- Herrero-Martín, Clara|||0000-0001-5053-296X
[ES] La fibrilación auricular (AF) es la arritmia más frecuente y representa uno de los mayores retos para la electrofisiología cardiaca. Sus complejos mecanismos de mantenimiento y la gran variabilidad entre pacientes dificultan la elección de la mejor estrategia de tratamiento y limitan la eficacia de terapias como la ablación cardiaca. Esto remarca la necesidad de herramientas que permitan tanto comprender mejor las arritmias como personalizar los tratamientos. Los modelos cardíacos personalizados, o gemelos digitales (DT), se han propuesto como herramientas prometedoras para replicar las dinámicas específicas del paciente y contribuir al diseño de terapias más personalizadas. Pese a ello, su traslación clínica es limitada. Se suelen basar en simulaciones y procesos de optimización demasiado costosos, que no son compatibles con la práctica clínica. Muchos se centran exclusivamente en la personalización anatómica sin información funcional, y los que sí incorporan datos funcionales suelen depender de mediciones invasivas adquiridas punto a punto durante un ritmo regular que no capturan la dinámica global de la arritmia. En esta tesis, se abordan estos retos proponiendo diversos flujos de trabajo para el desarrollo de modelos cardiacos personalizados que pueden ser aplicados en la práctica clínica. Estos enfoques se basan en metodologías de inteligencia artificial y sistemas no invasivos como la imagen electrocardiográfica (ECGI). El ECGI es una tecnología no invasiva que reconstruye la actividad eléctrica cardiaca global, proporcionando información relevante para el manejo de pacientes que sufren arritmias cardiacas. Los modelos resultantes, específicos para cada paciente, pretenden apoyar el diseño de tratamientos personalizados, mejorando su potencial aplicación clínica. En primer lugar, desarrollamos una red neuronal informada por la física de la electrofisiología (EP-PINNs). Las EP-PINNs incorporan las ecuaciones que describen los fenómenos cardíacos para mejorar la convergencia e inferir los parámetros cardíacos clave. Las EP-PINNs fueron capaces de reconstruir la propagación del potencial de acción e inferir propiedades electrofisiológicas tanto globales como heterogéneas en el tejido a partir de escasos datos de voltaje transmembrana, incluso en condiciones arrítmicas. Demostraron un potencial significativo para la caracterización del tejido cardiaco y para identificar posibles zonas de ablación. En segundo lugar, se desarrolló un modelo de autómata de reacción-difusión rápido e interpretable para captar el comportamiento electrofisiológico cardiaco sin necesidad de realizar simulaciones computacionalmente costosas. A partir de este modelo, se diseñó un flujo de trabajo para obtener DTs de pacientes basados en datos ECGI, que fue validado tanto en simulaciones in-silico como en pacientes. El marco reprodujo la propagación auricular y los potenciales de superficie corporal durante ritmo sinusal y flutter auricular, permitiendo la obtención eficiente de DTs basados en datos no invasivos antes y durante la intervención endocárdica. Por último, se propuso un flujo de trabajo para generar DTs en pacientes con AF utilizando las frecuencias dominantes obtenidas por ECGI durante la propia arritmia para personalizar el modelo de autómata. Los DTs generados replicaron la distribución de frecuencias específica del paciente y un ejemplo ilustrativo demostró el potencial de los DTs para reproducir los resultados de la ablación cardíaca. Esta tecnología permite construir DTs basados en datos funcionales no invasivos que caracterizan la dinámica global de la AF, apoyando el desarrollo de estrategias terapéuticas personalizadas.
En resumen, esta tesis demuestra la viabilidad y el potencial clínico de usar tecnologías no invasivas y herramientas de inteligencia artificial para generar modelos personalizados. Dichos modelos muestran un potencial clínico prometedor para la personalización del tratamiento de las arritmias auriculares., [CA] La fibril·lació auricular (AF) és l'arrítmia més freqüent i un dels majors reptes per a l'electrofisiologia cardíaca. Els seus complexes mecanismes de manteniment i la gran variabilitat entre pacients dificulten l'elecció del millor tractament i limiten l'eficàcia de les estratègies actuals, com l'ablació amb catèter. Això remarca la necessitat de ferramentes que permeten millorar la comprensió de les arrítmies i personalitzar els tractaments. Els models cardíacs personalitzats, o bessons digitals (DT), son ferramentes prometedores per a replicar dinàmiques personalitzades i dissenyar teràpies més eficaces i individualitzades. A pesar del gran potencial dels DT la seua translació clínica es limitada. Se solen basar en simulacions i processos d'optimització massa costosos. Molts se centren exclusivament en la personalització anatòmica sense incorporar dades funcionals i els que sí que l'inclouen, sovint depenen de dades invasives adquirides punt per punt durant un ritme regular que no capta la dinàmica cardíaca global durant l'arrítmia. En aquesta tesi doctoral, s'aborden aquests reptes proposant diversos fluxos de treball per al desenvolupament de DT que poden ser aplicats en la pràctica clínica partir de metodologies d'intel·ligència artificial i sistemes no invasius com la imatge electrocardiogràfica (ECGI). El ECGI és una tecnologia no invasiva que reconstruïx l'activitat elèctrica cardíaca global, proporcionant informació rellevant per al maneig d'arrítmies cardíaques. Els DT resultants pretenen donar suport al disseny de tractaments personalitzats. En primer lloc, desenvolupàrem una xarxa neuronal informada per la física de l'electrofisiologia (EP-PINNs). Les EP-PINNs incorporen equacions que modelen els fenòmens cardíacs per a millorar la convergència i inferir els paràmetres cardíacs clau. Les EP-PINNs van ser capaces de reconstruir la propagació del potencial d'acció i inferir propietats electrofisiològiques globals i heterogènies en el teixit a partir d'escasses dades de voltatge transmembrana, fins i tot en condicions arrítmiques. Les EP-PINNs permetencaracteritzar el teixit cardíac i identificar possibles àrees d'ablació. En segon lloc, es va desenvolupar un model d'autòmat de reacció-difusió ràpid i interpretable per a captar l'electrofisiologia cardíaca sense la realizació de simulacions computacionalment costoses. A partir d'aquest model, es va dissenyar un flux de treball per a obtindre DTs basats en dades ECGI. El flux de treball, validat en simulacions in-silico i en dades de pacients, va reproduir la propagació auricular i els potencials de superfície corporal durant ritme sinusal i flutter auricular. Aquesta metodologia permet obtindre DTs basats únicament en dades no invasives abans i durant la intervenció endocàrdica. Finalment, proposàrem un flux de treball per a obtindre el DT de pacients amb AF. La informació global sobre la distribució de les freqüències dominants proporcionada pel ECGI durant la FA s'usa per a la personalització. La freqüència dominant s'utilitza per a optimitzar els paràmetres del model d'autòmat generant DTs que repliquen la distribució de freqüències específica del pacient. Un exemple il·lustratiu demostrà el potencial dels DTs per a reproduir els resultats de l'ablació cardíaca. Esta tecnologia permet construir DTs basats en dades funcionals no invasives que caracteritzen la AF, donant suport al desenvelopament de teràpies personalitzades. En resum, esta tesi demostra la viabilitat i el potencial clínic d'usar les tecnologies no invasives i ferramentes d'intel·ligència artificial per a generar DTs. Aquests models personalitzats mostren un potencial clínic prometedor, sobretot en els tractaments personalitzats d'arrítmies auriculars., [EN] Atrial fibrillation (AF) is the most frequent arrhythmia and represents a major challenge in cardiac electrophysiology. Its complex maintenance mechanisms and the wide heterogeneity among the patients make it difficult to define the best treatment strategy for each patient. As a result, current treatments, such as catheter ablation, have shown limited efficacy. This emphasizes the need for tools that expand the understanding of this arrhythmia and allow personalized treatments. Personalized cardiac models, also known as digital twins (DTs), have been proposed as promising tools to replicate patient-specific dynamics and support the design of more individualized therapies. However, their clinical translation is limited. Many rely on computationally expensive simulations and optimization processes, which are not compatible with clinical timescales. Some focus exclusively on anatomical personalization without incorporating functional data. When functional personalization is performed, it often depends on invasive electroanatomical data acquired point-by-point during sinus rhythm or atrial pacing, failing to capture the global cardiac dynamics during the arrhythmia. This PhD thesis addresses these challenges by proposing diverse frameworks for the development of clinically applicable patient-specific cardiac models. These approaches rely on artificial intelligence methodologies and non-invasive systems as electrocardiographic imaging (ECGI). ECGI is a non-invasive technology that reconstructs the global cardiac electrical activity, providing relevant information for the management of patients suffering from cardiac arrhythmia. The resulting personalized models aim to support the design of individualized treatments, enhancing their potential clinical application. First, we developed an electrophysiology-informed Physics-Informed Neural Networks (EP-PINNs). EP-PINNs incorporate the equations of the model describing cardiac phenomena to enhance the convergence and infer the key model parameters. EP-PINNs reconstructed action potential propagation and inferred global and spatially heterogeneous electrophysiological properties from sparse transmembrane voltage data, even under arrhythmic conditions. EP-PINNs demonstrate significant potential for tissue characterization and ablation target identification. Secondly, a fast and interpretable reaction-diffusion automata model was developed to capture electrophysiological cardiac behavior without requiring computationally expensive simulations. Using this model, a DT framework was designed to obtain patient-specific models based on ECGI data. The framework, validated in both in-silico simulations and patient data, successfully reproduced atrial propagation and body surface potentials during sinus rhythm and atrial flutter. This framework enables the efficient construction of DTs based on non-invasive data, before and during endocardial intervention. Finally, we proposed a new framework to obtain DTs of AF patients using global dominant frequency information obtained from the ECGI data while the patient is in AF. These dominant frequency maps are used to optimize the parameters of the automata model, allowing the generation of DTs that replicate the patient-specific frequency distribution. An illustrative example was presented to demonstrate its potential to reproduce ablation outcomes. This technology enables the construction of DTs based on non-invasive functional data that characterize the global AF dynamics, supporting the development of patient-specific therapeutic strategies. In summary, this thesis demonstrates the feasibility and clinical potential of leveraging non-invasive technologies and artificial intelligence implementation to generate patient-specific models. The proposed approaches mark a significant step towards clinically applicable patient-specific models for personalized treatment of atrial arrhythmias., This PhD thesis has been funded by the Generalitat Valenciana – Conselleria de Innovación, Universidades, Ciencia y Sociedad Digital under grant ACIF/2021/205 and by ESF Invest in your future, with a total amount of €93,878.40; additionally, the research stay carried out during this PhD was funded by the Generalitat Valenciana under grant CIBEFP/2022/9, with a total amount of €5,059. Furthermore, the work developed throughout this thesis has been partially used during the development of the following projects: Development of a panoramic mapping tool for the evaluation of electro-structural substrates to guide atrial fibrillation ablation using artificial intelligence – ESSENCE (PID2020-119364RB-I00), funded by the Agencia Estatal de Investigación; and ECGI Precision Imaging for Cardiac Arrhythmias. Mapping beyond the epicardium – EPICA+ (PID2023-149812OB-I00), funded by the Agencia Estatal de Investigación.