La maladie coronarienne (CAD) est une condition dans laquelle la plaque se forme sur les parois des artères coronaires, les faisant rétrécir. Finalement, cela pourrait conduire à une crise cardiaque, ou la mort. Cette condition est maintenant le plus grand problème de santé dans le monde, avec plus d'un million de personnes aux États-Unis subissant un cathétérisme cardiaque - où un stent est placé dans l'artère pour empêcher le blocage - chaque année.

Pour aider à améliorer l'efficacité du diagnostic, les cliniciens explorent de nouvelles façons de mesurer le blocage des artères à l'aide de la réserve virtuelle de débit fractionnaire (vFFR). vFFR implique l'utilisation d'angiogrammes aux rayons X et de dynamique des fluides computationnelle (CFD), une méthode de modélisation qui combine les mathématiques et les données pour comprendre le mouvement des fluides et simuler le flux sanguin dans les artères coronaires. Cette simulation remplace complètement le besoin d'un cathéter à fil de pression, une exigence pour les patients subissant une FFR traditionnelle, ce qui signifie que les patients ne sont plus obligés de subir des injections d'agent hyperémique.

Les applications actuelles de vFFR sont limitées, cependant, car la simulation d'un algorithme CFD peut prendre de plusieurs heures à plusieurs jours. Pour utiliser efficacement vFFR pour les patients, Les algorithmes CFD doivent fournir à la fois une gamme plus large d'artères potentiellement bloquées et la capacité de calculer une simulation complète en quelques minutes, sans compromettre la précision du diagnostic.

Dans une recherche présentée à la conférence Computing in Cardiology en septembre 2018, notre équipe a présenté une nouvelle approche pour améliorer les simulations vFFR en utilisant le calcul haute performance, mathématiques et données.

Ces simulations doivent s'exécuter sur des systèmes conçus pour l'apprentissage automatique et l'accélération de l'apprentissage en profondeur. Pour répondre à cette demande, Les chercheurs d'IBM en Australie utilisent les systèmes POWER9, avec les unités de traitement graphique (GPU) Nvidia Tesla V100, pour effectuer des simulations hémodynamiques pour un diagnostic basé sur vFFR en une à deux minutes. A notre connaissance, il s'agit de la première application de ce type à être réalisée en temps quasi réel.

La rapidité de traitement des simulations de modèles, soutenu par le partenariat d'IBM avec Nvidia, pourrait se traduire par des économies considérables en travail manuel, infrastructure et efficacité énergétique pour les cliniciens et les hôpitaux. Cela signifie également que les cliniciens pourraient analyser plus rapidement la perte de pression causée par la sténose chez les patients coronariens, aider à alléger le fardeau mental des patients en attente des résultats des tests.

Cette recherche est la dernière étape de nos travaux en cours pour faire évoluer la manière dont nous pouvons obtenir une image plus précise et plus complète du fonctionnement interne du cœur avec des modèles biophysiques et l'IA. Notre équipe de recherche cardiaque a plusieurs initiatives en cours pour mieux comprendre comment nous pouvons améliorer la surveillance cardiaque de manière non invasive. Récemment, nous avons publié des recherches sur de nouvelles façons de construire et de paramétrer des modèles plus précis de biomécanique cardiaque, où nous pouvons mieux explorer ce qui se passe dans le cœur au niveau anatomique et cellulaire.

Au cours de la dernière année, nous avons également publié une étude qui souligne le potentiel de combiner des modèles biophysiques et l'apprentissage automatique pour aider à prédire et à déterminer si un médicament peut entraîner des effets secondaires indésirables dans le cœur, comme l'arythmie cardiaque. Idéalement, un jour, toutes ces différentes techniques de modélisation pourront être appliquées ensemble pour aider à donner aux cliniciens une vision claire, évaluation minimalement invasive de l'état cardiaque d'un patient pour aider à mieux déterminer les options de traitement.

Cette histoire est republiée avec l'aimable autorisation d'IBM Research. Lisez l'histoire originale ici.