Combinando datos de IVUS + OCT, modelos biomecánicos y métodos de aprendizaje automático para la cuantificación precisa de la morfología de la placa coronaria y predicciones del grosor de la capa y del índice de estrés/strain
Autores: Lv, Rui; Wang, Liang; Maehara, Akiko; Matsumura, Mitsuaki; Guo, Xiaoya; Samady, Habib; Giddens, Don P.; Zheng, Jie; Mintz, Gary S.; Tang, Dalin
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Combinando datos de IVUS + OCT, modelos biomecánicos y métodos de aprendizaje automático para la cuantificación precisa de la morfología de la placa coronaria y predicciones del grosor de la capa y del índice de estrés/strain
Categoría
Ciencias de los Materiales
Subcategoría
Materiales para aplicaciones biomédicas
Palabras clave
Evaluación
Predicción
Placa vulnerable
IVUS
OCT
Estrés/deformación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 13
Citaciones: Sin citaciones
La evaluación y predicción de la progresión de placas vulnerables y el riesgo de ruptura son de suma importancia para el diagnóstico, manejo y tratamiento de enfermedades cardiovasculares y la posible prevención de eventos cardiovasculares agudos como infartos y accidentes cerebrovasculares. Sin embargo, la evaluación precisa de la vulnerabilidad de la placa y la predicción de sus cambios futuros requieren cuantificaciones precisas del grosor de la capa de la placa, componentes tisulares y estructura, así como cálculos de estrés/deformación mecánica. Se adquirieron datos de imágenes de ultrasonido intravascular (IVUS), tomografía de coherencia óptica (OCT) y angiografía con seguimiento de diez pacientes para obtener una morfología de placa precisa y confiable para la construcción del modelo. Se construyeron modelos de elementos finitos en tres dimensiones con cortes delgados para 228 cortes emparejados de IVUS + OCT para obtener datos de estrés/deformación de la placa para análisis. Se introdujeron índices cuantitativos de grosor de la capa de la placa y de estrés/deformación como índices de vulnerabilidad de la placa cuantitativos sustitutos (PVIs) y se empleó un método de aprendizaje automático (bosque aleatorio) para predecir cambios en los PVI con datos de seguimiento IVUS + OCT de pacientes reales como estándar de oro. Nuestros resultados de predicción mostraron que las precisiones óptimas de predicción para los cambios en el PVI de la capa (C-PVI), el PVI de estrés medio de la capa (meanS-PVI) y el PVI de deformación media de la capa (meanSn-PVI) fueron del 90.3% (AUC = 0.877), 85.6% (AUC = 0.867) y 83.3% (AUC = 0.809), respectivamente. Las mejoras en la precisión de predicción por la mejor combinación de predictores sobre el mejor predictor único fueron del 6.6% para C-PVI, 10.0% para mean S-PVI y 8.0% para mean Sn-PVI. Nuestros resultados demostraron el potencial de utilizar imágenes IVUS + OCT de múltiples modalidades para predecir de manera precisa y eficiente los cambios en el grosor de la capa de la placa y los índices de estrés/deformación. Combinar predictores mecánicos y morfológicos puede llevar a mejores precisiones de predicción.
Descripción
La evaluación y predicción de la progresión de placas vulnerables y el riesgo de ruptura son de suma importancia para el diagnóstico, manejo y tratamiento de enfermedades cardiovasculares y la posible prevención de eventos cardiovasculares agudos como infartos y accidentes cerebrovasculares. Sin embargo, la evaluación precisa de la vulnerabilidad de la placa y la predicción de sus cambios futuros requieren cuantificaciones precisas del grosor de la capa de la placa, componentes tisulares y estructura, así como cálculos de estrés/deformación mecánica. Se adquirieron datos de imágenes de ultrasonido intravascular (IVUS), tomografía de coherencia óptica (OCT) y angiografía con seguimiento de diez pacientes para obtener una morfología de placa precisa y confiable para la construcción del modelo. Se construyeron modelos de elementos finitos en tres dimensiones con cortes delgados para 228 cortes emparejados de IVUS + OCT para obtener datos de estrés/deformación de la placa para análisis. Se introdujeron índices cuantitativos de grosor de la capa de la placa y de estrés/deformación como índices de vulnerabilidad de la placa cuantitativos sustitutos (PVIs) y se empleó un método de aprendizaje automático (bosque aleatorio) para predecir cambios en los PVI con datos de seguimiento IVUS + OCT de pacientes reales como estándar de oro. Nuestros resultados de predicción mostraron que las precisiones óptimas de predicción para los cambios en el PVI de la capa (C-PVI), el PVI de estrés medio de la capa (meanS-PVI) y el PVI de deformación media de la capa (meanSn-PVI) fueron del 90.3% (AUC = 0.877), 85.6% (AUC = 0.867) y 83.3% (AUC = 0.809), respectivamente. Las mejoras en la precisión de predicción por la mejor combinación de predictores sobre el mejor predictor único fueron del 6.6% para C-PVI, 10.0% para mean S-PVI y 8.0% para mean Sn-PVI. Nuestros resultados demostraron el potencial de utilizar imágenes IVUS + OCT de múltiples modalidades para predecir de manera precisa y eficiente los cambios en el grosor de la capa de la placa y los índices de estrés/deformación. Combinar predictores mecánicos y morfológicos puede llevar a mejores precisiones de predicción.