論文の概要: Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis

• arxiv url: http://arxiv.org/abs/2604.03197v1
• Date: Fri, 03 Apr 2026 17:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.549514
• Title: Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis
• Title（参考訳）: パーソナライズされた血流予測と血行動態解析のためのリアルタイムサーロゲートモデリング
• Authors: Sokratis J. Anagnostopoulos, George Rovas, Vasiliki Bikia, Theodore G. Papaioannou, Athanase D. Protogerou, Nikolaos Stergiopulos,
• Abstract要約: 本稿では,瞬時血行動態予測とパラメータ推定が可能な機械学習モデル(ML)を訓練するための体系的枠組みを提案する。 Asklepiosの大規模臨床データセットで観測された多変量相関に基づいて,まずパラメトリックな仮想コホートを作成した。 次に、患者固有の動脈圧と心臓出力(CO)を予測するディープ・ニューラル・サロゲートモデルを訓練し、入力パラメータの高速なアプリオリスクリーニングを可能にする。
• 参考スコア（独自算出の注目度）: 0.21111026813272174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiovascular modeling has rapidly advanced over the past few decades due to the rising needs for health tracking and early detection of cardiovascular diseases. While 1-D arterial models offer an attractive compromise between computational efficiency and solution fidelity, their application on large populations or for generating large \emph{in silico} cohorts remains challenging. Certain hemodynamic parameters like the terminal resistance/compliance, are difficult to clinically estimate and often yield non-physiological hemodynamics when sampled naively, resulting in large portions of simulated datasets to be discarded. In this work, we present a systematic framework for training machine learning (ML) models, capable of instantaneous hemodynamic prediction and parameter estimation. We initially start with generating a parametric virtual cohort of patients which is based on the multivariate correlations observed in the large Asklepios clinical dataset, ensuring that physiological parameter distributions are respected. We then train a deep neural surrogate model, able to predict patient-specific arterial pressure and cardiac output (CO), enabling rapid a~priori screening of input parameters. This allows for immediate rejection of non-physiological combinations and drastically reduces the cost of targeted synthetic dataset generation (e.g. hypertensive groups). The model also provides a principled means of sampling the terminal resistance to minimize the uncertainties of unmeasurable parameters. Moreover, by assessing the model's predictive performance we determine the theoretical information which suffices for solving the inverse problem of estimating the CO. Finally, we apply the surrogate on a clinical dataset for the estimation of central aortic hemodynamics i.e. the CO and aortic systolic blood pressure (cSBP).
• Abstract（参考訳）: 心臓血管モデリングは、健康管理の必要性の高まりと心臓血管疾患の早期発見により、ここ数十年で急速に進歩してきた。 1次元動脈モデルは計算効率と解の忠実度の間に魅力的な妥協をもたらすが、大きな集団や大きな 'emph{in silico} コホートの生成には依然として困難である。 終端抵抗/適合性のような特定の血行動態パラメータは臨床的に推定することは困難であり、鼻で採取するとしばしば非生理的血行動態を生じさせ、シミュレーションされたデータセットの大部分を破棄する。 本研究では,瞬時に血行動態予測とパラメータ推定を行う機械学習モデル(ML)を学習するための体系的枠組みを提案する。 まず,多変量相関に基づくパラメトリックな仮想コホートを作成し,生理的パラメータ分布を尊重することから始める。 次に、患者固有の動脈圧と心臓出力(CO)を予測するディープ・ニューラル・サロゲートモデルを訓練し、入力パラメータの高速なa~prioriスクリーニングを可能にした。 これにより、非生理的組み合わせの即時拒絶が可能となり、ターゲットとなる合成データセット生成(例えば高血圧グループ)のコストを大幅に削減できる。 このモデルは、測定不可能なパラメータの不確かさを最小限に抑えるために、終端抵抗をサンプリングする原則的な手段も提供する。 さらに,モデルの予測性能を評価することにより,COを推定する逆問題を解決するのに十分な理論的情報を決定する。 最後に,中枢性大動脈血行動態,すなわちCOおよび大動脈収縮血圧(cSBP)を推定するための臨床データセットにサロゲートを適用した。

関連論文リスト

• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [1.8631187219907217]
  本稿では,拍動血行動態推定のための機械学習を用いた時間効率な代理モデルを提案する。 本モデルにより, 脈動速度と圧力の正確な推定値が得られた。 このことは、深部ベクトル化演算子が心臓血管血行動態推定のための強力なモデリングツールであることを示している。
  論文  参考訳（メタデータ） (2024-10-15T12:24:50Z)
• Mesh-Informed Reduced Order Models for Aneurysm Rupture Risk Prediction [0.0]
  計算流体力学(CFD)を用いて大動脈瘤の発症リスクを予測する。 有限体積(FV)の離散化によって得られるメッシュの自然なグラフ構造を利用する。 本手法は,次元の呪いを克服する有効な方法であることを確認した。
  論文  参考訳（メタデータ） (2024-10-04T09:39:15Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting Coronary Artery Hemodynamics [24.8579242043367]
  局所血行動態は冠動脈狭窄の機能的意義を決定する上で重要な役割を担っている。 CCTA画像から冠状動脈血行動態を予測できるエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-30T15:12:52Z)
• Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
  人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。 モデルの有効性を3つの実測値を用いて検証した。
  論文  参考訳（メタデータ） (2021-11-02T23:51:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。