Coronaire hartziekte (CAD) is een aandoening waarbij zich plaque vormt op de wanden van kransslagaders, waardoor ze smaller worden. Eventueel, dit kan leiden tot een hartaanval, of dood. Deze aandoening is nu het grootste gezondheidsprobleem ter wereld, met meer dan een miljoen mensen in de VS die elk jaar een hartkatheterisatie ondergaan - waarbij een stent in de slagader wordt geplaatst om verstopping te voorkomen -.

Om de efficiëntie van de diagnose te helpen verbeteren, clinici onderzoeken nieuwe manieren om arterieblokkade te meten met behulp van virtuele fractionele stroomreserve (vFFR). vFFR omvat het gebruik van röntgenangiogrammen en computationele vloeistofdynamica (CFD), een modelleringsmethode die wiskunde en gegevens combineert om de beweging van vloeistoffen te begrijpen en de bloedstroom in kransslagaders te simuleren. Deze simulatie vervangt volledig de noodzaak van een drukdraadkatheter, een vereiste voor patiënten die traditionele FFR ondergaan, wat betekent dat patiënten niet langer injecties met hyperemische middelen hoeven te ondergaan.

De huidige toepassingen van vFFR zijn beperkt, echter, aangezien het enkele uren tot dagen kan duren om een ​​simulatie van een CFD-algoritme te voltooien. Om vFFR effectief te gebruiken voor patiënten, CFD-algoritmen moeten zowel een breder scala aan potentieel geblokkeerde slagaders bieden als de mogelijkheid om binnen enkele minuten een volledige simulatie te berekenen, zonder afbreuk te doen aan de diagnostische nauwkeurigheid.

In onderzoek gepresenteerd op de Computing in Cardiology Conference in september 2018, ons team schetste een nieuwe benadering voor het verbeteren van vFFR-simulaties met behulp van high-performance computing, wiskunde en gegevens.

Deze simulaties moeten draaien op systemen die zijn ontworpen voor machine learning en deep learning-versnelling. Om aan die vraag te voldoen, IBM-onderzoekers in Australië gebruiken POWER9-systemen, met Nvidia Tesla V100 grafische verwerkingseenheden (GPU's), om hemodynamische simulaties uit te voeren voor op vFFR gebaseerde diagnose binnen één tot twee minuten. Voor zover we weten, dit is de eerste toepassing in zijn soort die in bijna realtime wordt voltooid.

De snelheid bij het verwerken van de modelsimulaties, ondersteund door IBM's samenwerking met Nvidia, zou kunnen leiden tot aanzienlijke besparingen op handenarbeid, infrastructuur en energie-efficiëntie voor clinici en ziekenhuizen. Dit betekent ook dat clinici het drukverlies veroorzaakt door stenose bij CAD-patiënten sneller kunnen analyseren, het helpen verlichten van de mentale last voor patiënten die wachten op testresultaten.

Dit onderzoek is de laatste stap in ons lopende werk om te evolueren hoe we een nauwkeuriger en vollediger beeld kunnen krijgen van de innerlijke werking van het hart met biofysische modellen en AI. Ons hartonderzoeksteam heeft verschillende lopende initiatieven om beter te begrijpen hoe we hartbewaking op niet-invasieve manieren kunnen verbeteren. Onlangs, we hebben onderzoek gepubliceerd over nieuwe manieren om nauwkeurigere modellen van cardiale biomechanica te bouwen en te parametriseren, waar we beter kunnen onderzoeken wat er in het hart gebeurt op anatomisch en cellulair niveau.

In het afgelopen jaar, we hebben ook een studie gepubliceerd die wijst op het potentieel van het combineren van biofysische modellen en machinaal leren om te helpen voorspellen en bepalen of een medicijn kan leiden tot nadelige bijwerkingen in het hart, zoals hartritmestoornissen. Ideaal, op een dag kunnen al deze verschillende modelleringstechnieken samen worden toegepast om clinici een duidelijk, minimaal invasieve beoordeling van de harttoestand van een patiënt om de behandelingsopties beter te kunnen bepalen.

Dit verhaal is opnieuw gepubliceerd met dank aan IBM Research. Lees hier het originele verhaal.