Inverse estimation of the cardiac purkinje system from electroanatomical maps

Las enfermedades cardiovasculares son la primera causa de mortalidad en el mundo, con 17.7 millones de muertes cada año, aproximadamente el 31% de las muertes en todo el mundo (Organización Mundial de la Salud (OMS) 2018). Las arritmias ventriculares son una causa importante de muerte súbita, que representa aproximadamente la mitad de la mortalidad cardíaca. Algunas de esas arritmias se atribuyen a la red de Purkinje (PKN), que bajo ciertas condiciones puede generar ritmos focales automáticos, y su configuración de red puede sostener circuitos eléctricos reentrantes. Los ritmos focales originados desde la red de Purkinje pueden servir como puntos de inicio en casos de fibrilación ventricular en un amplio espectro de pacientes. El manejo de las enfermedades eléctricas cardíacas es un área clínica en expansión. Las nuevas tecnologías de imágenes y mapeo no invasivas, permiten adquirir imágenes clínicas de alta resolución (MRI, CT) que se pueden utilizar para localizar y caracterizar el tejido cardíaco patológico. Además, los sistemas de navegación electroanatómica (EAM) pueden ayudar al electrofisiólogo a encontrar las fuentes de actividad o circuitos arritmogénicos que mantienen la arritmia y eliminarlos mediante ablación por radiofrecuencia (RFA). A pesar de todos los avances técnicos, los tratamientos clínicos para esas enfermedades todavía se perciben como subóptimos, con tasas de éxito del tratamiento a largo plazo en el rango de 60 a 65%. Por lo tanto, existe una necesidad imperiosa de mejorar los resultados clínicos en beneficio de los pacientes y el sistema de salud. El área del modelado biofísico computacional ha comenzado a penetrar en entornos clínicos en unos pocos hospitales tecnológicamente avanzados y orientados a la investigación en el mundo. El objetivo principal de estas técnicas es el desarrollo de modelos 3D realistas de diferentes órganos, como el corazón, que incluyen, con un alto grado de detalle, características genéticas de las corrientes iónicas, sus mutaciones, las características electrofisiológicas de los diferentes tipos de células cardíacas, la estructura anatómica de los tejidos cardíacos y, en general, del cuerpo humano. A continuación, los modelos se utilizan para simular la función cardíaca, por ejemplo, electrofisiología, para tratar de estratificar a los pacientes o mejorar la planificación y ejecución de la terapia. Los enfoques por computador aún se enfrentan a varios desafíos que impiden su penetración completa en entornos clínicos. Podría decirse que uno de los obstáculos más importantes es el tiempo y la experiencia necesarios para construir un modelo del corazón personalizado a paciente, incluso si todos los datos clínicos necesarios están disponibles. En ese sentido, uno de los componentes del modelo que se ha mantenido elusivo a los modeladores ha sido la PKN, que es clave para la electrofisiología cardíaca. La razón principal es que debido a sus pequeñas dimensiones no existe una técnica clínica con resolución suficiente para permitir su visualización in vivo. El objetivo principal de esta tesis es desarrollar una metodología capaz de estimar inversamente un PKN reducido de paciente a partir de su EAM. Eso implica, primero encontrar en el EAM las fuentes de activación eléctrica, llamadas uniones de Purkinje-miocardio (PMJ), y seguir la estructura que interconecta esos PMJ y reproduce la secuencia de activación del paciente. En resumen, las principales contribuciones de esta tesis son: - Metodología para estimar los PMJ, o las fuentes de actividad eléctrica, sobre una representación 3D del endocardio ventricular, proporcionada por un EAM. El método desarrollado puede procesar directamente los datos adquiridos por un electrofisiólogo en el Cathlab, volver a anotar los tiempos en las muestras adquiridas y obtener las ubicaciones de los PMJs y los tiempos de activación, considerando explicitamente ruido en las muestras. - Metodología para estimar el PKN del paciente a partir de los PMJ estimados, que es capaz de reproducir la secuencia de activación eléctrica del paciente con un error mínimo. El método ha sido validado tanto en EAM sintéticos como en 28 EAM reales, mostrando errores de unos pocos milisegundos. Además, se ha utilizado un PKN estimado para simular el ECG virtual de un paciente, donse se observa coincidencia entre el ECG real y el simulado. En conclusión, he desarrollado y validado una metodología que permite la estimación de la PKN de un paciente con errores mínimos en la secuencia de activación, y que puede usarse para personalizar simulaciones biofísicas del corazón o ayudar al electrofisiólogo en la planificación de intervenciones de RFA.Cardiovascular disease is the number one cause of mortality in the world, accounting for 17.7 million deaths each year, an estimated 31% of all deaths worldwide (World Health Organization (WHO) 2018). Ventricular arrhythmias are a major cause of sudden death, which accounts for approximately half of cardiac mortality. Some of those arrhythmias are attributed to the Purkinje network (PKN), which under certain conditions can generate both automatic and triggered focal rhythms, and its network configuration can sustain re‑entrant circuits. Focal Purkinje triggers can serve as initial points of ventricular fibrillation in a wide spectrum of patients. The management of cardiac electrical diseases is an expanding clinical activity. New non-invasive imaging and mapping technologies, allow to acquire high resolution clinical images (MRI, CT) that can be used to localize and characterize pathological cardiac tissue. Furthermore, electroanatomical navigating (EAM) systems, can aid electrophysiologist to find the sources of arrhythmogenic activity or circuits maintaining arrhythmia, and eliminate them by radio-frequency ablation (RFA). Despite all the technical advances, overall clinical outcome for those diseases is still perceived as suboptimal, with long-term treatment success rates in the range of 60 to 65%. Therefore, there is a compelling need to improve clinical outcomes for the benefit of the patients and the healthcare system. The area of computational biophysical modeling has already started to penetrate in clinical environments in a few technologically advanced research oriented hospitals in the world. The main objective of these techniques is the development of realistic 3D models of different organs, such as the heart, that include, with a high degree of detail, genetic characteristics of the ionic currents, their mutations, the electrophysiological characteristics of the different cardiac cell types, the anatomical structure of cardiac tissues, and in general of the human body. Following, the models are used to simulate the heart function, e.g., electrophysiology, to try to stratify patients or improve therapy planning and delivery. Computer-based approaches are still facing several challenges that prevent their complete penetration into clinical environments. Arguably, one of the most important obstacles is the time and expertise required to build a patient-specific model of the heart, even if all necessary clinical data are available. In that sense, one of the model components that has remained largely elusive to modelers has been the PKN, which is key for cardiac electrophysiology. The main reason is that due to its small dimensions there is no clinical technique with enough resolution to allow its visualization in vivo. The main purpose of this thesis is to develop a methodology able to inversely estimate a reduced PKN of patient from his EAM. That involves, first, finding in the EAM the sources of electrical activation, so called Purkinje-myocardial junctions (PMJs), and, following, finding the structure that interconnects those PMJs and reproduces the patient sequence of activation. In summary, the main contributions of this thesis are: - Methodology to estimate the PMJs, or the sources of electrical activity, from a 3D representation of the ventricular endocardium provided by an EAM. The method developed can process directly the data acquired by an electrophysiologist in the Cathlab, re-annotate the time samples, and obtain the PMJ locations and activation times, explicitly considering noise in the samples. - Methodology to estimate the patient PKN from the estimated PMJs, that is able to reproduce the patient's sequence of electrical activation with a minimal error. The method has been validated on synthetic EAMs as well as in 28 real EAMs, showing errors of a few milliseconds. In addition, an estimated PKN has been used to simulate the virtual ECG of a patient, showing a good match with the clinical one. In conclusion, I have developed and validated a methodology that permits the estimation of a patient's PKN with small errors in the sequence of activation, that can be used to personalize biophysical simulations of the heart or aid electrophysiologist in the planning of RFA interventions