Возможности применения искусственного интеллекта при математическом моделировании коронарного кровотока

Обложка

Цитировать

Полный текст

Аннотация

Сердечно-сосудистые заболевания (ССЗ) являются ведущей причиной смертности и инвалидности во всем мире. Только в 2021 г. на ССЗ пришлось более 20 млн летальных исходов, что составляет примерно треть всех смертей в мире. Важным фактором, влияющим на уровень смертности от сердечно-сосудистых заболеваний, являются диагностические и терапевтические стратегии, используемые для лечения ишемической болезни сердца. Инвестиции в эту область за последние 25 лет привели к снижению уровня смертности от сердечно-сосудистых заболеваний в странах с высоким социально-демографическим индексом. Точная диагностика является первым шагом к выбору подходящего метода лечения.

Изучены данные литературы о возможности применения искусственного интеллекта и математического моделирования медицинских исследований, в частности коронароангиографии, для анализа и создания компьютерных программ по моделированию сердечно-сосудистых и эндоваскулярных оперативных вмешательств.

Осуществлен поиск отечественной и зарубежной литературы в поисковиках «Яндекс» и Googl, PUB.MED по ключевым словам: «коронароангиография», «искусственный интеллект», «математическое моделирование», «фракционный резерв кровотока», «3D-моделирование», «ишемическая болезнь сердца», «чрескожное коронарное вмешательство».

Практическое применение ИИ для создания математических моделей позволит реконструировать 3D-картины коронарных артерий, моделирование кровотока, что значительно оптимизирует лечение ишемической болезни сердца. Благодаря этому удастся эффективно планировать эндоваскулярные вмешательства в отсутствии самого пациента по его данным. Дальнейшее изучение этого вопроса сулит огромные перспективы для развития математического моделирования коронарного кровотока, принятия эффективных решений при проведении интервенционных вмешательств, что позволит уменьшить заболеваемость и смертность от сердечно-сосудистых заболеваний.

Об авторах

А. А. Породиков

Федеральный центр сердечно-сосудистой хирургии имени С.Г. Суханова

Email: faridun.azimov.98@list.ru
ORCID iD: 0000-0003-3624-3226

кандидат медицинских наук, сердечно-сосудистый хирург

Россия, г. Пермь

А. Н. Биянов

Федеральный центр сердечно-сосудистой хирургии имени С.Г. Суханова

Email: faridun.azimov.98@list.ru
ORCID iD: 0000-0002-9314-3558

кандидат медицинских наук, детский кардиолог

Россия, г. Пермь

В. Б. Арутюнян

Федеральный центр сердечно-сосудистой хирургии имени С.Г. Суханова

Email: faridun.azimov.98@list.ru
ORCID iD: 0000-0002-1730-9050

кандидат медицинских наук, сердечно-сосудистый хирург

Россия, г. Пермь

Ф. Ф. Азимов

Федеральный центр сердечно-сосудистой хирургии имени С.Г. Суханова

Автор, ответственный за переписку.
Email: faridun.azimov.98@list.ru
ORCID iD: 0009-0006-3286-6951

врач-стажер

Россия, г. Пермь

М. А. Барулина

Пермский государственный национальный исследовательский университет

Email: faridun.azimov.98@list.ru
ORCID iD: 0000-0003-3867-648X

доктор физико-математических наук, директор Физико-математического института

Россия, г. Пермь

Я. Н. Иванов

Пермский государственный национальный исследовательский университет

Email: faridun.azimov.98@list.ru
ORCID iD: 0000-0003-3974-9011

магистр Физико-математического института

Россия, г. Пермь

Список литературы

  1. Dornquast C., Kroll L.E., Neuhauser H.K., Willich S.N., Reinhold T., Busch M.A. Regional differences in the prevalence of cardiovascular disease. Dtsch Arztebl Int 2016; 113 (42): 704–11. doi: 10.3238/arztebl.2016.0704 PMID: 27866565
  2. Mensah G.A., Roth G.A., Fuster V. The global burden of cardiovascular diseases and risk factors: 2020 and beyond. J Am College. Cardiol. 2019; 74 (20): 2529–2532. doi: 10.1016/j.jacc.2019.10.009
  3. Roth G.A., Johnson C., Abajobir A. et al. Global, regional, and national burden of cardiovascular diseases for 10 causes, 1990 to 2015. J Am Coll. Cardiol. 2017; 70 (1): 1–25. doi: 10.1016/j.jacc.2017.04.052
  4. Townsend N., Wilson L., Bhatnagar P., Wickramasinghe K., Rayner M., Nichols M. Cardiovascular disease in Europe: Epidemiological update 2016. Eur Heart J 2016; 37 (42): 3232–45. doi: 10.1093/eurheartj/ehw334 PMID: 27523477
  5. Joseph P., Leong D., McKee M. et al. Reducing the global burden of cardiovascular disease, part 1: The epidemiology and risk factors. Circ Res 2017; 121 (6): 677–94. doi: 10.1161/CIRCRESAHA. 117.308903 PMID: 28860318
  6. Bonaca M.P., Wiviott S.D., Braunwald E. et al. American college of cardiology/American heart association/European society of cardiology/world heart federation universal definition of myocardial infarction classification system and the risk of cardiovascular death: Observations from the triton-timi 38 trial (trial to assess improvement in therapeutic outcomes by optimizing platelet inhibition with prasugrel-thrombolysis in myocardial infarction 38). Circulation 2012; 125 (4): 577–83. doi: 10.1161/CIRCULATIONAHA.111.041160 PMID: 22199016
  7. Di Carli M.F., Hachamovitch R. New technology for noninvasive evaluation of coronary artery disease. Circulation 2007; 115 (11): 1464–80. doi: 10.1161/CIRCULATIONAHA.106.629808 PMID: 17372188
  8. Collet C., Onuma Y., Sonck J. et al. Diagnostic performance of angiography-derived fractional flow reserve: A systematic review and Bayesian meta-analysis. Eur Heart J 2018; 39 (35): 3314–21. doi: 10.1093/eurheartj/ehy445 PMID: 30137305
  9. Collet C., Onuma Y., Sonck J. et al. Diagnostic performance of angiography-derived fractional flow reserve: A systematic review and Bayesian meta-analysis. Eur Heart J 2018; 39 (35): 3314–21. doi: 10.1093/eurheartj/ehy445 PMID: 30137305
  10. Liu X., Wang Y., Zhang H. et al. Evaluation of fractional flow reserve in patients with stable angina: Can CT compete with angiography? Eur Radiol 2019; 29 (7): 3669–77. doi: 10.1007/s00330-019-06023-z PMID: 30887203
  11. Ryan T.J. The coronary angiogram and its seminal contributions to cardiovascular medicine over five decades. Circulation 2002; 106 (6): 752–6. doi: 10.1161/01.CIR.0000024109.12658.D4 PMID: 12163439
  12. Wang K.T., Chen C.Y., Chen Y.T. et al. Improving success rates of percutaneous coronary intervention for chronic total occlusion at arural Hospital in East Taiwan. Int J Gerontol 2014; 8 (3): 157–61. doi: 10.1016/j.ijge.2013.12.004
  13. Sondagur A.R., Wang H., Cao Y., Lin S., Li X. Success rate and safety of coronary angiography and angioplasty via radial artery approachamong a Chinese population. J Invasive Cardiol 2014; 26 (6): 273–5. PMID: 24907084
  14. Nikolakopoulos I., Vemmou E., Karacsonyi J. et al. Latest developments in chronic total occlusion percutaneous coronary intervention. Expert Rev Cardiovasc Ther 2020; 15 (7): 415–26. doi: 10.1080/14779072.2020.1787153 PMID: 32594784
  15. Lee S.H., Cho J.Y., Kim J.S. et al. A comparison of procedural success rate and long-term clinical outcomes between in-stent restenosis chronic total occlusion and de novo chronic total occlusion using multicenter registry data. Clin Res Cardiol 2020; 109 (5): 628–37. doi: 10.1007/s00392-019-01550-7 PMID: 31552494
  16. Kosyakovsky L.B., Austin P.C., Ross H.J. et al. Early invasive coronary angiography and acute ischaemic heart failure outcomes. Eur Heart J 2021; 42 (36): 3756–66. doi: 10.1093/eurheartj/ehab423 PMID: 34331056
  17. Nerlekar N., Ha F.J., Verma K.P. et al. Percutaneous coronary intervention using drug-eluting stents versus coronary artery bypass grafting for unprotected left main coronary artery stenosis: A metaanalysis of randomized trials. Circ Cardiovasc Interv. 2016; 9 (12): e004729. doi: 10.1161/CIRCINTERVENTIONS.116.004729 PMID: 27899408
  18. Gao L., Liu Y., Sun Z., Wang Y., Cao F., Chen Y. Percutaneous coronary intervention using drug-eluting stents versus coronary artery bypass graft surgery in left main coronary artery disease an updated meta-analysis of randomized clinical trials. Oncotarget 2017; 8 (39): 66449–57. doi: 10.18632/oncotarget.20142 PMID: 29029526
  19. Thuijs D.J.F.M., Kappetein A.P., Serruys P.W. et al. Percutaneous coronary intervention versus coronary artery bypass grafting in patients with three-vessel or left main coronary artery disease: 10-year follow-up of the multicentre randomised controlled SYNTAX trial. Lancet 2019; 394 (10206): 1325–34. doi: 10.1016/S0140-6736(19)31997-X PMID: 31488373
  20. Spadaccio C., Benedetto U. Coronary Artery Bypass Grafting (CABG) vs. Percutaneous Coronary Intervention (PCI) in the treatment of multivessel coronary disease: quo vadis–a review of the evidences on coronary artery disease. Ann Cardiothorac Surg. 2018; 7 (4): 506–15. doi: 10.21037/acs.2018.05.17 PMID: 30094215
  21. Baykan A.O., Gür M., Acele A. et al. Predictors of successful percutaneous coronary intervention in chronic total coronary occlusions. Postepy Kardiol Interwencyjnej 2016; 1 (1): 17–24. doi: 10.5114/pwki.2016.56945 PMID: 26966445
  22. Cimen S., Gooya A., Grass M., Frangi A. Reconstruction of coronary arteries from X-ray angiography: A review. Medical Image Analysis 2016; 32. doi: 10.1016/j.media.2016.02.007
  23. Vukicevic A.M., Çimen S., Jagic N. et al. Three-dimensional reconstruction and NURBS-based structured meshing of coronary arteries from the conventional X-ray angiography projection images. Sci Rep 2018; 8: 1711. doi: 10.1038/s41598-018-19440-9
  24. Kass M., Witkin A., Terzopoulos D. Snakes: Active contour models. Int. J. Comput. Vis. 1988; 1 (4): 321–331. doi: 10.1007/bf00133570
  25. Xu C., Prince J.L. Generalized gradient vector flow external forces for active contours. Signal Process. 1998; 71: 131–9. doi: 10.1016/S0165-1684(98)00140-6
  26. Bappy D.M., Hong A., Choi E., Park J.-O., Kim C.-S. Automated three-dimensional vessel reconstruction based on deep segmentation and bi-plane angiographic projections. Comput. Med. Imaging Graph. 2021; 92: 101956. doi: 10.1016/j.compmedimag.2021.101956
  27. Iyer K., Nallamothu B.K., Figueroa C.A. et al. A multi-stage neural network approach for coronary 3D reconstruction from uncalibrated X-ray angiography images. Sci Rep 2023; 13: 17603. doi: 10.1038/s41598-023-44633-2
  28. Wang Y., Banerjee A., Choudhury R., Grau V. (). Deep Learning-based 3D Coronary Tree Reconstruction from Two 2D Non-simultaneous X-ray. Angiography Projections 2024; 07. doi: 10.48550/arXiv.2407.14616
  29. 29.Gruntzig A.R., Senning A., Siegenthaler W.E. Nonoperative dilatation of coronary- artery stenosis: percutaneous transluminal coronary angioplasty. N Engl J Med. 1979; 301: 61–68. doi: 10.1056/nejm197907123010201
  30. Fearon W.F., Nishi T., De Bruyne B. et al. Clinical outcomes and cost-effectiveness of fractional flow Reserve-guided percutaneous coronary intervention in patients with stable coronary artery disease: three-year follow-up of the FAME 2 trial (fractional flow Reserve versus angiography for multivessel evaluation). Circulation 2018; 137: 480–487. doi: 10.1161/circulationaha.117.031907
  31. Tonino P.A., De Bruyne B., Pijls N.H. et al. Fractional flow reserve versus angiography for guiding percutaneous coronary intervention. N Engl J Med. 2009; 360: 213–224. doi: 10.1056/NEJMoa0807611
  32. Knuuti J., Wijns W., Saraste A. et al. ESC guidelines for the diagnosis and management of chronic coronary syndromes: the task force for the diagnosis and management of chronic coronary syndromes of the European Society of Cardiology (ESC). Eur Heart J. 2019; 2019. doi: 10.1093/eurheartj/ehz425
  33. Gulati M., Levy P.D., Mukherjee D. et al. 2021 AHA/ACC/ASE/CHEST/SAEM/SCCT/ SCMR guideline for the evaluation and diagnosis of CHEST pain: executive summary: a report of the American College of Cardiology / American Heart Association joint committee on clinical practice guidelines. J Am Coll Cardiol. 2021; 78: 2218–2261. doi: 10.1016/j.jacc.2021.07.052
  34. Parikh R.V., Liu G., Plomondon M.E. et al. Utilization and outcomes of measuring fractional flow Reserve in Patients with Stable Ischemic Heart Disease. J Am Coll Cardiol. 2020; 75: 409–419. doi: 10.1016/j.jacc.2019.10.060
  35. Toth G.G., Toth B., Johnson N.P. et al. Revascularization decisions in patients with stable angina and intermediate lesions: results of the international survey on interventional strategy. Circ Cardiovasc Interv. 2014; 7: 751–759. doi: 10.1161/circinterventions.114.001608
  36. Meier B., Gruentzig A.R., Goebel N., Pyle R., von Gosslar W., Schlumpf M. Assessment of stenoses in coronary angioplasty. Inter- and intraobserver variability. Int J Cardiol. 1983; 3: 159–169. doi: 10.1016/0167-5273(83)90032-3
  37. Rutishauser W., Noseda G., Bussmann W.D., Preter B. Blood flow measurement through single coronary arteries by roentgen densitometry. Right coronary artery flow in conscious man. Am J Roentgenol Radium Ther Nucl Med. 1970; 109: 21–24. doi: 10.2214/ajr.109.1.21
  38. Tu S., Barbato E., K¨oszegi Z. et al. Fractional flow reserve calculation from 3- dimensional quantitative coronary angiography and TIMI frame count: a fast computer model to quantify the functional significance of moderately obstructed coronary arteries. JACC Cardiovasc Interv. 2014; 7: 768–777. doi: 10.1016/j.jcin.2014.03.004 PMID: 25060020
  39. Schuurbiers J.C., Lopez N.G., Ligthart J., et al. In vivo validation of CAAS QCA-3D coronary reconstruction using fusion of angiography and intravascular ultrasound (ANGUS). Catheter Cardiovasc Interv. 2009; 73: 620–626. doi: 10.1016/j.jcin.2014.03.004
  40. Migliavacca F., Petrini L., Massarotti P., Schievano S., Auricchio F., Dubini G. Stainless and shape memory alloy coronary stents: a computational study on the interaction with the vascular wall. Biomech. Model. Mechanobiol. 2004; 2: 205–217. doi: 10.1007/s10237-004-0039-6 PMID: 15029511
  41. Wu W., Wang W., Yang D., Qi M. Stent expansion in curved vessel and their interactions: a finite element analysis J. Biomech. 2007; 40: 2580–2585. doi: 10.1016/j.jbiomech.2006.11.009 PMID: 17198706
  42. Djukic T., Saveljic I., Pelosi G., Parodi O., Filipovic N. Numerical simulation of stent deployment within patient-specific artery and its validation against clinical data. Comput. Methods Progr. Biomed. 2019; 175: 121–127. doi: 10.1016/j.cmpb.2019.04.005 PMID: 31104701
  43. Djukic T., Saveljic I., Pelosi G., Parodi O., Filipovic N. A study on the accuracy and efficiency of the improved numerical model for stent implantation using clinical data. Comput. Methods Progr. Biomed. 2021; 207: Article 106196. doi: 10.1016/j.cmpb.2021.106196 PMID: 34091419

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. Параметры рентген-ангиографической установки

Скачать (14KB)
Метаданные

© Эко-Вектор, 2025


 


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».