La malattia coronarica (CAD) è una condizione in cui si forma la placca sulle pareti delle arterie coronarie, facendoli restringere. Infine, questo potrebbe portare a un attacco di cuore, o morte. Questa condizione è ora il singolo problema di salute più grande al mondo, con oltre un milione di persone negli Stati Uniti che si sottopongono a cateterizzazione cardiaca, in cui uno stent viene posizionato nell'arteria per prevenire il blocco, ogni anno.

Per contribuire a migliorare l'efficienza della diagnosi, i medici stanno esplorando nuovi modi per misurare il blocco dell'arteria utilizzando la riserva di flusso frazionale virtuale (vFFR). vFFR prevede l'uso di angiogrammi a raggi X e fluidodinamica computazionale (CFD), un metodo di modellazione che combina matematica e dati per comprendere il movimento dei fluidi e simulare il flusso sanguigno nelle arterie coronarie. Questa simulazione sostituisce completamente la necessità di un catetere a filo di pressione, un requisito per i pazienti sottoposti a FFR tradizionale, il che significa che i pazienti non sono più tenuti a sottoporsi a iniezioni di agenti iperemici.

Le attuali applicazioni di vFFR sono limitate, però, in quanto possono essere necessarie da diverse ore a giorni per completare una simulazione di algoritmo CFD. Per utilizzare efficacemente la vFFR per i pazienti, Gli algoritmi CFD devono fornire sia una gamma più ampia di potenziali arterie bloccate sia la capacità di calcolare una simulazione completa in pochi minuti, senza compromettere l'accuratezza diagnostica.

In una ricerca presentata alla Computing in Cardiology Conference nel settembre 2018, il nostro team ha delineato un nuovo approccio per migliorare le simulazioni vFFR utilizzando il calcolo ad alte prestazioni, matematica e dati.

Queste simulazioni devono essere eseguite su sistemi progettati per l'apprendimento automatico e l'accelerazione del deep learning. Per soddisfare tale richiesta, I ricercatori IBM in Australia utilizzano i sistemi POWER9, con unità di elaborazione grafica (GPU) Nvidia Tesla V100, per eseguire simulazioni emodinamiche per la diagnosi basata su vFFR entro uno o due minuti. Per quello che ci risulta, questa è la prima applicazione del suo genere ad essere completata quasi in tempo reale.

La velocità nell'elaborazione delle simulazioni del modello, supportato dalla partnership di IBM con Nvidia, potrebbe tradursi in un notevole risparmio di manodopera, infrastrutture ed efficienza energetica per medici e ospedali. Ciò significa anche che i medici potrebbero analizzare più rapidamente la perdita di pressione causata dalla stenosi nei pazienti CAD, aiutando ad alleviare il carico mentale per i pazienti in attesa dei risultati del test.

Questa ricerca è l'ultimo passo nel nostro lavoro in corso per evolvere come possiamo ottenere un quadro più accurato e completo del funzionamento interno del cuore con modelli biofisici e AI. Il nostro team di ricerca cardiaca ha diverse iniziative in corso per comprendere meglio come possiamo migliorare il monitoraggio cardiaco in modi non invasivi. Recentemente, abbiamo pubblicato ricerche su nuovi modi per costruire e parametrizzare modelli più accurati di biomeccanica cardiaca, dove siamo in grado di esplorare meglio cosa sta succedendo nel cuore a livello anatomico e cellulare.

Nell'ultimo anno, abbiamo anche pubblicato uno studio che indica il potenziale della combinazione di modelli biofisici e apprendimento automatico per aiutare a prevedere e determinare se un farmaco potrebbe portare a effetti collaterali negativi nel cuore, come l'aritmia cardiaca. Idealmente, un giorno tutte queste diverse tecniche di modellazione potranno essere applicate insieme per dare ai medici un quadro chiaro, valutazione minimamente invasiva dello stato cardiaco di un paziente per aiutare a determinare meglio le opzioni di trattamento.

Questa storia è stata ripubblicata per gentile concessione di IBM Research. Leggi la storia originale qui.