A doença arterial coronariana (DAC) é uma condição em que a placa se forma nas paredes das artérias coronárias, fazendo com que eles se estreitem. Eventualmente, isso pode levar a um ataque cardíaco, ou morte. Esta condição é agora o maior problema de saúde do mundo, com mais de um milhão de pessoas nos EUA submetidas a cateterismo cardíaco - onde um stent é colocado na artéria para evitar o bloqueio - a cada ano.

Para ajudar a melhorar a eficiência do diagnóstico, os médicos estão explorando novas maneiras de medir o bloqueio da artéria usando a reserva de fluxo fracionada virtual (vFFR). vFFR envolve o uso de angiogramas de raios-X e dinâmica de fluidos computacional (CFD), um método de modelagem que combina matemática e dados para entender o movimento dos fluidos e simular o fluxo sanguíneo nas artérias coronárias. Esta simulação substitui completamente a necessidade de um cateter de fio de pressão, um requisito para pacientes submetidos a FFR tradicional, o que significa que os pacientes não precisam mais se submeter a injeções de agentes hiperêmicos.

As aplicações atuais de vFFR são limitadas, Contudo, já que pode levar de várias horas a dias para completar uma simulação de algoritmo CFD. Para usar efetivamente o vFFR para os pacientes, Os algoritmos CFD precisam fornecer uma gama mais ampla de artérias potencialmente bloqueadas e a capacidade de calcular uma simulação completa em questão de minutos, sem comprometer a precisão do diagnóstico.

Em pesquisa apresentada na Conferência de Computação em Cardiologia em setembro de 2018, nossa equipe delineou uma nova abordagem para melhorar as simulações vFFR usando computação de alto desempenho, matemática e dados.

Essas simulações precisam ser executadas em sistemas projetados para aprendizado de máquina e aceleração de aprendizado profundo. Para atender a essa demanda, Pesquisadores da IBM na Austrália estão usando sistemas POWER9, com unidades de processamento gráfico (GPUs) Nvidia Tesla V100, para realizar simulações hemodinâmicas para diagnóstico baseado em vFFR dentro de um a dois minutos. Para nosso conhecimento, este é o primeiro aplicativo desse tipo a ser concluído quase em tempo real.

A velocidade no processamento das simulações do modelo, apoiado pela parceria da IBM com a Nvidia, poderia se traduzir em uma economia considerável em trabalho manual, infraestrutura e eficiências de energia para médicos e hospitais. Isso também significa que os médicos podem analisar a perda de pressão causada pela estenose em pacientes com DAC mais rapidamente, ajudando a aliviar a carga mental dos pacientes que aguardam os resultados dos testes.

Esta pesquisa é a etapa mais recente em nosso trabalho contínuo para desenvolver como podemos obter uma imagem mais precisa e completa do funcionamento interno do coração com modelos biofísicos e IA. Nossa equipe de pesquisa cardíaca tem várias iniciativas em andamento para entender melhor como podemos melhorar o monitoramento cardíaco de maneiras não invasivas. Recentemente, publicamos pesquisas sobre novas maneiras de construir e parametrizar modelos mais precisos de biomecânica cardíaca, onde podemos explorar melhor o que está acontecendo dentro do coração em um nível anatômico e celular.

No ano passado, também publicamos um estudo que aponta para o potencial de combinar modelos biofísicos e aprendizado de máquina para ajudar a prever e determinar se um medicamento pode causar efeitos colaterais adversos no coração, como arritmia cardíaca. Idealmente, um dia, todas essas diferentes técnicas de modelagem podem ser aplicadas em conjunto para ajudar a dar aos médicos uma visão clara, avaliação minimamente invasiva do estado cardíaco de um paciente para ajudar a determinar melhor as opções de tratamento.

Esta história foi republicada por cortesia da IBM Research. Leia a história original aqui.