aritmiepatiënten te creëren die de basis vormen voor geavanceerde therapie.

Datum:1 feb 2021 →  Heden
Trefwoorden:cardiology, machine learning, arrhythmias, human heart models, patient-specific modelling, data-driven modelling
Disciplines:Cardiologie, Computationele fysica, Toegepaste en interdisciplinaire fysica, Computationele biomodellering en machine learning
Project type:PhD project