Mesura de la reserva fraccional de flux coronari (FFR) mitjançant un model d'intel·ligència artificial

Abstract

Decidir quin pacient es beneficiarà de la teràpia de revascularització, sigui per angioplàstia o cirurgia de bypass, és un dels desafiaments de la pràctica diària en cardiologia. Actualment, mitjançant les mesures de la reserva fraccional de flux (FFR) de forma invasiva, es pot quantificar la gravetat de l’estenosi en les artèries coronàries. Però cal destacar que la seva implementació rutinària actualment segueix sent baixa a causa de la naturalesa invasiva, la necessitat d’instruments costosos, la duració del procediment i la por dels riscs relacionats amb el procés quirúrgic. Davant d’aquests riscs que comporta la cirurgia realitzada a l’hora de prendre la mesura de la FFR, s’ha proposat un model d’aprenentatge automàtic supervisat per estimar aquest paràmetre de forma no invasiva. Aquest model ha estat entrenat a partir d’una base de dades de diferents models geomètrics d’artèries coronàries 3D amb diferents graus d’estenosi i cabals imposats, generada amb un programa de preprocessat i postprocessat, i mitjançant una simulació numèrica amb un software CFD. A nivell clínic, mitjançant la utilització d’aquest model entrenat el metge sense la necessitat de tenir coneixements sobre el procés de mallat de geometries i mètodes d’elements finits, pot obtenir una aproximació de la mesura de l’índex de la FFR a partir de dades anatòmiques del pacient obtingudes per exemple a partir de tècniques d’imatge mèdiques. Amb els resultats obtinguts, s’ha vist que aquesta tecnologia pot considerar-se com una tècnica alternativa de diagnòstic que permet proporcionar una avaluació anatòmica i funcional de l’estenosi de forma no invasiva amb l’objectiu de seleccionar adequadament el tractament que necessiten els pacients.

Decidir qué paciente se beneficiará de la terapia de revascularización, ya sea por angioplastia o cirugía de bypass, es uno de los desafíos de la práctica diaria en cardiología. Actualmente, mediante las medidas de la reserva fraccional de flujo (FFR) de forma invasiva, se puede cuantificar la gravedad de la estenosis en las arterias coronarias. Pero hay que destacar que su implementación rutinaria actualmente sigue siendo baja debido a la naturaleza invasiva, la necesidad de instrumentos costosos, la duración del procedimiento y el miedo de los riesgos relacionados con el proceso quirúrgico. Ante estos riesgos que conlleva la cirugía realizada a la hora de tomar la medida de la FFR, se ha propuesto un modelo de aprendizaje automático supervisado para estimar este parámetro de forma no invasiva. Este modelo ha sido entrenado a partir de una base de datos de diferentes modelos geométricos de arterias coronarias 3D con diferentes grados de estenosis y caudales impuestos, generada con un programa de preprocesado y postprocesado, y mediante una simulación numérica con un software CFD. A nivel clínico, mediante la utilización de este modelo entrenado el médico sin la necesidad de tener conocimientos sobre el proceso de mallado de geometrías y métodos de elementos finitos, puede obtener una aproximación de la medida del índice de la FFR a partir de datos anatómicos del paciente obtenidas por ejemplo a partir de técnicas de imagen médicas. Con los resultados obtenidos se ha visto que esta tecnología puede considerarse como una técnica alternativa de diagnóstico que permite proporcionar una evaluación anatómica y funcional de la estenosis de forma no invasiva con el objetivo de seleccionar adecuadamente el tratamiento que necesitan los pacientes.

Deciding which patient will benefit from revascularization therapy, either by angioplasty or bypass surgery, is one of the challenges of daily practice in cardiology. Currently, by measuring fractional flow reserve (FFR) invasively, the severity of stenosis in the coronary arteries can be quantified. But it should be noted that its routine implementation currently remains low due to the invasive nature, the need for expensive instruments, the length of the procedure and the fear of the risks associated with the surgical process. Given these risks associated with the surgery when the FFR measurement is taken, a supervised machine learning model has been proposed to estimate this parameter non-invasively. This model has been trained from a database of different geometric models of 3D coronary arteries with different degrees of stenosis and imposed flow rates, generated with a preprocessing and postprocessing program, and by means of a numerical simulation with CFD software. At the clinical level, by using this trained model, the doctor, without the need to have knowledge of the geometry meshing process and finite element methods, can obtain an approximation of the FFR index measurement from the patient's anatomical data obtained, for example, from medical imaging techniques. The results obtained show that this technology can be considered as an alternative diagnostic technique to provide an anatomical and functional assessment of the stenosis in a non-invasive way in order to select the appropriate treatment needed by patients.