Er wordt geschat dat 45% van de Amerikaanse ouderen van 85 jaar en ouder de ziekte van Alzheimer hebben en 1 op de 10 mensen ouder dan 65 jaar aan Alzheimer lijdt. Momenteel is er nog veel onduidelijkheid over specifieke mechanismes die abnormaliteiten veroorzaken, maar het is helder dat vasculaire pathologie in de hersenen een belangrijke rol speelt in de progressie van Alzheimer. Dit onderzoek wil meer duidelijkheid geven in de pathologie van de ziekte door de bloedstroom in de hersenen te benaderen als een wiskundig model. Hierdoor kunnen specifieke submechanismen (zoals aderelasticiteit of bloedstroom snelheid) worden onderzocht, die in experimenteel onderzoek minder goed benaderd kunnen worden. Met data van het Radboud UMC van gezonde ouderen en patiënten met MCI (een tussenstadium van dementie) en de ziekte van Alzheimer, kon parameter optimalisatie uitgevoerd worden. Parameter optimalisatie is het zoeken van model parameters dat een model simuleert die het dichtst bij echte data komt. De uitkomst van dit onderzoek geeft richting waar de verschillen liggen kijkend naar de bloed circulatie in de hersenen. In de presentatie wordt in gegaan op de aanpak van het onderzoek, de resultaten en de toekomstvisie van de medische wereld en modelleren.
Meer inzicht in Alzheimer: Een wiskundige invalshoek - Big Data Expo 2019
1. Meer inzicht in Alzheimer:
Een wiskundige invalshoek
Swetta Jansen
2. • Alzheimer is een
neurodegeneratieve
aandoening
• Populatie wordt ouder met als
resultaat stijging Alzheimer
patiënten
• Onderzoek: Focus op
cerebrale autoregulatie
Alzheimer
3.
4. • Perfusie constant houden, ondanks bloeddruk schommelingen
• Robuust mechanisme, maar in Alzheimer zijn abnormaliteiten gevonden
• Mechanisme is complex non-lineair
Doel: Meer inzicht verkrijgen in pathofysiologie van
Alzheimer
door middel van modelleren
Cerebrale autoregulatie
5. • Data verzameling
• Metingen: Bloeddruk & Cerebrale bloed stroom
snelheid
• Patiënt groepen: Alzheimer, MCI en controle groep
Aanpak
6. • Bloeddruk
• Cerebrale bloed stroom
snelheid
Drie patiënt groepen:
1. Ziekte van Alzheimer
2. Mild Cognitive Impairment
3. Gezonde controle groep
Data verzameling
7. Twee protocollen:
• Baseline – In rust
• Orthostatisch – Zitten en
staan
Data verzameling
Baseline Orthostatisc
h
9. • Data verzameling
• Metingen: Bloeddruk & Cerebrale bloed stroom
snelheid
• Patiënt groepen: Alzheimer, MCI en controle groep
• Parameter optimalisatie
• Levenberg-Marquadt Algoritme
Aanpak
10. Model
:
Parameter optimalisatie
y = A * x + B
y1 = -0.2 * x +2.6
y2 = -0.1 * x + 2.2
y3 = -0.01 * x + 1.8
Parameters
:
A, B
Model
opties:
Residual
sum
of squares:
𝑖−1
𝑛
(𝑦1 − 𝑓 𝑥𝑖 ))2
A=-0.1 B=2.2
11. • Data verzameling
• Metingen: Bloeddruk & Cerebrale bloed stroom
snelheid
• Patiënt groepen: Alzheimer, MCI en controle groep
• Parameter optimalisatie
• Levenberg-Marquadt Algoritme
• Model
• Hemodynamisch model dat cerebrale autoregulatie
simuleert
Aanpak
12. Hemodynamisch model
14 Parameters
9 Algebraïsche vergelijkingen
2 Differentiaal vergelijkingen
Bloeddruk
Cerebrale bloed
stroom snelheid
Input Model Output
13. Parameter optimalisatie van model
Uitgevoerd op cerebrale bloed
stroom snelheid van patiënt
Bloeddruk van
patiënt
Input Optimalisa
tie
Output
Gesimuleerd
model
14. • Data verzameling
• Metingen: Bloeddruk & Cerebrale bloed stroom
snelheid
• Patiënt groepen: Alzheimer, MCI en controle groep
• Parameter optimalisatie
• Levenberg-Marquadt Algoritme
• Model
• Simuleert cerebrale autoregulatie
• Parameter selectie
• 9 Parameters
Aanpak
20. • Science Animated. (2019, Jan 11). Regulation of Cerebral Blood Flow. Retrieved from
https://www.youtube.com/watch?v=Pl2tYwx7o5w&t=108s
• Liu, Henry, et al. "Pharmacological cerebral protection in cardiac surgery: an update." Journal of
Anesthesia and Perioperative Medicine (JAPM) 4.1 (2017): 23.
• Ursino, M., & Lodi, C. A. (1997). A simple mathematical model of the interaction between
intracranial pressure and cerebral hemodynamics. Journal of Applied Physiology, 82(4), 1256-
1269.
• (n.d.). Retrieved from http://droualb.faculty.mjc.edu/Course Materials/Physiology 101/Chapter
Notes/Fall 2011/chapter_14 Fall 2011.html
• Cerebrospinal fluid. (2019, July 01). Retrieved from
https://en.wikipedia.org/wiki/Cerebrospinal_fluid#/media/File:Blausen_0216_CerebrospinalSyste
m.png
• Ultrastructure of Blood Vessels. (n.d.). Retrieved from https://teachmeanatomy.info/the-
basics/ultrastructure/blood-vessels/
• Moerman, A., & De Hert, S. (2017). Recent advances in cerebral oximetry. Assessment of cerebral
autoregulation with near-infrared spectroscopy: myth or reality?. F1000Research, 6.
• Serrador, J. M., Wood, S. J., Picot, P. A., Stein, F., Kassam, M. S., Bondar, R. L., ... & Schlegel, T. T.
(2001). Effect of acute exposure to hypergravity (GX vs. GZ) on dynamic cerebral autoregulation.
Referenties
Editor's Notes
Welkom iedereen bij mijn presentatie van mijn afstudeer onderzoek, dit heb ik gedaan bij het Computational Science Lab op de UvA in samenwerking met het Radboud ziekenhuis in Nijmegen. Hier heb ik onderzoek naar Alzheimer gedaan met behulp van modellering. In deze presentatie wil ik jullie een kijkje geven wat de aanpak is van zo een onderzoek en een idee geven wat er eigenlijk gedaan kan worden met modellering in medische data.
Ik denk dat iedereen hier van Alzheimer heeft gehoord en misschien zelfs wel in zijn of haar omgeving heeft meegemaakt. Nou Alzheimer is dus een neurodegeneratieve aandoening, Het meest herkenbare kenmerk van de ziekte is de moeite met het herinneren van recente gebeurtenissen, maar naarmate de ziekte zich vordert zien we ook spraak- en taalproblemen, desoriëntatie en een verlies van motivatie en initiatief. Doordat de populatie steeds ouder wordt, komt het ziektebeeld van Alzheimer en dementie steeds vaker voor. Het wordt geschat dat 45% van de Amerikaanse senioren ouder dan 85 aan Alzheimer lijdt en 1 op de 10 mensen ouder dan 65 er ook aan lijdt. De verwachting is dat deze cijfers helaas alleen maar zullen stijgen. In mijn onderzoek ik mijn gefocusseerd het effect van Alzheimer op cerebrale autoregulatie. Cerebrale autoregulatie is het constant houden van de van de cerebrale bloedstroom ondanks veranderingen in arteriële bloeddruk. Ik zal eerst kort uitleggen hoe dit werkt aan de hand van een filmpje.
Door middel van cerebrale autoregulatie kunnen de hersenen voldoende bloed leveren aan verschillende weefsels die zuurstof en voedingsstoffen bevatten. Om het bloed constant te houden, vertrouwt de hersenen op gespecialiseerde vasculaire spiercellen in de bloedvaten die reageren op veranderingen in druk. Cerebrale autoregulatie komt voornamelijk voort uit signalering vanuit het spierstelsel in plaats van neuronale signalering. Dit proces wordt het myogene mechanisme genoemd. Als de arteriële bloeddruk hoog is, regelt de vernauwing van de arteriële spiercellen de hoeveelheid bloed die door het vat stroomt. Dit zorgt ervoor dat de hersenen, die erg gevoelig zijn voor fysiologische veranderingen, van een constante hoeveelheid bloed worden voorzien.
Cerebrale autoregulatie zorgt er dus voor dat de perfusie constant is, ondanks schommelingen in bloed druk. Dit is een bekende grafiek in de wereld van de autoregulatie. We zien hier op de x-as de arteriële bloeddruk en op de Y-as de cerebrale bloed stroom. Zoals de grafiek aangeeft kan het lichaam de bloedstroom tussen een bloeddruk van 50 en 150 vrij constant houden door het autoregulatie mechanisme. Over het algemeen is cerebrale autoregulatie een robuust mechanisme wanneer we ouder worden, maar onderzoek heeft uitgewezen dat in alzheimer abnormaliteiten aanwezig zijn. Het lastige van het onderzoeken van cerebrale autoregulatie is dat het een complex mechanisme is dat veel non-lineaire gedrag vertoont. Daarnaast kunnen er geen exacte metingen worden gedaan van veel onderdelen in de hersenen van mensen, waardoor het vaak speculeren is wat er eigenlijk gebeurt bij het autoregulatie proces. Dit is waar mijn onderzoek kan helpen, door middel van modelleren kunnen wij meer inzicht krijgen in de specifieke mechanismes van autoregulatie .
Het eerste wat nodig was is de data verzameling. Dit was gebeurt door het Radboud ziekenhuis, maar om jullie een idee te geven wat deze data precies is zal ik het uitleggen.
Er waren twee soorten data gemeten. De eerste was bloeddruk, dit was met een bloeddruk meter gedaan op de vinger en de tweede meting was cerebrale bloedstroom snelheid met transcraniele doppler sonography. Deze metingen werden gedaan met drie patiënt groepen: Een groep die geclassificeerd was als de ziekte van Alzheimer, een groep die geclassificeerd was als Mild Cognitive Impaired. Dit wordt gezien als een tussenfase tussen dementie en gezond, mensen hebben hier al lichte geheugen klachten maar kunnen nog normaal functioneren. Vaak is het een grote risico factor om Alzheimer te krijgen. Als laatste hebben we een gezonde controle groep genomen van ouderen met dezelfde leeftijd.
Er werden twee protocollen uitgevoerd met de groepen, eentje waarbij ze in rust zaten en eentje waarbij ze moeten zitten en staan om de 10 secondes. Dit tweede protocol werd uitgevoerd om te kijken hoe autoregulatie reageerde op abrubte schommelingen in bloeddruk.
Om even een gevoel te krijgen hoe deze data eruit ziet heb ik hier twee patiënten met twee protocollen als voorbeeld genomen. Zoals jullie zien is het tijdsafhankelijke data, waar elke 0.1 seconde een datapunt is gemeten. Als we kijken naar de orthostatische data zien we duidelijke cyclische oscillaties door het zitten en staan.
De techniek die ik heb gebruikt is parameter optimalisatie. Hierbij heb ik het Levenberg-Marquadt algoritme gebruikt, wat een numeriek algoritme is. Waarschijnlijk zegt dit julloie niet zo veel, dus ik zal heel kort met een sum
Het doel van parameter optimalisatie is het vinden van parameters die een model simuleren die een model simuleren dat zo dicht mogelijk bij target data ligt. Als voorbeeld heb ik hier de een data set, die we nu de target data noemen. We hebben een model dat Ax + b is. Hier zijn A en B de parameters en proberen we hier waardes voor te vinden die een model genereert die dicht bij de target data ligt. Voor nu gebruiken we drie model opties, y1, y2 en y3. Als we hier de lijnen van trekken ziet dit er zo uit: Om te bepalen welke lijn het beste is gebruiken we residual sum of squares functie, wat eigenlijk de verschil tussen het model en de target data is per data punt is . Nou eigenlijk zien we het al, de beste optie is -0.1x + 2.2 dus de parameters waardes voor A en B zijn -0.1 en 2.2.
Het model dat wordt gebruikt is een model uit 1997 waar onder andere de bloed circulatie in de hersenen wordt gesimuleerd. Hierbij wordt ook cerebrale autoregulatie laten zien.