Forward uncertainty quantification and sensitivity analysis in models of systemic circulation

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Silva Filho, Gilmar Ferreira da lattes
Orientador(a): Rocha, Bernardo Martins lattes
Banca de defesa: Santos, Rodrigo Weber dos lattes, Sundnes, Joakim lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
Programa de Pós-Graduação: Programa de Pós-graduação em Modelagem Computacional
Departamento: ICE – Instituto de Ciências Exatas
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/12030
Resumo: A intrincada natureza do coração e da circulação sanguínea é intensamente estudada na busca de respostas e insights capazes de amadurecer a compreensão dos fenômenos fisiológicos e patofisiológicos do sistema cardiovascular. Modelos computacionais cardiovasculares são ferramentas úteis para este fim e já são amplamente utilizados pela comunidade médico-científica, sendo capazes de simular fenômenos importantes como as dinâmicas da circulação sistêmica e fornecer informações valiosas, como parâmetros hemodinâmicos e biomarcadores, de habitual uso clínico. Entretanto, a aplicação destes modelos em cenários clínicos não se dá facilmente, e para que sejam usados de forma ubíqua para a tomada de decisão ainda há muito o que se aprimorar. Um importante passo neste sentido se dá na busca por modelos mais precisos e confiáveis, onde deve-se tomar em conta o entendimento da relação entre as incertezas nos parâmetros de entrada de um modelo e a precisão de seus resultados. No presente trabalho, verificamos o efeito da propagação de incertezas nos parâmetros de entradas de modelos de parâmetros condensados e um modelo de elementos finitos multi-escala que simulam as dinâmicas da circulação sistêmica. Para isto, realizamos a quantificação de incertezas direta e análise de sensibilidade baseadas na expansão por caos polinomial e os resultados obtidos apontam para os parâmetros mais influentes na predição de quantidades de interesse de relevância clínica. Desta forma, espera-se que os conhecimentos adquiridos sobre os parâmetros que devem ser medidos com maior precisão, bem como os menos influentes, que podem ser medidos a partir de valores de base populacional ou da literatura, possam ajudar na calibragem e desenvolvimento de modelos mais precisos e consistentes.