动静脉瘘中的血流速率预测：结合基于物理的建模与数据驱动模型

《Journal of Computational Science》：Blood flow rate predictions in arteriovenous fistulas: combining physics-based modelling with data-driven models

　　

摘要

由于血流动力学、血管生物学和流行病学之间复杂的相互作用，旨在预测心血管疾病进展的计算建模面临诸多挑战。我们将这些要素整合到一个混合建模框架中，以此为血液透析患者的血管通路手术提供个性化决策的数字孪生模型支持。我们采用了基于常规术前患者特定测量数据（如血管直径）的脉冲波传播模型，并进一步加入了描述静脉成熟过程中血管适应现象的模型。在该模型中，血管成熟通过壁面剪切应力驱动的适应规律来建模，血管直径会朝着预期的稳态剪切应力值发展。在针对159名血液透析患者开展的多中心随机对照试验中，仅依靠这一基于物理原理的模型，其预测精度尚不足以满足临床应用需求：术后6周的血流速度预测仅有31%准确，30%被低估，38%被高估。因此，我们结合数据驱动方法，运用多元线性回归和XGBoost机器学习技术，将机制模型中未明确体现的患者特定流行病学因素纳入预测，从而提升了预测精度。在排除了那些因血管生物学机制尚不清晰而无法准确评估血管重构情况的病例后，混合模型显著提高了对血流速度预测准确与否的分类能力。研究表明，将数据驱动与基于物理原理的计算建模相结合，可提升心血管疾病领域数字孪生模型的精准度与临床实用价值。

引言

心血管疾病的进展是血流动力学、血管生物学和流行病学之间复杂相互作用的结果。为了解析疾病机制及其进展规律，相关研究传统上采用多种不同方法，包括基于物理原理的计算建模、利用细胞培养和动物模型的实验室实验，以及对大规模临床数据集的分析。人们提出将这类方法整合到混合计算模型中，以提高预测精度。一种策略是将血管生物学的物理定律和实验结果作为输入，用于优化数据驱动模型，比如人工智能模型；另一种策略则是利用数据驱动计算模型来完善基于物理原理的模拟结果。[1]在本研究中，我们采用后一种策略，以提升为血液透析患者血管通路手术提供个性化决策的数字孪生模型的开发水平。

需要接受血液透析的终末期肾病患者需要通过血管通路与透析机相连，这类通路通常是通过手术将表层静脉与附近的动脉连接而成的动静脉瘘。[2]动静脉瘘可分为三种类型：头臂型、颈臂型和肱基底型。血管外科医生会根据血管直径和患者特征来选择合适的类型。与血管通路血流速度相关的并发症十分常见：血流速度不足会导致透析效果不佳以及血管通路血栓形成，而血流速度过快则可能引发手部缺血和心力衰竭。因此，若能准确预测不同类型动静脉瘘术后的血流速度，将极大有助于规划血管通路手术，进而改善临床治疗效果。

此前我们已开发出一个基于物理原理的计算模型，用于预测动静脉瘘术后的即刻血流速度。[3]该模型以个体患者的测量数据以及Bode等人提出的脉冲波传播建模方法为依据[4]，输入参数包括静脉和动脉直径、动脉弹性、指压以及动脉血流速度，以此计算出针对该患者的瘘管血流速度预测值。我们将该计算模型应用于25名计划建立动静脉瘘的患者后发现，70%的病例中预测值与实测的即刻血流速度一致，相关数据见5、6。

在动静脉瘘形成后的最初4–6周内，由于血流量和壁面剪切应力显著增加，流出静脉会扩张且壁层变厚。为此，我们在基于物理原理的计算模型基础上，加入了基于血管生物学的静脉壁重构模型。具体而言，我们引入了一种现象学适应规律，即当峰值壁面剪切应力偏离预设的稳态参考值时，血管直径会随时间发生相应变化。这一由剪切应力驱动的建模方法的具体细节可参考Manini等人的研究[7]，它在简化静脉成熟过程描述的同时，也承认目前尚未完全掌握其背后的生物学机制。通过将基于物理原理的血流动力学计算与这一现象学模型相结合，我们在同一组患者中，术后6周的预测血流速度与实测值的吻合度达到了85%。

在多中心随机对照的Shunt Simulation研究中，我们对这一计算模型生成的血流速度预测的临床价值进行了评估。为贴近实际临床操作，该模型采用了仅基于术前超声测量数据并结合心脏输出量通用估算值的实用输入方案。我们之前已经报告了该试验的临床终点结果，发现血流速度预测的可用性对患者管理几乎没有影响，也无法改善血管通路的手术效果[8、9]。在本文中，我们重点分析这些血流速度预测的精度，并探讨是否可以通过数据驱动的模型优化手段提升基于物理原理的模型性能，从而形成混合计算模型。

首先，我们详细分析了动静脉瘘形成术后6周，预测血流速度与实际观测血流速度之间的关系，比较了血流速度被低估、预测准确以及被高估的三类患者的差异。接着，我们运用多元线性回归分析和XGBoost机器学习等数据驱动计算方法，对基于物理原理的模型生成的预测结果进行优化。这些方法还纳入了观察性研究中的流行病学信息，这些信息描述了年龄、性别、糖尿病等因素与动静脉瘘成熟之间的关联[10]。最后，我们专门评估了那些具有自发瘘管成熟特征的患者群体的模型性能，所谓自发成熟指的是无需辅助即可实现血管通路功能的情况。由于目前尚未充分了解导致瘘管成熟失败的血管生物学机制，无法将其纳入混合模型，因此我们排除了这些成熟失败的患者。我们的研究证明，将基于物理原理的计算建模与数据驱动的计算建模相结合，可进一步提升血液透析血管通路相关数字孪生模型的精准度及临床实用价值。

章节节选

研究设计

Shunt Simulation研究是一项多中心随机对照试验，旨在评估个性化术后瘘管血流速度预测对临床结局的影响（ClinicalTrials.gov，注册编号NCT02453412）。这项多中心试验在荷兰的九家医院开展，纳入了同意接受新动静脉瘘建立的符合条件的患者。所有患者都接受了标准化的术前体格检查以及双功超声评估。

研究人群

在参与Shunt Simulation研究的236名患者中，共有159名患者可用于分析（见图1）。共有77名患者被排除在外，其中25名患者既没有建立血管通路，也没有形成头臂型、颈臂型或肱基底型动静脉瘘。在具有标准瘘管类型的患者中，有37名患者在术后6周出现瘘管血栓形成，8名患者在合适的时间段内未接受术后血流速度测量，还有7名

讨论

此前我们开发了一个个性化的基于物理原理的血流动力学模型，该模型可预测血管通路建立术后的血流速度，帮助血管外科医生为每位患者选择最合适的动静脉瘘类型。在随机对照试验中测试该模型的临床价值时，我们发现血流速度预测的可用性并未改善血管通路的手术效果。作为试验评估的一部分，我们对

资金来源致谢

Shunt Simulation研究由荷兰肾脏基金会（NT12.01）提供资助。

CRediT作者贡献说明

Niek Zonnebeld：写作——审阅与编辑、项目管理、方法学、研究实施、概念构建。van Vliet Letty V：写作——初稿撰写、方法学、形式分析、数据整理、概念构建。Tordoir Jan H：写作——审阅与编辑、监督、项目管理、资金获取、概念构建。Mees Barend M：写作——审阅与编辑、监督、概念构建。Snoeijs Maarten G：写作——初稿撰写、监督、项目

利益冲突声明

作者声明不存在任何利益冲突。

致谢

我们感谢Lee H. Bouwman、Philippe W. Cuypers、Stefan G. Heinen、Laurens C. Huisman、Susan Lemson、Felix J. Schl?sser、André A. de Smet以及Raechel J. Toorop为Shunt Simulation研究所做的贡献。

Letty van Vliet|Niek Zonnebeld|Tammo Delhaas|Rajarajeswari Ganesan|Iskander Huijsse|Barend Mees|Jan Tordoir|Wouter Huberts|Maarten Snoeijs

荷兰马斯特里赫特大学CARIM心血管疾病学院生物医学工程系