Uncertainty-aware modeling of hemolysis in rotary blood pumps using reduced-order models and Bayesian parameter estimation

Blum, Christopher; Behr, Marek; Steinseifer, Ulrich

doi:10.18154/RWTH-2026-01581

Uncertainty-aware modeling of hemolysis in rotary blood pumps using reduced-order models and Bayesian parameter estimation = Unsicherheitsbewusste Modellierung der Hämolyse in rotatorischen Blutpumpen mittels Surrogatmodellen und Bayesscher Parameterschätzung

Blum, Christopher^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Christopher Blum

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Steinseifer, Ulrich (Thesis advisor)^RWTH* ; Behr, Marek (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2026-02-02

Online
DOI: 10.18154/RWTH-2026-01581
URL: https://publications.rwth-aachen.de/record/1028362/files/1028362.pdf

Einrichtungen

Projekte

DFG project G:(GEPRIS)467133626 - Strömungsinduzierte Hämolyse in blutführenden Medizinprodukten – ein datenbasierter mechanistischer Ansatz (467133626) (467133626)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Bei der extrakorporalen Membranoxygenierung (ECMO), einer lebenserhaltenden Therapie für Patienten mit schwerem Herz- oder Lungenversagen, wird Blut außerhalb des Körpers durch einen künstlichen Kreislauf geleitet, der einen Membranoxygenator und eine rotierende Blutpumpe (RBP) umfasst. Obwohl ECMO Therapie lebensrettend sein kann, kommt das Blut mit künstlichen Oberflächen und hohen mechanischen Belastungen in Kontakt. Besonders in RBPs wirken extreme Scherkräfte, die eine Hauptursache für Schäden an roten Blutkörperchen (RBCs) darstellen. Eine zentrale Folge ist die scherinduzierte Hämolyse, also die mechanische Zerstörung von RBCs in Hochscherströmungen. Dabei wird Hämoglobin freigesetzt, was zu Komplikationen wie Thrombosen, Entzündungen und Organversagen führen kann. Um Hämolyse besser zu verstehen und zu reduzieren, kommen numerische Modelle zunehmend bei der Entwicklung blutführender Geräte zum Einsatz. Aktuelle in-silico-Ansätze stoßen jedoch an Grenzen: Sie sind rechenintensiv, oft nicht klinisch validiert und vernachlässigen biologische und experimentelle Schwankungen. Ihre Vorhersagekraft unter realistischen Bedingungen ist daher begrenzt. Ziel dieser Arbeit ist es, ein effizientes, unsicherheitsbewusstes in-silico-Modell zu entwickeln, das Hämolyse im gesamten klinischen Einsatzbereich von RBPs vorhersagen kann und zentrale Unsicherheiten berücksichtigt. Um großflächige Vorhersagen zu ermöglichen, wurde ein Surrogatmodell auf Basis nicht-intrusiver polynomieller Chaos-Expansion entwickelt. Dieser Ansatz erlaubt schnelle und präzise Simulationen im gesamten klinischen Betriebsbereich. Darauf aufbauend wurden scherspannungsbasierte Hämolysevorhersagen mit in-vivo-Daten von 580 ECMO-Patienten validiert. Die Ergebnisse stimmten gut mit Trends auf Kohortenebene überein, zeigten aber auch große inter- und intraindividuelle Unterschiede, was auf die Grenzen rein mechanischer Modelle hinweist. Um die Ursache zu untersuchen, wurde eine experimentelle Studie mit einem eigens entwickelten Scherversuchsstand durchgeführt. Wiederholte Messungen unter gleichen Bedingungen zeigten überraschend hohe Schwankungen innerhalb einzelner Spender, was gängige Kalibrierannahmen infrage stellt und auf eine grundlegende Unsicherheit in experimentellen Daten hinweist. Zur Berücksichtigung dieser Unsicherheit wurde ein Bayessches Parameterschätzverfahren eingeführt, das diese Schwankungen direkt in die Modellkalibrierung einbezieht. Das resultierende probabilistische Modell liefert Vorhersagen samt Unsicherheitsangabe und erhöht so Robustheit, Nachvollziehbarkeit und Glaubwürdigkeit in klinischem und regulatorischem Kontext. Diese Arbeit trägt durch die Kombination aus Recheneffizienz, klinischer Validierung und Unsicherheitsquantifizierung dazu bei, ein umfassenderes Konzept zur Hämolysemodellierung zu schaffen. Darauf aufbauend könnten künftige Anwendungen wie in-silico-Studien oder patientenspezifische Modellierungen realistischer werden.

In extracorporeal membrane oxygenation (ECMO), a life-support therapy used in patients with severe cardiac or respiratory failure, blood is circulated outside the body through an artificial circuit that includes a membrane oxygenator and a rotary blood pump (RBPs). While ECMO can be life-saving, it exposes blood to artificial surfaces and elevated mechanical stresses, particularly in RBPs, which operate under supraphysiological shear conditions and are a primary source of red blood cell (RBC) damage. A key complication is shear-induced hemolysis, the mechanical destruction of RBCs in high-shear blood flows. This damage releases hemoglobin and contributes to adverse events such as thrombosis, inflammation, and organ dysfunction. To better understand and reduce hemolysis, numerical models have become an essential tool in the design and evaluation of blood-contacting devices. However, current in-silico approaches face major limitations. They are computationally expensive, often lack validation against clinical data, and typically neglect biological and experimental variability. As a result, their ability to reliably predict hemolysis across realistic clinical conditions remains limited. The overarching aim of this dissertation is to develop a computationally efficient, uncertainty-aware in-silico framework that can predict hemolysis across the full clinical operating range of RBPs and explicitly account for key sources of uncertainty. To make large-scale predictions feasible, a reduced-order model was developed based on non-intrusive polynomial chaos expansion. This approach enables rapid yet accurate simulation of flow conditions across the entire clinical operating space. Building on this, stress-based hemolysis predictions were validated to in-vivo data from 580 ECMO patients. While the results showed good agreement with cohort-level trends, they also revealed substantial inter- and intra-patient variability, pointing to the limits of purely mechanical models. To investigate the source of this variability, a controlled experimental study was conducted using a custom-built shearing device. Repeated hemolysis measurements under identical conditions showed unexpectedly high intra-donor variability, challenging assumptions underlying standard calibration practices and highlighting inherent uncertainty in experimental data. To address this, a Bayesian parameter estimation framework was introduced that incorporates this variability directly into model calibration. The resulting probabilistic model provides not only hemolysis predictions but also quantified uncertainty, increasing robustness, interpretability, and credibility in both clinical and regulatory contexts. Together, these contributions help to establish a more comprehensive framework for hemolysis modeling by combining computational efficiency, clinical validation, and uncertainty quantification. Building on this foundation, future applications such as in-silico clinical trials or patient-specific modeling across diverse patient conditions may become more feasible.

OpenAccess:
PDF
(additional files)