In-silico modelling of cardiopulmonary interactions for estimating pulse pressure variation under conditions of respiratory muscle activity
Author
Leuchtmann, Lasse Henrik Bech
Term
4. term
Publication year
2024
Submitted on
2024-02-29
Pages
102
Abstract
Baggrund: Mange patienter i mekanisk ventilation har brug for væskebehandling, for eksempel ved sepsis eller traume. Kun cirka halvdelen får øget blodmængde fra hjertet (cardiac output, CO), når de får væske. Denne evne kaldes væskeresponsivitet (FR). Pulstrykvariation (PPV) er normalt en god markør til at forudsige FR, men bliver upålidelig, når patientens egne vejrtrækningsmuskler arbejder (P_mus), som ved trykstøttet vejrtrækning. Dette studie foreslår at supplere PPV med et ekstra indeks, -PPV, baseret på hvordan ændringer i trykstøtte (PS) påvirker muskelarbejdet, for at gøre signalet mere robust. Vi udviklede en fysiologisk model, der kan forudsige både +PPV og -PPV. Metoder: En respirationsmodel baseret på bevægelsesligningen (EOM), en intrathorakal model med en alpha-parameter og en kredsløbsmodel blev kombineret med et framework til feature-ekstraktion og optimering. Modellen blev testet på data fra et klinisk forsøg, der undersøgte hypotesen. Resultater: I gennemsnit lå modellens forudsigelser af +PPV/-PPV tæt på de målte værdier; i alle undtagen én test var den gennemsnitlige forskel under 0,55 %. For +PPV blev der rapporteret R^2-værdier på 19 og 0,62 (R^2 er et mål for, hvor godt forudsigelser passer til data), og præcisionen var bedst i perioder med høj trykstøtte. Diskussion: Forudsigelserne var mest præcise ved positivt intrathorakalt tryk (P_it) og mindre præcise ved negativt P_it. Det peger på, at forbedringer af modellens SB-modul samt data-behandling og feature-ekstraktion kan øge ydeevnen. Et større datagrundlag er nødvendigt for at kunne generalisere resultaterne. Konklusion: Den kardiopulmonale model kunne relativt præcist forudsige +PPV/-PPV ved højere positivt intrathorakalt tryk. Yderligere arbejde med SB-modulet kan muligvis forbedre præstationen på hele signalet.
Background: Many patients on mechanical ventilation need fluid resuscitation, for example due to sepsis or trauma. Only about half increase cardiac output (CO) when given fluids, a property called fluid responsiveness (FR). Pulse pressure variation (PPV) usually helps predict FR, but it becomes unreliable when patients use their respiratory muscles (P_mus), as during pressure-supported breathing. This study proposes augmenting PPV with an extra index, -PPV, derived from how changes in pressure support (PS) affect respiratory muscle effort, to make the signal more robust. We built a physiological model to predict both +PPV and -PPV. Methods: A respiratory model based on the equation of motion (EOM), an intrathoracic model using an alpha parameter, and a cardiovascular model were combined with a feature-extraction and optimization framework. The model was tested on data from a clinical trial designed to explore this hypothesis. Results: On average, the model’s predictions of +PPV/-PPV matched measured values closely; in all but one test, the mean difference was below 0.55%. For +PPV specifically, the model achieved reported R^2 values of 19 and 0.62 (R^2 indicates how well predictions fit the data) and performed best during periods of high pressure support. Discussion: Predictions were most accurate at positive intrathoracic pressure (P_it) and less accurate at negative P_it. This suggests that refining the model’s SB module and improving data processing and feature extraction could enhance performance. A larger sample is needed to generalize the findings. Conclusion: The cardiopulmonary model could predict the +PPV/-PPV signal reasonably well at higher positive intrathoracic pressure, and further work on the SB module may improve performance across the full signal.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Documents