Kranskärlssjukdom (CAD) är ett tillstånd där plack bildas på väggarna i kranskärlen, får dem att smala. Så småningom, detta kan leda till hjärtinfarkt, eller döden. Detta tillstånd är nu det enskilt största hälsoproblemet i världen, med över en miljon människor i USA som genomgår hjärtkateterisering - där en stent placeras i artären för att förhindra blockering - varje år.

För att förbättra diagnosens effektivitet, kliniker undersöker nya sätt att mäta artärblockering med hjälp av virtuell fraktionsflödesreserv (vFFR). vFFR innebär användning av röntgenangiogram och beräkningsvätskedynamik (CFD), en modelleringsmetod som kombinerar matematik och data för att förstå vätskornas rörelse och simulera blodflödet i kranskärlen. Denna simulering ersätter helt behovet av en tryckkabelkateter, ett krav för patienter som genomgår traditionell FFR, vilket betyder att patienter inte längre behöver genomgå hyperemiska injektioner.

Nuvarande tillämpningar av vFFR är begränsade, dock, eftersom det kan ta från flera timmar till dagar att slutföra en CFD -algoritmsimulering. För att effektivt använda vFFR för patienter, CFD -algoritmer måste ge både ett bredare utbud av potentiella blockerade artärer och möjligheten att beräkna en fullständig simulering på några minuter, utan att äventyra diagnosnoggrannheten.

I forskning som presenterades vid Computing in Cardiology Conference i september 2018, vårt team skisserade en ny metod för att förbättra vFFR-simuleringar med högpresterande datorer, matematik och data.

Dessa simuleringar måste köras på system avsedda för maskininlärning och djupinlärningsacceleration. För att möta den efterfrågan, IBM -forskare i Australien använder POWER9 -system, med Nvidia Tesla V100 grafikprocessorer (GPU), att utföra hemodynamiska simuleringar för vFFR-baserad diagnos inom en till två minuter. Så vitt vi vet, detta är den första applikationen i sitt slag som ska slutföras i nästan realtid.

Hastigheten vid bearbetning av modellimuleringarna, stöds av IBMs partnerskap med Nvidia, kan leda till betydande besparingar i manuellt arbete, infrastruktur och energieffektivitet för kliniker och sjukhus. Detta innebär också att läkare snabbare kan analysera tryckförlusten orsakad av stenos hos CAD -patienter, hjälper till att lindra den mentala bördan för patienter som väntar på testresultat.

Denna forskning är det senaste steget i vårt pågående arbete för att utveckla hur vi kan få en mer exakt och fullständig bild av hjärtat inre med biofysiska modeller och AI. Vårt hjärtforskningsgrupp har flera pågående initiativ för att bättre förstå hur vi kan förbättra hjärtövervakning på icke-invasiva sätt. Nyligen, vi publicerade forskning kring nya sätt att bygga och parameterisera mer exakta modeller av hjärtbiomekanik, där vi bättre kan utforska vad som händer i hjärtat på anatomisk och cellulär nivå.

Under det senaste året har Vi har också publicerat en studie som pekar på möjligheten att kombinera biofysiska modeller och maskininlärning för att hjälpa till att förutsäga och avgöra om ett läkemedel kan leda till negativa biverkningar i hjärtat, såsom hjärtarytmi. Helst, en dag kan alla dessa olika modelleringstekniker kunna tillämpas tillsammans för att ge kliniker en tydlig, minimalt invasiv bedömning av patientens hjärttillstånd för att bättre kunna bestämma behandlingsalternativ.

Denna berättelse publiceras på nytt med tillstånd av IBM Research. Läs den ursprungliga historien här.