PERSONALIZED MATHEMATICAL MODELS AS A DIAGNOSTIC AND PROGNOSTIC TOOL OF THE CLINICIAN

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The article, prepared on the basis of the author’s scientific report at a meeting of the Presidium of the Russian Academy of Sciences, presents the results of ten years of collaboration between mathematicians and clinicians in the course of interdisciplinary projects, as well as the results obtained within the framework of the recently completed Russian Science Foundation project “New Mathematical methods and technologies in topical problems of geophysics and biomechanics.” The results obtained will help in improving the diagnosis of coronary heart disease, patella hyperpression and cervical-brachial syndrome, as well as in planning operations for the reconstruction of the aortic valve and correction of congenital heart disease. Based on the accumulated experience in solving interdisciplinary problems, ways are proposed to improve the effectiveness of interaction between clinicians and mathematicians.

About the authors

Yu. V. Vassilevski

Marchuk Institute of Numerical Mathematics of the Russian Academy of Sciences; I.M. Sechenov First Moscow State Medical University (Sechenov University)

Author for correspondence.
Email: yuri.vassilevski@gmail.com
Moscow, Russia; Moscow, Russia

References

  1. Vassilevski Yu., Olshanskii M., Simakov S. et al. Personalized computational hemodynamics: models, methods, and applications for vascular surgery and antitumor therapy. Academic Press, 2020.
  2. Василевский Ю.В., Симаков С.С., Гамилов Т.М. и др. Персонализация математических моделей в кардиологии: трудности и перспективы // Компьютерные исследования и моделирование. 2022. №. 4. С. 911–930. Vassilevski Yu.V., Simakov S.S., Gamilov T.M. et al. Personalization of mathematical models in cardiology: obstacles and perspectives // Computer research and modeling. 2022, no. 4, pp. 911–930. (In Russ.)
  3. Новые математические методы и технологии в актуальных задачах геофизики и биомеханики. Карточка проекта, поддержанного РНФ. https://rscf.ru/prjcard_int?21-71-30023 New mathematical methods and technologies in topical problems of geophysics and biomechanics. A card of a project supported by the Russian Science Foundation. (In Russ.)
  4. Основные результаты деятельности лаборатории “Вычислительные технологии геофизики и биомеханики”. https://www.inm.ras.ru/research/biogeo/#5 The main results of the laboratory “Computational Technologies of Geophysics and Biomechanics” (In Russ.)
  5. Федеральная служба государственной статистики. https://rosstat.gov.ru/compendium/document/13269 Federal State Statistics Service. (In Russ.)
  6. Osnabrugge R.L.J. et al. Aortic stenosis in the elderly: Disease prevalence and number of candidates for transcatheter aortic valve replacement: A meta-analysis and modeling study // J. Am. Coll. Cardiol. 2013, vol. 62, no. 11, pp. 1002–1012.
  7. Du Y. et al. Natural history observations in moderate aortic stenosis // BMC Cardiovasc. Disord. 2021, vol. 21, no. 108, pp. 1–10.
  8. Фальковский Г.Э., Крупянко С.М. Сердце ребёнка. Книга для родителей о врождённых пороках сердца. М.: Никея, 2014. Falkovsky G.E., Krupyanko S.M. The heart of a child. A book for parents about congenital heart defects. Moscow: Nikea, 2014. (In Russ.)
  9. Smith B.E., Selfe J., Thacker D. et. al. Incidence and prevalence of patellofemoral pain: A systematic review and meta-analysis // PLoS One. 2018, vol. 13 (1), e0190892.
  10. Kamat Y., Prabhakar A., Shetty V., Naik A. Patellofemoral joint degeneration: A review of current management // J. Clin. Orthop. Trauma. 2021, vol. 24, 101690.
  11. Simon J. et al. Is there a neck-shoulder syndrome? // Glob. J. Anesth. Pain Med. 2019, vol. 1 (1), pp. 1–5.
  12. Pribicevic M. The epidemiology of shoulder pain: a narrative review of the literature // Pain in Perspective. InTech, 2012.
  13. Копылов Ф.Ю., Быкова А.А., Василевский Ю.В., Симаков С.С. Роль измерения фракционированного резерва кровотока при атеросклерозе коронарных артерий // Терапевтический архив. 2015. № 9. С. 106–113. Kopylov F.Yu., Bykova A.A., Vassilevski Yu.V., Simakov S.S. Role of measurement of fractional flow reserve in coronary artery atherosclerosis // Therapeutic archive (Terapevticheskiy arkhiv). 2015, no. 9, pp. 106–113. (In Russ.)
  14. Simakov S.S., Gamilov T.M., Liang F., Kopylov P.Yu. Computational analysis of haemodynamic indices in synthetic atherosclerotic coronary networks // Mathematics. 2021, no. 9, 2221.
  15. Vassilevski Yu.V., Gamilov T.M., Danilov A.A. et al. A web-based non-invasive estimation of fractional flow reserve (ffr): models, algorithms, and application in diagnostics // Trends in biomathematics: modeling epidemiological, neuronal, and social dynamics. BIOMAT-2022. Springer, Cham, 2023. Pp. 305–316.
  16. Danilov A.A., Gamilov T.M., Liang F. et al. Myocardial perfusion segmentation and partitioning methods in personalized models of coronary blood flow // Russian Journal of Numerical Analysis and Mathematical Modelling. 2023, vol. 38 (5), pp. 293–302.
  17. Gamilov T., Danilov A., Chomakhidze P. et. al. Computational analysis of hemodynamic indices in multivessel coronary artery disease in the presence of myocardial perfusion dysfunction // Computation. 2024, vol. 12 (6), 110.
  18. Ozaki S. Aortic valve reconstruction using self-developed aortic valve plasty system in aortic valve disease // Interact. Cardiovasc. Thorac. Surg. 2011, vol. 12 (4), pp. 550–553.
  19. Liogky A.A. Computational mimicking of surgical leaflet suturing for virtual aortic valve neocuspidization // Russian Journal of Numerical Analysis and Mathematical Modelling. 2022, vol. 37, no. 5, pp. 263–277.
  20. Liogky A.A. Numerical issues of patient-specific assessment of reconstructed aortic valve // Lobachevskii Journal of Mathematics. 2025, vol. 46, pp. 736–749.
  21. Liogky A.A., Karavaikin P.A., Salamatova V.Yu. Impact of material stiffness and anisotropy on coaptation characteristics for aortic valve cusps reconstructed from pericardium // Mathematics. 2021, no. 9, 2193.
  22. Vassilevski Yu.V., Liogky A.A., Salamatova V.Yu. Application of hyperelastic nodal force method to evaluation of aortic valve cusps coaptation: thin shell vs. membrane formulations // Mathematics. 2021, no. 9, 1450.
  23. Vassilevski Yu., Liogky A., Salamatova V. How material and geometrical nonlinearity influences diastolic function of an idealized aortic valve // Continuum Mech. Thermodyn. 2023, vol. 35, pp. 1581–1594.
  24. Каравайкин П.А., Лёгкий А.А., Данилов А.А. и др. Математическое моделирование замыкательной функции аортального клапана после неокуспидизации // Кардиология и сердечно-сосудистая хирургия. 2022. № 4. С. 369–376. Karavaikin P.A., Liogky A.A., Danilov A.A. et al. Numerical assessment of aortic valve coaptation after neo-cuspidation procedure // Russian Journal of Cardiology and Cardiovascular Surgery. 2022, vol. 15 (4), pp. 369–376. (In Russ.)
  25. Sergeyev Ya., Strongin R., Daniela L. Introduction to global optimization exploiting space-filling curves. Springer Science & Business Media, 2013.
  26. Dobroserdova T.K., Yurpolskaya L.A., Vassilevski Yu.V., Svobodov A.A. Patient-specific input data for predictive modelling of the Fontan procedure // Math. Model. Nat. Phenom. 2024, vol. 19, 16.
  27. Dobroserdova T.K., Vassilevski Yu.V., Simakov S.S. et al. Two-scale haemodynamic modelling for patients with Fontan circulation // Russian Journal of Numerical Analysis and Mathematical Modelling. 2021, vol. 36, no. 5, pp. 267–278.
  28. Isaev A.A., Dobroserdova T.K., Danilov A.A., Simakov S.S. Physically informed deep learning technique for estimating blood flow parameters in four-vessel junction after the Fontan procedure // Computation. 2024, vol. 12, 41.
  29. Dobroserdova T.K., Isaev A.A., Danilov A.A., Simakov S.S. Junction conditions for one-dimensional network hemodynamic model for total cavopulmonary connection using physically informed deep learning technique // Russian Journal of Numerical Analysis and Mathematical Modelling. 2024, vol. 39, no. 5, pp. 259–271.
  30. Seth A., Hicks J.L., Uchida T.K. et. al. OpenSim: Simulating musculoskeletal dynamics and neuromuscular control to study human and animal movement // PLoS Comput. Biol. 2018, vol. 14 (7), e1006223.
  31. Yurova A.S., Tyagunova A.I., Loginov F.B., Vassilevski Yu.V. et al. Patellar motion and dysfunction of its stabilizers in a biomechanical model of the knee joint // Sechenov Medical Journal. 2024, vol. 15 (1), pp. 47–60.
  32. Калинский E.Б., Юрова А.С., Лычагин А.В. и др. Биомеханическая модель надколенника в норме и при повреждении медиальной пателлофеморальной связки // Кафедра травматологии и ортопедии. 2024. № 2 (56). С. 45–52. Kalinskiy E.B., Yurova A.S., Lychagin A.V. et al. Biomechanical model of the patella in normal conditions and with rupture of the medial patellofemoral ligament // Department of Traumatology and Orthopedics. 2024, no. 2 (56), pp. 45–52. (In Russ.)
  33. Yurova A.S., Garkavi A.V., Lychagin A.V. et al. Automated personalization of biomechanical knee model // International Journal of Computer Assisted Radiology and Surgery. 2024, vol. 19, pp. 891–902.
  34. Yurova A.S., Salamatova V.Yu., Lychagin A.V., Vassilevski Yu.V. Automatic detection of attachment si- tes for knee ligaments and tendons on CT images // International Journal of Computer Assisted Radiology and Surgery. 2022, vol. 17 (2), pp. 393– 402.
  35. Yurova A.S., Gladkov A.O., Kalinsky E.B. et al. A biomechanical model for concomitant functioning of neck and shoulder: a pilot study // Sci. Rep. 2024, vol. 14, 31818.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».