La enfermedad de las arterias coronarias (EAC) es una afección en la que se forma placa en las paredes de las arterias coronarias, haciendo que se estrechen. Finalmente, esto podría provocar un ataque cardíaco, o muerte. Esta condición es ahora el problema de salud más grande del mundo, con más de un millón de personas en los EE. UU. sometidas a cateterismo cardíaco, donde se coloca un stent en la arteria para evitar el bloqueo, cada año.

Para ayudar a mejorar la eficiencia del diagnóstico, los médicos están explorando nuevas formas de medir el bloqueo de las arterias utilizando la reserva de flujo fraccional virtual (vFFR). vFFR implica el uso de angiogramas de rayos X y dinámica de fluidos computacional (CFD), un método de modelado que combina matemáticas y datos para comprender el movimiento de los fluidos y simular el flujo sanguíneo en las arterias coronarias. Esta simulación reemplaza por completo la necesidad de un catéter de alambre de presión, un requisito para los pacientes sometidos a RFF tradicional, lo que significa que los pacientes ya no necesitan someterse a inyecciones de agentes hiperémicos.

Las aplicaciones actuales de vFFR son limitadas, sin embargo, ya que puede llevar de varias horas a días completar una simulación de algoritmo CFD. Para utilizar eficazmente vFFR para pacientes, Los algoritmos CFD deben proporcionar una gama más amplia de posibles arterias bloqueadas y la capacidad de calcular una simulación completa en cuestión de minutos. sin comprometer la precisión del diagnóstico.

En una investigación presentada en la Conferencia de Computación en Cardiología en septiembre de 2018, nuestro equipo describió un nuevo enfoque para mejorar las simulaciones de vFFR utilizando computación de alto rendimiento, matemáticas y datos.

Estas simulaciones deben ejecutarse en sistemas diseñados para el aprendizaje automático y la aceleración del aprendizaje profundo. Para satisfacer esa demanda, Los investigadores de IBM en Australia están utilizando sistemas POWER9, con unidades de procesamiento de gráficos (GPU) Nvidia Tesla V100, para realizar simulaciones hemodinámicas para el diagnóstico basado en vFFR en uno o dos minutos. Hasta donde sabemos, esta es la primera aplicación de este tipo que se completa casi en tiempo real.

La velocidad en el procesamiento de las simulaciones del modelo, respaldado por la asociación de IBM con Nvidia, podría traducirse en ahorros considerables en mano de obra, infraestructura y eficiencia energética para médicos y hospitales. Esto también significa que los médicos podrían analizar la pérdida de presión causada por la estenosis en pacientes con EAC más rápidamente. ayudando a aliviar la carga mental de los pacientes que esperan los resultados de las pruebas.

Esta investigación es el último paso en nuestro trabajo continuo para desarrollar cómo podemos obtener una imagen más precisa y completa del funcionamiento interno del corazón con modelos biofísicos e IA. Nuestro equipo de investigación cardíaca tiene varias iniciativas en curso para comprender mejor cómo podemos mejorar la monitorización cardíaca de formas no invasivas. Recientemente, publicamos investigaciones sobre nuevas formas de construir y parametrizar modelos más precisos de biomecánica cardíaca, donde podemos explorar mejor lo que está sucediendo dentro del corazón a nivel anatómico y celular.

En el último año, También hemos publicado un estudio que apunta al potencial de combinar modelos biofísicos y aprendizaje automático para ayudar a predecir y determinar si un fármaco podría provocar efectos secundarios adversos en el corazón. como arritmia cardíaca. Idealmente, algún día, todas estas diferentes técnicas de modelado podrán aplicarse juntas para ayudar a los médicos a tener una clara Evaluación mínimamente invasiva del estado cardíaco de un paciente para ayudar a determinar mejor las opciones de tratamiento.

Esta historia se vuelve a publicar por cortesía de IBM Research. Lea la historia original aquí.