Computational fluid dynamics indicators to improve cardiovascular pathologies

Abstract

In recent years, the study of computational hemodynamics within anatomically complex vascular regions has generated great interest among clinicians. The progress in computational fluid dynamics, image processing and high-performance computing haveallowed us to identify the candidate vascular regions for the appearance of cardiovascular diseases and to predict how this disease may evolve. Medicine currently uses a paradigm called diagnosis. In this thesis we attempt to introduce into medicine the predictive paradigm that has been used in engineering for many years. The objective of this thesis is therefore to develop predictive models based on diagnostic indicators for cardiovascular pathologies. We try to predict the evolution of aortic abdominal aneurysm, aortic coarctation and coronary artery disease in a personalized way for each patient. To understand how the cardiovascular pathology will evolve and when it will become a health risk, it is necessary to develop new technologies by merging medical imaging and computational science. We propose diagnostic indicators that can improve the diagnosis and predict the evolution of the disease more efficiently than the methods used until now. In particular, a new methodology for computing diagnostic indicators based on computational hemodynamics and medical imaging is proposed. We have worked with data of anonymous patients to create real predictive technology that will allow us to continue advancing in personalized medicine and generate more sustainable health systems. However, our final aim is to achieve an impact at a clinical level. Several groups have tried to create predictive models for cardiovascular pathologies, but they have not yet begun to use them in clinical practice. Our objective is to go further and obtain predictive variables to be used practically in the clinical field. It is to be hoped that in the future extremely precise databases of all of our anatomy and physiology will be available to doctors. These data can be used for predictive models to improve diagnosis or to improve therapies or personalized treatments.

En els últims anys, l'estudi de l'hemodinàmica computacional en regions vasculars anatòmicament complexes ha generat un gran interès entre els clínics. El progrés obtingut en la dinàmica de fluids computacional, en el processament d'imatges i en la computació d'alt rendiment ha permès identificar regions vasculars on poden aparèixer malalties cardiovasculars, així com predir-ne l'evolució. Actualment, la medicina utilitza un paradigma anomenat diagnòstic. En aquesta tesi s'intenta introduir en la medicina el paradigma predictiu utilitzat des de fa molts anys en l'enginyeria. Per tant, aquesta tesi té com a objectiu desenvolupar models predictius basats en indicadors de diagnòstic de patologies cardiovasculars. Tractem de predir l'evolució de l'aneurisma d'aorta abdominal, la coartació aòrtica i la malaltia coronària de forma personalitzada per a cada pacient. Per entendre com la patologia cardiovascular evolucionarà i quan suposarà un risc per a la salut, cal desenvolupar noves tecnologies mitjançant la combinació de les imatges mèdiques i la ciència computacional. Proposem uns indicadors que poden millorar el diagnòstic i predir l'evolució de la malaltia de manera més eficient que els mètodes utilitzats fins ara. En particular, es proposa una nova metodologia per al càlcul dels indicadors de diagnòstic basada en l'hemodinàmica computacional i les imatges mèdiques. Hem treballat amb dades de pacients anònims per crear una tecnologia predictiva real que ens permetrà seguir avançant en la medicina personalitzada i generar sistemes de salut més sostenibles. Però el nostre objectiu final és aconseguir un impacte en l¿àmbit clínic. Diversos grups han tractat de crear models predictius per a les patologies cardiovasculars, però encara no han començat a utilitzar-les en la pràctica clínica. El nostre objectiu és anar més enllà i obtenir variables predictives que es puguin utilitzar de forma pràctica en el camp clínic. Es pot preveure que en el futur tots els metges disposaran de bases de dades molt precises de tota la nostra anatomia i fisiologia. Aquestes dades es poden utilitzar en els models predictius per millorar el diagnòstic o per millorar teràpies o tractaments personalitzats.