Istantanee della dinamica del modello (a) Barkley e (b) Bueno-Orovio-Cherry-Fenton (BOCF) al passo temporale n =1, 000 del set di dati di prova. Credito:Roland S. Zimmermann
L'aritmia cardiaca si verifica quando la consueta sinfonia di impulsi elettrici che tengono sincronizzati i muscoli del cuore diventa caotica. Sebbene i sintomi siano spesso appena percettibili, l'aritmia porta a centinaia di migliaia di morti per imprevisti, arresto cardiaco improvviso negli Stati Uniti ogni anno. Un problema importante che limita la modellazione per prevedere tali eventi è che è impossibile misurare e monitorare tutte le centinaia di variabili che si uniscono per far battere il nostro cuore.
Una coppia di ricercatori del Max Planck Institute for Dynamics and Self-Organization ha sviluppato un algoritmo che utilizza l'intelligenza artificiale in nuovi modi per modellare accuratamente le eccitazioni elettriche nel muscolo cardiaco. Il loro lavoro, che appare in Caos , si basa su equazioni differenziali parziali che descrivono i mezzi eccitabili e una tecnica chiamata reti di stati eco (ESN) per predire in modo incrociato le variabili sulle propagazioni caotiche delle onde elettriche nel tessuto cardiaco.
"In questo caso, devi cercare di ottenere queste informazioni su quelle quantità che non puoi misurare dalle quantità che puoi misurare, " disse Ulrich Parlitz, un autore dell'articolo e uno scienziato presso il Biomedical Physics Research Group presso il Max Planck Institute for Dynamics and Self-Organization. "Questo è un problema ben noto ma impegnativo, per la quale abbiamo fornito una nuova soluzione che utilizza metodi di apprendimento automatico."
Poiché le tecniche di apprendimento automatico sono diventate più potenti, alcune reti neurali, come ESN, può rappresentare sistemi dinamici e sviluppare una memoria degli eventi nel tempo, che può aiutare a capire come i segnali elettrici aritmici non siano sincronizzati.
Il modello sviluppato dai ricercatori colma queste lacune con un osservatore dinamico. Dopo aver addestrato l'algoritmo su un set di dati generato da un modello fisico, Parlitz e il suo compagno, Roland Zimmermann, ha fornito all'ESN una nuova serie temporale delle grandezze misurate. Questo processo ha permesso all'osservatore di predire in modo incrociato i vettori di stato. Per esempio, se i ricercatori conoscono la tensione in una certa area del cuore in un determinato momento, possono ricostruire il flusso delle correnti di calcio.
Il team ha verificato il proprio approccio con i dati generati dai modelli Barkley e Bueno-Orovio-Cherry-Fenton, che descrivono le dinamiche caotiche che si verificano nelle aritmie cardiache, anche la previsione incrociata di vettori di stato con rumore presente. "Questo documento si occupa di predizione incrociata, ma gli ESN possono essere utilizzati anche per fare previsioni sul comportamento futuro, " Disse Parlitz.
Comprendere le proprietà elettriche del cuore è solo una parte del quadro. Parlitz ha detto che lui ei suoi colleghi stanno cercando di includere misurazioni ad ultrasuoni delle dinamiche meccaniche interne del cuore. Un giorno, il gruppo spera di combinare diverse forme di misurazione con modelli delle caratteristiche elettriche e meccaniche di un cuore pulsante per migliorare la diagnosi e le terapie delle malattie cardiache. "Abbiamo suddiviso un grosso problema in molti altri più piccoli, " Disse Parlitz.