Mesura de la reserva fraccional de flux coronari (FFR) mitjançant un model d'intel·ligència artificial
Visualitza/Obre
MemoriaTFG_Laura_Baldó.pdf (4,548Mb) (Accés restringit)
Sol·licita una còpia a l'autor
Què és aquest botó?
Aquest botó permet demanar una còpia d'un document restringit a l'autor. Es mostra quan:
- Disposem del correu electrònic de l'autor
- El document té una mida inferior a 20 Mb
- Es tracta d'un document d'accés restringit per decisió de l'autor o d'un document d'accés restringit per política de l'editorial
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/356967
Correu electrònic de l'autor99laurabcgmail.com
Tipus de documentTreball Final de Grau
Data2021-07-01
Condicions d'accésAccés restringit per decisió de l'autor
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
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.
MatèriesCardiology, Coronary arteries, Revascularization, Cardiologia, Artèries coronàries, Revascularització
TitulacióGRAU EN ENGINYERIA BIOMÈDICA (Pla 2009)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
MemoriaTFG_Laura_Baldó.pdf | 4,548Mb | Accés restringit |