ES2933276T3 - Modelado específico del paciente de parámetros hemodinámicos en arterias coronarias - Google Patents

Abstract

Se describen sistemas, métodos y medios legibles por computadora para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias. Los métodos de ejemplo pueden incluir la realización de simulaciones de dinámica de fluidos computacionales utilizando un modelo anatómico de arteria coronaria específico del paciente derivado de datos de imágenes médicas y condiciones límite específicas del paciente derivadas de una forma de onda de presión arterial registrada continuamente para determinar parámetros hemodinámicos específicos del paciente en las arterias coronarias de un paciente. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Modelado específico del paciente de parámetros hemodinámicos en arterias coronarias

Antecedentes

La enfermedad cardiovascular es la principal causa de muerte de hombres y mujeres en los Estados Unidos y representa no menos del 30 % de las muertes en todo el mundo. Aunque los avances médicos de los últimos años han aportado mejoras importantes en el diagnóstico y tratamiento de las enfermedades cardíacas, la incidencia de morbilidad y mortalidad prematuras sigue siendo elevada. Una de las razones de esto es la falta de estimaciones precisas de los parámetros específicos del paciente que caractericen con precisión la anatomía, fisiología y hemodinámica de las arterias coronarias, todos lo cual juega un papel importante en la evolución de la enfermedad cardiovascular.

En la práctica clínica se utilizan habitualmente técnicas basadas en la obtención de imágenes médicas (por ejemplo, angiografía por tomografía computarizada) para caracterizar la gravedad de la estenosis en las arterias coronarias. Sin embargo, estas técnicas solo proporcionan una evaluación anatómica, que a menudo es escasa para la toma de decisiones clínicas. En particular, la evaluación anatómica de la gravedad de la estenosis de la arteria coronaria a menudo deriva en una sobreestimación o subestimación, en cualquier caso, ambas no deseables. La sobreestimación de la gravedad de la estenosis puede hacer que se intervenga innecesariamente y que aparezca el consiguiente riesgo de reestenosis, mientras que la subestimación probablemente derivará en que no sea tratada. Una evaluación funcional precisa puede requerir mediciones de la presión y/o flujo que se realizan de forma invasiva.

Se han desarrollado varias técnicas basadas en dinámica de fluidos computacional (CFD) para evaluar funcionalmente una arteriopatía coronaria. Sin embargo, por lo general, se basan en geometrías simplificadas de las arterias coronarias con condiciones límite genéricas sacadas de datos a nivel poblacional. Esto hace que estas técnicas no sean adecuadas para la evaluación integral específica del paciente de una arteriopatía coronaria, tal como la evaluación de la gravedad de la estenosis en el caso de estenosis de la arteria coronaria.

Un ejemplo de dicho método se divulga en Chung JH, Lee KE, Nombre CW, Doh JH, Kim Hola, kwon ss, Cuña EB, Shin ES, (2017) Diagnostic Performance of a Novel Method for Fractional Flow Reserve Computed from Noninvasive Computed Tomography Angiography (NOVEL-FLOW Study), The American Journal of Cardiology, 120(3):362-368. Este estudio tenía como objetivo reducir la complejidad del método computacional, lo que derivó en una reducción del tiempo promedio para proporcionar resultados en 185 minutos. En dicho documento, las condiciones límite se calcularon utilizando formas de onda estimadas de la presión sanguínea derivadas del ajuste de una función obtenida desde estudios de simulación hasta datos experimentales, como la presión sanguínea sistólica, la presión sanguínea diastólica y la frecuencia cardíaca. El documento no divulga exactamente si los parámetros de presión sanguínea sistólica, presión sanguínea diastólica y frecuencia cardíaca se obtuvieron de forma no invasiva. El modelo 3D de las arterias coronarias se obtuvo de forma no invasiva mediante angiografía coronaria por tomografía computarizada (CCTA). El método ofrece una buena precisión en comparación con los métodos conocidos.

Un ejemplo de un método que implementa el cálculo de CFD y estudios invasivos se divulga en Kousera CA, nijjer s, tori r, Petraco R, es S, heno n, Hughes AD, Francisco D.P., monedas XY, Davies JE, (2014) Patient-specific coronary stenoses can be modeled using a combination of OCT and flow velocities to accurately predict hyperemic pressure gradients IEEE Transactions on Biomedical Engineering, 61(6):1902-1913. Este estudio tenía como objetivo proporcionar un estudio numérico específico del paciente que combinara los resultados de un método de reconstrucción de alta precisión (la tomografía de coherencia óptica (OCT)) con la angiografía y las formas de onda de presión y velocidad específicas del paciente. Las mediciones de angiografía, OCT y presión se realizaron mediante catéteres y, por tanto, de manera invasiva. Los autores de este estudio reconocieron las limitaciones del método derivadas de las mediciones invasivas y de la necesidad de manipular manualmente los datos, es decir, el método no estaba automatizado. Sin embargo, el presente documento no sugiere el uso de métodos de medición no invasivos. Las simulaciones obtenidas tuvieron buena correlación con los datos experimentales.

Breve descripción de los dibujos

La descripción detallada se expone con referencia a los dibujos adjuntos. Los dibujos se proporcionan únicamente con fines ilustrativos y simplemente representan realizaciones de ejemplo de la divulgación. Los dibujos se proporcionan para facilitar la comprensión de la divulgación y no deben interpretarse como limitantes de la amplitud, alcance o aplicabilidad de la divulgación. En los dibujos, la cifra o cifras más a la izquierda de un número de referencia identifican el dibujo en el que aparece el número de referencia por primera vez. El uso de los mismos números de referencia indica que son componentes similares, aunque no necesariamente tienen que ser idénticos o los mismos. Sin embargo, también se pueden usar números de referencia distintos para identificar componentes similares. Diversas realizaciones pueden utilizar elementos o componentes distintos a los ilustrados en los dibujos, y algunos elementos y/o componentes pueden no estar presentes en varias realizaciones. Dependiendo del contexto, el uso de terminología singular para describir un componente o elemento puede englobar un número plural de dichos componentes o elementos, y viceversa.

La figura 1 es un diagrama esquemático de un método para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias de acuerdo con una o más realizaciones de ejemplo de la divulgación. La figura 2 es un diagrama de bloques esquemático de un método para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias de acuerdo con una o más realizaciones de ejemplo de la divulgación.

La figura 3 es un ejemplo de registro de electrocardiograma de un paciente.

La figura 4 es un periodograma de Lomb-Scargle de ejemplo del ciclo cardíaco de un paciente.

La figura 5 es un esquema de un modelo de tres componentes para utilizar en la determinación de las condiciones límite de la circulación coronaria.

La figura 6 ilustra cuatro modelos diferentes de Windkessel, específicamente modelos de dos, tres, cuatro y cinco elementos de Windkessel (2WM, 3WM, 4WM, 5WM) aptos para su uso en un modelo de componentes del sistema circulatorio sanguíneo (BCS).

La figura 7 ilustra varios bloques funcionales (a-c) y un sistema de bloques múltiples de ejemplo (d) compuesto por un bloque funcional (b) para su uso en un modelo de componentes del sistema circulatorio sanguíneo (BCS).

La figura 8 ilustra un modelo de sistema circulatorio sanguíneo (BCS) que comprende elementos de circulación sistémica y pulmonar, y su relación con un componente HPV.

La figura 9 ilustra un bloque funcional de parámetros agrupados que comprende los parámetros de resistencia, inertancia y capacitancia (RLC) adecuados para su uso en un modelo de componentes del sistema circulatorio sanguíneo (BCS).

La figura 10 ilustra diagramas esquemáticos de (a) un circuito de volumen-presión de los ventrículos cardíacos, (b) presión aórtica representada en función del tiempo y (c) volumen ventricular representado en función del tiempo. La figura 11 ilustra un bloque funcional (a) y un modelo de componentes de volumen-presión (VPH) de todo el corazón (b).

La figura 12 es un gráfico que muestra el volumen y la presión del ventrículo cardíaco reconstruido específico del paciente durante cinco ciclos cardíacos.

La figura 13 ilustra un concepto de modelo general de flujo sanguíneo coronario (CBF).

La figura 14 ilustra seis modelos de ejemplo aptos para su uso en un modelo de componentes de flujo sanguíneo coronario (CBF).

La figura 15 ilustra cinco bloques funcionales diferentes (a)-(e) aptos para su uso en un modelo de flujo sanguíneo coronario (CBF) multicompartimental.

La figura 16 ilustra un conjunto de parámetros de un bloque funcional apto para su uso en un modelo de componentes de flujo sanguíneo coronario (CBF).

La figura 17 ilustra un modelo multicapa/multicompartimental de parámetros agrupados con parámetros descriptivos, apto para su uso en un modelo de componentes de flujo sanguíneo coronario (CBF).

La figura 18 ilustra en detalle un modelo de tres componentes para su uso en la determinación de las condiciones límite de la circulación coronaria que incluye: un componente del modelo del sistema circulatorio sanguíneo (BCS) (circulación pulmonar y sistémica), un componente del modelo de volumen-presión cardíaca (HPV) y un componente del modelo de flujo sanguíneo coronario (CBF).

La figura 19 es una malla en 3D de ejemplo de una porción del vaso sanguíneo de un paciente.

La figura 20 ilustra un esquema para determinar las condiciones límite de caudal de entrada y salida de la circulación coronaria.

La figura 21 es un diagrama de bloques esquemático de un método para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias usando una simulación en equilibrio de acuerdo con una o más realizaciones de ejemplo de la divulgación.

La figura 22 es un diagrama de bloques esquemático de un método para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias usando una simulación en equilibrio de acuerdo con una o más realizaciones de ejemplo de la divulgación.

La figura 23 es un diagrama de bloques esquemático de un método para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias usando una simulación transitoria de acuerdo con una o más realizaciones de ejemplo de la divulgación.

La figura 24 es un diagrama de bloques esquemático de un método para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias usando una simulación transitoria de acuerdo con una o más realizaciones de ejemplo de la divulgación.

La figura 25 es una curva de la característica operativa del receptor (ROC) que compara los resultados de la reserva fraccional de flujo (FFR) obtenidos utilizando una variante del modelo de tres componentes con los resultados en la vida real.

Descripción detallada

La presente divulgación se refiere, entre otras cosas, a dispositivos, sistemas, métodos, medios legibles por ordenador, técnicas y metodologías para el modelado no invasivo específico del paciente del flujo sanguíneo de la arteria coronaria a partir de datos de obtención de imágenes volumétricas y datos de presión arterial continua. Los datos volumétricos de las arterias coronarias de un paciente pueden capturarse utilizando técnicas de obtención de imágenes médicas no invasivas tales como angiografía por tomografía computarizada (CTA) o angiografía por resonancia magnética (MRA). Los datos volumétricos pueden usarse para crear un modelo anatómico de las arterias coronarias del paciente, apto para una simulación de la dinámica de fluidos computacional (CFD). Los datos de presión arterial continua pueden obtenerse utilizando técnicas no invasivas. Los datos de presión arterial continua pueden usarse para determinar las condiciones límite para la simulación de CFD. Las simulaciones de CFD específicas del paciente se pueden realizar utilizando el modelo anatómico de la arteria coronaria, determinándose las condiciones límite de entrada y salida a partir de los datos de presión arterial continua. Los parámetros hemodinámicos específicos del paciente en las arterias coronarias pueden obtenerse a partir de las simulaciones de CFD y pueden usarse para caracterizar/evaluar enfermedades cardiovasculares, tal como evaluar funcionalmente la estenosis en un paciente.

Se puede realizar una simulación de CFD utilizando un modelo anatómico de arteria coronaria específico del paciente creado a partir de los datos de obtención imágenes médicas y condiciones límite específicas del paciente obtenidas de los datos de presión arterial continua para determinar los parámetros hemodinámicos específicos del paciente en las arterias coronarias de un paciente. En realizaciones, se puede utilizar un modelo de tres componentes para determinar las condiciones límite del caudal de entrada de la arteria coronaria para la simulación de CFD. El modelo de tres componentes puede incluir un componente de sistema circulatorio sanguíneo (BCS) que describe la circulación sanguínea sistémica y pulmonar, un componente de volumen-presión de las cavidades cardíacas (HPV) que describe la relación entre la presión y el volumen ventricular o auricular, y un componente de flujo sanguíneo coronario (FSC) que describe la circulación sanguínea del árbol coronario. El modelo de tres componentes puede permitir la determinación de la forma de onda del caudal volumétrico en la entrada de las arterias coronarias del paciente. La forma de onda del caudal volumétrico determinada en la entrada de las arterias coronarias de un paciente puede usarse para determinar las condiciones límite del caudal de salida de la arteria coronaria para la simulación de CFD. Por ejemplo, la forma de onda del caudal volumétrico en la entrada de las arterias coronarias de un paciente puede usarse para determinar la forma de onda del caudal volumétrico en la salida de las arterias coronarias del paciente utilizando la ley de Murray o una ley de escala alométrica similar (véase Sherman T (1981) On connecting large vessels to small - the meaning of Murray’s law. Journal of General Physiology, 78(4):431-453).

El modelado específico del paciente del flujo sanguíneo de la arteria coronaria de acuerdo con esta divulgación puede utilizar técnicas que proporcionen ventajas frente a los métodos existentes. Por ejemplo, el modelo anatómico construido específico del paciente solo puede modelar las arterias coronarias del paciente. Es decir, el modelo anatómico construido específico del paciente puede no incluir, por ejemplo, la reconstrucción de la aorta del paciente o una estimación del volumen de la cavidad cardíaca. Esto puede reducir la complejidad numérica y el tiempo de simulación. Adicionalmente, las condiciones límite pueden obtenerse a partir de los datos de presión arterial continua medidos de forma no invasiva. Las ventajas de utilizar datos de presión para obtener las condiciones límite incluyen la facilidad con la que se puede medir la presión respecto a otros parámetros que normalmente se utilizan para determinar las condiciones límite (por ejemplo, velocidad, flujo másico) y la consistencia de las mediciones de presión, que no se ven viciadas por errores excesivos incluso cuando se miden de forma no invasiva y en una ubicación alejada del corazón.

A lo largo de esta divulgación, se hace referencia al modelado de arterias coronarias y del flujo sanguíneo de las arterias coronarias. Debe entenderse que las arterias coronarias pueden incluir no solo las dos arterias coronarias principales, sino también las ramas arteriales que dependen de ellas y cualquier placa que contengan, a menos que el contexto indique claramente lo contrario.

Las figuras 1 y 2 ilustran un método 100 para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias de acuerdo con una o más realizaciones de ejemplo de la divulgación. El método 100 se puede realizar dentro de un ordenador o un sistema informático.

Un ordenador puede incluir uno o más medios de almacenamiento legibles por ordenador no transitorios que almacenan instrucciones que, cuando son ejecutadas por un procesador, pueden realizar cualquiera de las acciones descritas en el presente documento para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias. El ordenador puede ser, o el sistema informático puede incluir, un ordenador de escritorio o portátil, un dispositivo móvil (por ejemplo, un smartphone), un sistema informático basado en la nube, un servidor, o cualquier otro ordenador. Un ordenador puede incluir un procesador, una memoria de solo lectura (ROM), una memoria de acceso aleatorio (RAM), un adaptador de entrada/salida (E/S) para conectar dispositivos periféricos (por ejemplo, un dispositivo de entrada, dispositivo de salida, dispositivo de almacenamiento, etc.), un adaptador de interfaz de usuario para conectar dispositivos de entrada, como un teclado, un ratón, una pantalla táctil y/u otros dispositivos, un adaptador de comunicaciones para conectar el ordenador a una red y un adaptador de pantalla para conectar el ordenador a una pantalla. La pantalla se puede utilizar para mostrar a un usuario cualquier parámetro hemodinámico calculado (por ejemplo, mostrar imágenes o modelos tridimensionales de las arterias coronarias de un paciente superpuestas a determinados parámetros hemodinámicos).

En la etapa 102, un sistema informático puede recibir los datos de la estructura anatómica específicos del paciente. Un sistema informático puede recibir los datos de la estructura anatómica específicos del paciente (por ejemplo, datos de imagen adquiridos por un TAC o un dispositivo de rayos X) a través de una red de comunicaciones y/o desde un medio de almacenamiento legible por ordenador.

Los datos de estructura anatómica específicos del paciente pueden ser imágenes en 2D o 3D (volúmenes) del sistema circulatorio de un paciente. Las imágenes pueden incluir al menos una parte o la totalidad de las arterias coronarias del paciente. Las imágenes pueden o no incluir otras estructuras anatómicas, como el corazón del paciente, la aorta y otras parecidas. Los datos de la estructura anatómica específicos del paciente se pueden obtener de forma no invasiva usando varias modalidades de obtención de imágenes médicas no invasivas. Por ejemplo, los datos pueden obtenerse mediante tomografía computarizada (TC), angiografía por tomografía computarizada (CTA), obtención de imágenes por resonancia magnética (IRM) o angiografía por resonancia magnética (ARM). Como alternativa, los datos de la estructura anatómica específicos del paciente se pueden obtener utilizando varios métodos de obtención de imágenes invasivos, como la angiografía rotacional, la angiografía dinámica o la angiografía por sustracción digital.

Los datos de la estructura anatómica específicos del paciente recibidos pueden ser preprocesados por un usuario y/o por el sistema informático antes de su uso posterior. El preprocesamiento puede incluir, por ejemplo, comprobar si hay errores de registro, inconsistencias o imprecisiones en los datos de la imagen capturada, comprobar si hay endoprótesis vasculares que se muestren en los datos de la imagen capturada, comprobar si hay otros artefactos que puedan impedir la visibilidad de las luces de las arterias coronarias, comprobar si hay un contraste suficiente entre las estructuras anatómicas (por ejemplo, la aorta, las principales arterias coronarias, otros vasos sanguíneos y otras partes del paciente). Durante el preprocesamiento, el usuario y/o el sistema informático pueden corregir ciertos errores o problemas con los datos. El preprocesamiento también puede incluir el uso de técnicas de procesamiento de imágenes en los datos de estructuras anatómicas específicos del paciente recibidos, para así preparar los datos para su uso en la generación de un modelo anatómico (por ejemplo, preparar los datos para la segmentación). El procesamiento de imágenes puede incluir, por ejemplo, ajustar los niveles de contraste entre diferentes estructuras anatómicas (por ejemplo, el corazón, la aorta, las arterias coronarias, otra vasculatura, placas ateroscleróticas, etc.) en las imágenes, suavizar las estructuras anatómicas (por ejemplo, aplicar un filtro de suavizado) y otras acciones similares.

En la etapa 104, un sistema informático puede recibir los datos fisiológicos específicos del paciente. Un sistema informático puede recibir los datos fisiológicos específicos del paciente a través de una red de comunicaciones y/o desde un medio de almacenamiento legible por ordenador.

Los datos fisiológicos específicos del paciente pueden incluir datos continuos de la presión arterial (por ejemplo, una forma de onda de presión sanguínea registrada de manera continua). La presión arterial continua varía con el tiempo y se mide en tiempo real sin interrupciones (por ejemplo, de manera continua). En algunas realizaciones, se puede obtener una forma de onda de presión sanguínea registrada de manera continua durante un período de tiempo de aproximadamente un (1) minuto o un período de tiempo en un intervalo de un (1) minuto a dos (2) minutos, aunque se pueden utilizar otros periodos de tiempo continuos. Los datos de presión arterial continua se pueden obtener sin un procedimiento percutáneo (por ejemplo, de forma no invasiva). Por ejemplo, los datos se pueden obtener utilizando un monitor Nexfin™, un monitor ClearSight™, un monitor CNAP™, un monitor Finapres® NOVA o sistemas sucesores (por ejemplo, los monitores Finometer® y Portapres®) u otros dispositivos similares no invasivos de medición continua de la presión arterial. Como alternativa, los datos de la presión arterial continua se pueden obtener utilizando varios métodos invasivos, como el cateterismo arterial. Los datos de presión arterial continua pueden someterse a procesamiento de datos (por ejemplo, procesamiento de señales) para preparar los datos para su uso en la determinación de las condiciones límite para una simulación de CFD y/o simulación de inundación de sangre en un modelo anatómico utilizando CFD. Por ejemplo, las señales de presión pueden extraerse de los datos de presión arterial continua.

Los datos fisiológicos específicos del paciente pueden incluir datos fisiológicos distintos a los datos de presión arterial continua, como la actividad eléctrica del corazón del paciente, la frecuencia cardíaca de referencia, la altura, el peso, el hematocrito, el volumen sistólico y otros similares. En términos generales, cualquier dato fisiológico puede someterse al procesamiento de datos (por ejemplo, procesamiento de señales) para preparar los datos para su uso en la determinación de las condiciones límite para una simulación de CFD y/o simulación de inundación de sangre en un modelo anatómico utilizando CFD.

Los datos fisiológicos pueden incluir, por ejemplo, un registro continuo de una señal de electrocardiografía (ECG) del paciente, ejemplo de lo cual se muestra en la figura 3. La señal de ECG se puede utilizar para reconstruir directamente los parámetros temporales del ciclo cardíaco, como la variabilidad de la frecuencia cardíaca (por ejemplo, un intervalo RR). En el ejemplo de la figura 3, el intervalo RR promedio calculado para el registro del paciente es de 0,897 s. El intervalo RR se puede utilizar, por ejemplo, para determinar las condiciones límite para una simulación de CFD.

Los datos fisiológicos pueden incluir, por ejemplo, el transcurso de la presión aórtica. El transcurso de la presión aórtica se puede utilizar para determinar indirectamente los parámetros temporales del ciclo cardíaco cuando la señal de ECG de un paciente no está disponible, aunque resulta un poco menos preciso que el ECG. Se puede usar un algoritmo de Lomb-Scargle para construir un periodograma de Lomb-Scargle del ciclo cardíaco de un paciente a partir del transcurso de la presión aórtica, ejemplo de lo cual se muestra en la figura 4. El algoritmo de Lomb-Scargle puede usarse para hallar y analizar la significación de señales periódicas débiles con muestreo temporal desigual (Véase ownsend RHD (2010) Fast calculation of the Lomb-Scargle periodogram using graphics processing units. The Astrophysical Journal, Supplement Series, Vol. 191, 247-253). En el ejemplo de la figura 4, el intervalo RR calculado para el registro de presión del paciente mediante el algoritmo de Lomb-Scargle es de 0,901 s. El intervalo RR calculado con el algoritmo de Lomb-Scargle es ligeramente distinto al intervalo RR determinado a partir de los datos del ECG, pero la diferencia es inferior al 0,5 %.

En la etapa 106, un sistema informático puede generar un modelo anatómico específico del paciente de las arterias coronarias del paciente a partir de los datos de la estructura anatómica específicos del paciente recibidos. El modelo anatómico específico del paciente puede ser un modelo geométrico en 3D de las arterias coronarias del paciente. El modelo anatómico construido específico del paciente solo puede modelar las arterias coronarias del paciente. Es decir, el modelo anatómico construido específico del paciente puede no incluir, por ejemplo, la reconstrucción del corazón del paciente, la aorta, la vasculatura no relacionada con la arteria coronaria u otros tejidos.

Los datos de la estructura anatómica específicos del paciente recibidos (por ejemplo, las imágenes anatómicas) pueden incluir regiones de densidad óptica variable que corresponden a diferentes estructuras anatómicas como la aorta, las principales arterias coronarias, las ramas de las arterias coronarias, el miocardio y otras similares. Las ubicaciones de las superficies de las estructuras anatómicas pueden determinarse en función del contraste (por ejemplo, la oscuridad y brillo relativos) entre diferentes estructuras anatómicas. El contraste entre estructuras anatómicas también puede permitir el modelado selectivo de ciertas características anatómicas (por ejemplo, de las arterias coronarias) mientras se excluyen otras características anatómicas del modelo generado (por ejemplo, el corazón).

El proceso de formación del modelo anatómico específico del paciente generalmente se denomina segmentación. El sistema informático puede realizar automáticamente la segmentación con o sin entradas de usuario. Para generar el modelo anatómico específico del paciente, las arterias coronarias pueden segmentarse en los datos de la estructura anatómica específicos del paciente usando cualquier método de segmentación de arteria coronaria adecuado. Los métodos para generar un modelo anatómico de las arterias coronarias de un paciente (por ejemplo, los métodos de segmentación de la arteria coronaria) se describen, por ejemplo, en las solicitudes de patente de EE. UU. n.22010/006776 y 2012/0072190 y las patentes de EE. UU. n.27.860.290, 7.953.266 y 8.315.812, cuyo contenido completo se incorpora en el presente documento por referencia para todos los fines. Las arterias coronarias segmentadas se pueden corregir y/o revisar con el sistema informático y/o lo puede hacer un usuario, si es necesario (por ejemplo, para corregir la segmentación si hay algún error, como arterias coronarias faltantes o poco precisas o ramas que se extienden desde estas).

El modelo anatómico específico del paciente (por ejemplo, el modelo geométrico en 3D) puede representarse como una malla de superficie. La malla de superficie puede representar el límite externo de estructuras segmentadas, de modo que su forma se representa como un conjunto de vértices conectados (por ejemplo, una malla). Al usar esta representación, se pueden imponer restricciones de forma utilizando métricas o estadísticas de forma basadas en malla. Un modelo deformable, tal como un modelo de malla activa (Active Mesh Modelo AMM) (véanse Dufour, A. et al., Segmenting and tracking fluorescent cells in dynamic 3-D microscopy with coupled active surfaces. IEEE Transactions on Image Processing, 14(9), 1396-1410, 2005; Dufour, A. et al., J.-C. 3-D active meshes: fast discrete deformable models for cell tracking in 3-D time-lapse microscopy. IEEE Transactions on Image Processing, 20(7), 1925-1937, 2011), puede ser un punto de partida para crear el modelo anatómico específico del paciente. El AMM es una extensión en 3D del modelo de contorno activo (ACM) utilizado en técnicas de análisis de imágenes (véase Kass, M. et al., Active contour models. Int. J. of Computer Vision 1(4), 321-331,1988). En los métodos basados en AMM, las estructuras segmentadas pueden representarse como superficies cerradas (frentes, mallas) que crecen con una velocidad calculada a partir de datos que dependen de la imagen y propiedades geométricas que no dependen de la imagen.

En realizaciones, el proceso para formar el modelo anatómico específico del paciente puede incluir, por ejemplo, la segmentación de placas visibles en arterias coronarias usando un método basado en AMM, la selección a través de un ordenador y/o puntos radiculares de usuario (por ejemplo, puntos de partida) para las arterias coronarias izquierda y derecha, la segmentación de las arterias coronarias mediante el método basado en AMM y puntos radiculares seleccionados, y la verificación y/o corrección de la geometría de las placas y arterias segmentadas.

Después de la segmentación, un usuario y/o un sistema informático pueden procesar posteriormente el modelo anatómico específico del paciente para preparar el modelo para simulaciones de CFD. Esto puede incluir, por ejemplo, determinar las líneas centrales de las arterias coronarias y sus ramas, determinar las áreas transversales de las arterias coronarias y sus ramas, crear modelos de límites de caudal de entrada (por ejemplo, los límites a través de los cuales el flujo entra en las arterias coronarias) y los límites de caudal de salida (por ejemplo, los límites a través de los cuales el flujo sale de las arterias coronarias y/o las ramas de las arterias coronarias) de modo que los límites del caudal de entrada y los límites del caudal de salida sean perpendiculares a las líneas centrales determinadas, lo que permite la aplicación de condiciones límite y la suavización del modelo (por ejemplo, suavizar las crestas, puntos, etc.). Si fuera necesario, el procesamiento posterior del modelo anatómico específico del paciente puede ser revisado y/o corregido por el sistema informático y/o el usuario.

En la etapa 108, un sistema informático puede determinar las condiciones límite para una simulación de dinámica de fluidos computacional (CFD) del flujo sanguíneo en el modelo anatómico. Al menos algunas de las condiciones límite pueden determinarse utilizando los datos fisiológicos específicos del paciente recibidos, tal como los datos de presión arterial continua recibidos. Las condiciones límite pueden incluir las condiciones límite del caudal de entrada y salida de la circulación coronaria.

Puede utilizarse un modelo de tres componentes, ilustrado en la figura 5, para determinar las condiciones límite de la circulación coronaria. El modelo de tres componentes puede incluir un componente de sistema circulatorio sanguíneo (BCS) que describe la circulación sanguínea sistémica y pulmonar, un componente de volumen-presión cardíaca (VPH) que describe un circuito de volumen-presión cardíaca, y un componente de flujo sanguíneo coronario (FSC) que describe la circulación sanguínea de las arterias coronarias (Véase la figura 5). Cada uno de los componentes de BCS, HPV y CBF se pueden seleccionar a partir de varios modelos de cada componente, que se analizan con más detalle a continuación. El modelo de tres componentes puede tomar como entrada la forma de onda de presión psa(t), que puede obtenerse del registro continuo específico del paciente de la presión arterial (por ejemplo, los datos de presión arterial continua específicos del paciente). En la figura 18 se muestra una realización de ejemplo de un modelo de tres componentes.

El modelo de tres componentes se puede utilizar para determinar directamente las condiciones límite del caudal de entrada, tal como la forma de onda del caudal volumétrico en la entrada de las arterias coronarias del paciente (véase la figura 20). El modelo de tres componentes se puede utilizar para determinar indirectamente las condiciones límite del flujo de salida, como la forma de onda del caudal volumétrico en la salida de las arterias coronarias del paciente (véase la figura 20). Por ejemplo, la forma de onda del caudal volumétrico en la entrada de las arterias coronarias del paciente se puede usar para determinar la forma de onda del caudal volumétrico en la salida de las arterias coronarias del paciente usando una ley de escala alométrica (ALS) como la ley de Murray, que describe una relación entre el flujo sanguíneo y el radio del vaso (véanse la figura 20 y Freund J. et al., (2012) Fluid flows and forces in development: functions, features and biophysicalprincipies. Development, 139(7):1229-1245; Newberry M et al., VM (2015) Testing foundations of biologicalscaling theory using automated measurements of vascularnetworks. Public Library of Science Computational Biology, 11(8):e1004455; Sherman T (1981) On connecting large vessels to small - the meaning of murray’s law. Journal of General Physiology, 78(4):431-453; Algranati D et al. (2010) Mechanisms of myocardiumcoronary vesselinteraction. American Journal of Physiology. Heart and Circulatory Physiology, Vol. 298, n.° 3, H861-H873). Según la ley de Murray, el flujo sanguíneo es proporcional a r3 en cada vaso de un sistema Murray.

El componente de sistema circulatorio sanguíneo (SBC) describe la circulación sanguínea sistémica y pulmonar. La circulación sanguínea se puede modelar, por ejemplo, usando un bloque funcional agrupado de Windkessel (2WM, 3WM, 4WM, 5WM) de dos, tres, cuatro o cinco elementos, que se muestran en la figura 6 (véanse Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Li J K-J (2000) The Arterial Circulation. Physical Principles and Clinical Applications, Springer, New York; Ostadfar A (2016) Biofluid mechanics. Principles and applications. Elsevier; Pappano A et al. (2013) Cardiovascular physiology. Elsevier; Stergiopulos N et al. (1996) Determinants of stroke volume and systolic and diastolic aortic pressure. American Journal of Physiology, Vol. 270, n.° 6, Pt.2, H2050-H2059; Westerhof N et al. (2009) The arterial windkessel. Medical & Biological Engineering & Computing, Vol. 47, n.° 2, 131-141; Zamir M (2005) The physics of coronary blood flow. Springer-Verlag). En una realización preferida se puede modelar la circulación pulmonar y sistémica utilizando uno de los modelos de parámetros agrupados que se muestran en la figura 7, mientras que la circulación sanguínea general se puede modelar usando un modelo multicompartimental que se muestra en la figura 8.

En una realización, el componente del modelo del sistema circulatorio sanguíneo (por ejemplo, el modelo de circulación sistémica y pulmonar) se basa en un bloque funcional RLC de parámetros agrupados de resistencia (R) - inertancia (L) - capacitancia (C) mostrado en la figura 9. En el bloque funcional de parámetros agrupados de la figura 9, las entradas del bloque (dentro) y salida (fuera) están relacionados en el tiempo (t):

r d p dentro ,

Vdentro C ^ Afuera ,

Qfu

Pdentro P ' A fuera L _{d t} ' P fu

donde: q es el caudal y p es la presión de la sangre que fluye en un compartimento seleccionado. Como se muestra en la figura 8, un modelo de circulación pulmonar contiene tres compartimentos en forma de arterias (C=Cpa, R=Rpa, L=Lpa), reservorio pulmonar (C=0, R=Rpr, L=0) y venas (C=Cpv, R=Rpv, L=0), lo que deriva en seis ecuaciones (3 x 2 = 6). El modelo de circulación sistémica contiene cinco compartimentos, en concreto, la aorta (C=Csa, R=Rsa, L=Lsa), las arterias conductoras proximales (C=Csp, R=Rsp, L=Lsp), las arterias musculares distales (C=Csd, R=Rsd, L=0), el reservorio sistémico (C=0, R=Rsr, L=0) y las venas (C=Csv, R=Rsv, L=0), lo que deriva en diez ecuaciones (5x2=10). El sistema resultante de dieciséis ecuaciones se puede resolver numéricamente.

El componente de volumen-presión cardíaca (VPH) del ventrículo o de la aurícula describe un circuito de volumenpresión cardíaca. El ciclo cardíaco consiste en cuatro fases, como se muestra en la figura 10 (véanse Barrett KE et al. (2016) Ganong's review of medical physiology, McGraw-Hill; Mohrman D et al. (2013) Cardiovascular physiology. McGraw-Hill, Lange, New York; Pappano A et al. (2013) Cardiovascular physiology. Elsevier). Se pueden usar muchos modelos diferentes para las fases sistólica y diastólica isovolumétrica, como por ejemplo, un modelo de elastancia variable en el tiempo (TVE), un modelo de distensibilidad variable en el tiempo (TVC) u otros modelos (véanse Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Lankhaar JW et al. (2009) Modeling the instantaneous pressure-volume relation of the left ventricle: a comparison of six models. Annals of biomedical engineering, Vol. 37, n.° 9, 1710-1726; Stergiopulos N et al. (1996) Determinants of stroke volume and systolic and diastolic aortic pressure. American Journal of Physiology, Vol. 270, n.° 6, Pt.2, H2050-H2059). La figura 11 ilustra un bloque funcional para construir un modelo (a) de componentes de volumen-presión (HPV) de las cavidades cardíacas; y un modelo de componentes de volumen-presión (VPH) multicompartimental de todas las cavidades cardíacas (b). En una realización preferida, el componente volumenpresión (HPV) utiliza un modelo basado en la idea de la elastancia variable E(t) como recíproco de la distensibilidad, que puede escribirse con la forma:

1 dp

E ( t — C ( t )—dV

La presión en una cavidad cardíaca durante la fase isovolumétrica puede describirse con la ecuación:

p(t) = E(t) ■ (V(t) - V⁰).

donde V(t) es el volumen de la cavidad cardíaca y Vo es la intersección del volumen.

La elastancia se puede calcular en función de la convolución de una función de Archibald Hill f¡ (tn) = tn i /(a (11 t™), que puede escribirse con la forma:

E n ( t n ) = EE( t n ) _ E mín — A ■ ( f ' ( t n ) • ( l _ f 2 ( t n ) ) ]

E máx E m\n

donde:

t n = t '^ m á x _ t @ E ( t ) — Emáx,

t máx

y Ti es la duración del ciclo cardíaco según un intervalo RR, que puede determinarse mediante ECG o estimarse a partir del transcurso de la presión aórtica. Los valores habituales de los parámetros empíricos del modelo de elastancia variable en el tiempo se proporcionan en la siguiente tabla (véanse Stergiopulos N et al. (1996) Determinants of stroke volume and systolic and diastolic aortic pressure. American Journal of Physiology, Vol. 270, n.° 6, Pt.2, H2050-H2059; Faragallah G et al. (2012) A new control system for left ventricular assist devices based on patient-specific physiological demand. Inverse Problems in Science and Engineering, Vol. 20, n.° 5, 721-734).

Un modelo de elastancia variable en el tiempo solo puede usarse durante las fases isovolumétricas de un ciclo cardíaco. Para las otras dos fases del ciclo cardíaco (figura 10), el volumen sanguíneo se acumula parcialmente en la aurícula mientras que el resto, seguido por el gradiente de presión transvalvular, sale. Por lo tanto, el equilibrio del caudal auricular se puede describir como:

dpp

q ^_ r dp ^{sv _}

^sv — ^{C3 4} ^ + R ^t , R ^pv — ^_

_dt ' Rm,

y de igual manera, el caudal ventricular se puede describir como:

De manera simultánea, el flujo transvalvular se puede describir como:

( P w - Vl v ) l l ( „ ^ „ (P lV - P sa ) ,

Rm n 9 ( p pv p LV) ’ Rsa p 9 ( p LV p sa~)’

k la k lv

donde H es la función del escalón de Heaviside.

En realizaciones, se puede utilizar un procedimiento de calibración específico del paciente (PSC) para la estimación óptima de los parámetros de los modelos HPV y BCS. El procedimiento puede incluir: (i) determinar las aproximaciones iniciales de los parámetros del modelo a partir de los niveles de presión sistólica y diastólica del paciente, género, edad y frecuencia cardiaca (FC) (véanse Barrett KE et al. (2016) Ganong's review of medicalphysiology, McGraw-Hill; Li J K-J (2000) The Arterial Circulation. Physical Principies and Clinical Applications, Springer, New York; Pappano A et al. (2013) Cardiovascular physiology. Elsevier; Zamir M (2005) The physics of coronary blood flow. Springer-Verlag; Maceira AM et al. (2006) Reference right ventricular systolic and diastolic function normalized to age, gender and body surface area from steady-state free precession cardiovascular magnetic resonance. European Heart Journal, Vol. 27, número 23, páginas 2879-2888; Maceira AM et al. (2006) Normalized left ventricular systolic and diastolic function by steady state free precession cardiovascular magnetic resonance. Journal of Cardiovascular Magnetic Resonance, Vol.

8, número 3, 417-426), (ii) hacer correcciones en función de información adicional, incluidos el tabaquismo, deporte y consumo de drogas (véanse Tsanas A et al. (2009) The Windkessel model revisited: a qualitative analysis of the circulatory system. Medical Engineering & Physics, Vol. 31, número 5, 581-588), (iii) resolver los modelos (HPV BCS) y (iv) y calibrar los parámetros ajustándolos a la presión calculada y al registro instantáneo de la presión del paciente. De esta forma, se puede utilizar un modelo de elastancia variable en el tiempo (por ejemplo, aplicado en el modelo HPV) junto con un modelo de circulación (BCS) para reconstruir los volúmenes instantáneos ventriculares izquierdo y derecho del corazón (V) y el transcurso de las presiones internas (pv) utilizando la presión aórtica registrada de un paciente (psa), como se muestra en la figura 12.

El componente de flujo sanguíneo coronario (FSC) describe la circulación sanguínea de la arteria coronaria y se muestra, en general, en la figura 13. El componente CBF se obtiene a partir de varias conclusiones extraídas de los hallazgos fisiológicos (véanse Epstein S et al. (2015) Reducing the number of parameters in ID arterial blood flow modeling: less is more for patient-specific simulations. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 309, n.° 1, H222-H234; Kheyfets VO et al. (2016) A zero-dimensional model and protocol for simulating patient-specific pulmonary hemodynamics from limited clinical data. Journal of Biomechanical Engineering, Vol. 138, número 12,1-8; Maruyama Y et al. (1994) Recent advances in coronary circulation. Springer-Verlag, Berlín and Heidelberg; Mohrman D et al. (2013) Cardiovascular physiology. McGraw-Hill, Lange, New York; Ostadfar A (2016) Biofluid mechanics. Principles and applications. Elsevier; Pappano A et al. (2013) Cardiovascular physiology. Elsevier; Zamir M (2005) The physics of coronary blood flow. Springer-Verlag; Algranati D et al. (2010) Mechanisms of myocardium-coronary vessel interaction. American Journal of Physiology. Heart and Circulatory Physiology, Vol. 298, n.° 3, H861-H873; Mynard JP et al. (2014) Scalability and in vivo validation of a multiscale numerical model of the left coronary circulation. American Journal of Physiology. Heart and Circulatory Physiology, Vol. 306, n.° 4, H517-H528; Westerhof N et al. (2006) Cross-talk between cardiac muscle and coronary vasculature. Physiological Reviews, Vol.

86, n.° 4, 1263-1308), que incluyen: (i) el factor principal que empuja el flujo en las arterias coronarias es la presión instantánea en la aorta psa(t); (ii) una interacción miocardio cardíaco-vaso coronario provoca una presión opuesta a psa(t) con el efecto de estrangular o incluso invertir el flujo; y (iii) el efecto inercial de la sangre acumulada en las arterias es insignificante.

En función de lo anterior, el componente CBF mostrado en general en la figura 13 es apto para determinar las condiciones límite para simulaciones de CFD de flujo en arterias coronarias. El componente CBF especifica que el flujo en la entrada de la arteria coronaria qo(t) se genera por hacer que la presión aórtica psa(t) sea estrangulada por la contracción cardíaca y la acumulación inversa, esta última determinada principalmente por la presión ventricular.

El componente CBF describe una relación causal, actuando la presión como una variable independiente. Debido a que la presión sirve como variable independiente en el componente CBF, el componente CBF y su uso en el modelado computacional específico del paciente es ventajoso frente a otras técnicas para determinar las condiciones límite. Algunas ventajas de utilizar la presión como variable independiente incluyen: (i) la presión es relativamente fácil de medir en comparación con la velocidad o el flujo másico, que son mucho más difíciles de medir; y (ii) las mediciones de presión, incluso no invasivas y en un lugar alejado del corazón, no se verán viciadas por errores excesivos.

El flujo sanguíneo coronario se puede modelar de muchas maneras diferentes (véanse Beyar R et al. (1987) Timedependentcoronary blood flowdistribution in left ventricularwall. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 252, n.° 2, Pt.2, H417-H433; Boileau E et al. (2015) One-Dimensional Modelling of the Coronary Circulation. Application to Noninvasive Quantification of Fractional Flow Reserve (FFR). Computational and Experimental Biomedical Sciences: Methods and Applications, Vol. 21, 137-155; Bruinsma T et al. (1988) Model of the coronary circulation based on pressure dependence of coronary resistance and compliance. Basic Res Cardiol, 83:510-524; Burattini R et al. (1985) Identification of canine intramyocardial compliance on the basis of the waterfall model. Annals of Biomedical Engineering, Vol. 13, n.° 5, 385-404; Chadwick RS et al. (1990) Phasic regional myocardialinflow andoutflow: comparison of theory and experiments. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 6, H1687-H1698; Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Holenstein R et al. (1990) Parametric analysis of flow in the intramyocardial circulation. Annals of Biomedical Engineering, Vol. 18, n.° 4, 347-365; Judd RM et al. (1991) Coronary input impedance is constant during systole and diastole. American Journal of Physiology - Heart and Circulatory Physiology, Vol. 260, n.° 6, H1841-H1851; Kresh JY et al. (1990) Model-based analysis of transmural vessel impedance and myocardial circulation dynamics. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 1, H262-H276; Lee J et al. (1984) The role of vascular capacitance in the coronary arteries. Circ Res 55:751 -762; Lee J et al. (2012) The multi-scale modelling of coronary blood flow. Annals of Biomedical Engineering, Vol. 40, número 11, 2399-2413; Li J K-J (2000) The Arterial Circulation. Physical Principles and Clinical Applications, Springer, New York; Mynard JP et al. (2014) Scalability and in vivo validation of a multiscale numerical model of the left coronary circulation. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 306, n.° 4, H517-H528; Marsden AL (2014) Thrombotic risk stratification using computational modeling in patients with coronary artery aneurysms following Kawasaki disease. Biomechanics and Modeling in Mechanobiology, Vol. 13, n.° 6, 1261-1276; Spaan j A e et al. (1981) Diastolic-systolic coronary flow differences are caused by intramyocardial pump action in the anesthetized dog. Circ Res, Vol. 49, número 3, 584-593, algunos ejemplos de lo cual se muestran en la figura 14. Los modelos de flujo sanguíneo coronario mostrados en la figura 14 pueden resumirse de la siguiente manera: (i) todos los modelos tienen un solo elemento fuente, que generalmente se supone que es igual a la presión aórtica (psa) (véase el id.); (ii) la energía de la fuente se disipa parcialmente en uno (c, e, f) (véanse Bruinsma T et al. (1988) Model of the coronary circulation based on pressure dependence of coronary resistance and compliance. Basic Res Cardiol, 83:510-524; Burattini R et al. (1985) Identification of canine intramyocardial compliance on the basis of the waterfall model. Annals of Biomedical Engineering, Vol. 13, n.° 5, 385-404; Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Holenstein R et al. (1990) Parametric analysis of flow in the intramyocardial circulation. Annals of Biomedical Engineering, Vol. 18, n.° 4, 347-365; Kresh JY et al. (1990) Modelbased analysis of transmural vessel impedance and myocardial circulation dynamics. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 1, H262-H276; Lee J et al. (1984) The role of vascular capacitance in the coronary arteries. Circ Res 55:751-762; Lee J et al. (2012) The multi-scale modelling of coronary blood flow. Annals of Biomedical Engineering, Vol. 40, número 11,2399-2413; Li J K-J (2000) The Arterial Circulation. Physical Principles and Clinical Applications, Springer, New York; Mohrman D et al. (2013) Cardiovascular physiology. McGraw-Hill, Lange, New York; Sengupta D et al.; Spaan JAE et al. (1981) Diastolic-systolic coronary flow differences are caused by intramyocardial pump action in the anesthetized dog. Circ Res, Vol. 49, número 3, 584-593), dos (b) (véanse Chadwick RS et al. (1990) Phasic regional myocardial inflow and outflow: comparison of theory and experiments. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 6, H1687-H1698), o cero (a, d) (véanse Beyar R et al. (1987) Time-dependent coronary blood flow distribution in left ventricular wall. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 252, n.° 2, Pt.2, H417-H433; Boileau E et al. (2015) One-Dimensional Modelling of the Coronary Circulation. Application to Noninvasive Quantification of Fractional Flow Reserve (FFR). Computational and Experimental Biomedical Sciences: Methods and Applications, Vol. 21, 137-155; Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Judd RM et al. (1991) Coronary input impedance is constant during systole and diastole. American Journal of Physiology - Heart and Circulatory Physiology, Vol. 260, n.° 6, H1841-H1851; Li J K-J (2000) The Arterial Circulation. Physical Principles and Clinical Applications, Springer, New York; Mynard JP et al. (2014) Scalability and in vivo validation of a multiscale numerical model of the left coronary circulation. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 306, n.° 4, H517-H528) elementos resistivos; (iii) el caudal de entrada normalmente se divide entre una rama resistiva y una capacitiva particulares, teniendo algunos modelos dos elementos capacitivos (b, f) (véanse Burattini R et al. (1985) Identification of canine intramyocardial compliance on the basis of the waterfall model. Annals of Biomedical Engineering, Vol. 13, n.° 5, 385-404; Chadwick RS et al. (1990) Phasic regional myocardial inflow and outflow: comparison of theory and experiments. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 6, H1687-H1698; Li J K-J (2000) The Arterial Circulation. Physical Principles and Clinical Applications, Springer, New York; Marsden AL (2014) Thrombotic risk stratification using computational modeling in patients with coronary artery aneurysms following Kawasaki disease. Biomechanics and Modeling in Mechanobiology, Vol. 13, n.° 6, 1261-1276; Sengupta D et al.); (iv) la rama capacitiva puede incluir su propio elemento resistivo (d) (véanse Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Judd RM et al. (1991) Coronary input impedance is constant duríng systole and diastole. American Journal of Physiology - Heart and Circulatory Physiology, Vol. 260, n.° 6, H1841-H1851; Li J K-J (2000) The Arterial Circulation. Physical Principies and Clinical Applications, Springer, New York) o fuente en función de la presión intraventricular (c, f) (Véanse Burattini R et al. (1985) Identification of canine intramyocardial compliance on the basis of the waterfall model. Annals of Biomedical Engineering, Vol. 13, n.° 5, 385-404; Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Kresh JY et al. (1990) Model-based analysis of transmural vessel impedance and myocardial circulation dynamics. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 1, H262-H276; Lee J et al. (2012) The multiscale modelling of coronary blood flow. Annals of Biomedical Engineering, Vol. 40, número 11, 2399-2413; Li J K-J (2000) The Arterial Circulation. Physical Principles and Clinical Applications, Springer, New York; Sengupta D et al.; Spaan JAE et al. (1981) Diastolic-systolic coronary flow differences are caused by intramyocardial pump action in the anesthetized dog. Circ Res, Vol. 49, número 3, 584-593), pero no ambos; (v) la rama resistiva suele incluir su propia fuente relacionada con la presión intraventricular (a, b, c, d, e) (Véanse Beyar R et al. (1987) Time-dependent coronary blood flow distribution in left ventricular wall. American Journal of Physiology, Heart and Circulatory Physiology, Vol.

252, n.° 2, Pt. 2, H417-H433; Boileau E et al. (2015) One-Dimensional Modelling of the Coronary Circulation. Application to Noninvasive Quantification of Fractional Flow Reserve (FFR). Computational and Experimental Biomedical Sciences: Methods and Applications, Vol. 21, 137-155; Bruinsma T et al. (1988) Model of the coronary circulation based on pressure dependence of coronary resistance and compliance. Basic Res Cardiol, 83:510-524; Chadwick RS et al. (1990) Phasic regional myocardial inflow and outflow: comparison of theory and experiments. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 6, H1687-H1698; Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Holenstein R et al. (1990) Parametric analysis of flow in the intramyocardial circulation. Annals of Biomedical Engineering, Vol. 18, n.° 4, 347-365; Judd RM et al. (1991) Coronary input impedance is constant during systole and diastole. American Journal of Physiology - Heart and Circulatory Physiology, Vol. 260, n.° 6, H1841-H1851; Kresh JY et al. (1990) Model-based analysis of transmural vessel impedance and myocardial circulation dynamics. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 258, n.° 1, H262-H276; Lee J et al. (1984) The role of vascular capacitance in the coronary arteries. Circ Res 55:751 -762; Lee J et al. (2012) The multi-scale modelling of coronary blood flow. Annals of Biomedical Engineering, Vol. 40, número 11, 2399-2413; Li J K-J (2000) The Arterial Circulation. Physical Principles and Clinical Applications, Springer, New York; Mynard JP et al. (2014) Scalability and in vivo validation of a multiscale numerical model of the left coronary circulation. American Journal of Physiology, Heart and Circulatory Physiology, Vol. 306, n.° 4, H517-H528; Spaan JAE et al. (1981) Diastolic-systolic coronary flow differences are caused by intramyocardial pump action in the anesthetized dog. Circ Res, Vol. 49, número 3, 584-593). En general, estos pueden considerarse como modelos multicompartimentales construidos sobre los bloques funcionales que se muestran en la figura 15.

En una realización preferida, el flujo sanguíneo coronario se modela utilizando el bloque funcional agrupado que se muestra en la figura 16. El uso del modelo de flujo sanguíneo coronario mostrado en la figura 16 puede requerir resolver la siguiente ecuación de conservación del flujo másico:

D r ^dc l ^o , r ^{d i p s a - p c} ) , ^{( P s a - R - P>f )} u í ^

R 0 C - ¿ f q o = C --------- d --------- --------------- R --------------9 ( P s a - P r - P z f ) ,

donde H es la función del escalón de Heaviside. La presión de estrangulamiento pn así como la pc describe la ^{interacción miocardio-vaso coronario (MVI), en donde pC=kc(CEP+SIP) y pR=kR} (C^eP+SIP. ^{[3,4,9,14,22,25,32]. Hay} tres hipótesis principales del mecanismo de interacción pasiva, y la descripción de la presión extravascular puede incluir (véanse Algranati D et al. (2010) Mechanisms of myocardium-coronary vessel interaction. American Journal of Physiology. Heart and Circulatory Physiology, Vol. 298, n.° 3, H861-H873; Mynard JP et al. (2014) Scalability and in vivo validation of a multiscale numerical model of the left coronary circulation. American Journal of Physiology. Heart and Circulatory Physiology, Vol. 306, n.° 4, H517-H528; Westerhof N et al. (2006) Cross-talk between cardiac muscle and coronary vasculature. Physiological Reviews, Vol. 86, n.° 4, 1263-1308): (i) presión extracelular intersticial inducida por cavidad (CEP=q¹ -pv) y (ii) la presión intracelular inducida por acortamiento (SIP= \^á2 -E^v). La presión ventricular instantánea del hemicardio izquierdo (o derecho, respectivamente) pv y elastancia Ev pueden tomarse del componente HPV y la presión de flujo cero pzf se puede suponer que es igual a 20 mmHg o menos.

Las arterias coronarias están distribuidas espacialmente en la pared cardíaca y se ven afectadas por la presión extracelular de manera no uniforme, y pueden verse moderadas adicionalmente por condiciones de estrés físico o farmacológico, especialmente hiperemia por la administración de agonistas de los receptores de adenosina (receptores purinérgicos P1), como Adenocard o Adenoscan, o agonistas más selectivos del receptor A2A (Regadenosón, Binodenosón). En realizaciones, el efecto de la heterogeneidad de la pared cardíaca (modificada adicionalmente por la influencia del estrés) se puede describir utilizando un modelo multicapa y multicompartimental con un coeficiente de presión tisular variable (véanse Garcia D et al. (2009) Impairment of coronary flow reserve in aortic stenosis. Journal of Applied Physiology, Vol. 106, n.° 1, 113-121; Holenstein R et al. (1990) Parametric analysis of flow in the intramyocardial circulation. Annals of Biomedical Enginfeering, Vol. 18, n.° 4, 347-365; Westerhof N et al. (2006) Cross-talk between cardiac muscle and coronary vasculature. Physiological Reviews, Vol. 86, n.° 4, 1263-1308), ejemplo de lo cual se muestra en la figura 17. Según la figura 17:

donde el coeficiente de presión del tejido cardíaco es:

Durante el estado de reposo, la presión extravascular disminuye de forma no lineal, cóncava hacia abajo desde el endocardio al epicardio con exponente k=2,0 o mayor. Contrariamente a esto, ante la casación de cualquier tono vasomotor coronario activo (dilatación coronaria máxima hipotética) se puede suponer la relación lineal (k~1,0).

El efecto vasodilatador relacionado con la eliminación del tono vasomotor coronario activo puede no estar limitado al tejido y a la función del corazón. De manera más general, la vasodilatación es solo una de las formas de tropismo cardíaco (cronotropismo, inotropismo, lusitropismo, y muchos otros). Así mismo, los mediadores endógenos y/o exógenos pueden provocar una disminución de la resistencia vascular y permitir un aumento del flujo sanguíneo coronario, así como del flujo sanguíneo sistémico y pulmonar. En una realización preferida, los efectos netos del tropismo cardíaco (E/Emáx) del receptor purinérgico (R) que se une a los agonistas endógenos o exógenos (A) puede modelarse mediante la relación de cinética cooperativa

E [AR]n

É ~ = @1+ \AR]n

donde la concentración de receptores ocupados

Combinando estas ecuaciones y la relación del transductor de introducción ^t = [R ^o ]/K ^e , obtenemos la relación explícita

del modelo cooperativo de agonismo de receptor purinérgico-estímulo (usando afinidades Ka y eficacias Ke).

En la etapa 110, un sistema informático puede simular el flujo sanguíneo en el modelo anatómico específico del paciente (por ejemplo, las arterias coronarias) utilizando CFD y las condiciones límite específicas del paciente. En particular, la simulación de CFD puede utilizar la forma de onda del caudal volumétrico coronario en las entradas y/o salidas de las arterias coronarias, que puede determinarse, al menos en parte, por los datos de la presión arterial continua específicos del paciente, como condición límite para el modelado de CFD.

Antes de ejecutar la simulación de CFD, se puede crear una malla en 3D para el modelo anatómico específico del paciente, junto con modelos límite separados de entrada y salida, para habilitar la simulación de CFD (por ejemplo, crear una rejilla computacional en 3D para simulaciones numéricas). La malla en 3D puede incluir una pluralidad de nodos (por ejemplo, puntos de malla o puntos de rejilla) a lo largo de las superficies del modelo anatómico específico del paciente y en todo el interior del modelo anatómico específico del paciente (véase la figura 19). La malla generada podrá ser revisada y/o corregida por el sistema informático y/o el usuario si fuera necesario (por ejemplo, para corregir distorsiones de malla, una resolución espacial insuficiente en la malla, etc.).

En la simulación de CFD, la sangre se puede modelar como un fluido newtoniano o como un fluido no newtoniano, y los campos de flujo se pueden obtener resolviendo numéricamente las ecuaciones discretizadas de equilibrio de masa y momento (Navier-Stokes) bajo el supuesto de pared rígida. Los métodos numéricos para resolver las ecuaciones tridimensionales del flujo sanguíneo pueden incluir métodos de diferencias finitas, volúmenes finitos, espectrales, de celosía de Boltzmann, basados en partículas, de ajuste de nivel, isogeométricos o de elementos finitos, u otras técnicas numéricas de dinámica de fluidos computacional (CFD). Las ecuaciones discretizadas de Navier-Stokes se pueden usar para simular de forma incremental la velocidad del flujo sanguíneo y la presión dentro de las arterias coronarias a lo largo del tiempo. Es decir, la simulación de CFD puede determinar el flujo sanguíneo y la presión en cada uno de los nodos del modelo anatómico en malla. El resultado de las simulaciones de CFD puede ser un flujo sanguíneo y una distribución de la presión específicos del paciente en las arterias coronarias del paciente en función de la anatomía específica del paciente y las condiciones límite específicas del paciente.

En la etapa 112, un sistema informático puede determinar uno o más parámetros hemodinámicos asociados con las arterias coronarias del paciente. El uno o más parámetros hemodinámicos pueden determinarse basándose al menos en parte en los resultados de la simulación de CFD. Los ejemplos de parámetros hemodinámicos pueden incluir características de la arteria coronaria como la presión arterial, el caudal de sangre, la tensión de cizalla de pared (WSS), índice de cizalla oscilatorio (OSI), el tiempo de permanencia relativo (TRR), la reserva fraccional de flujo (FFR), la reserva de flujo coronario (CFR), la relación instantánea en el período libre de ondas (iFR), y otros similares. Los parámetros hemodinámicos se pueden interpolar en el modelo anatómico específico del paciente para proporcionar al usuario información sobre los parámetros hemodinámicos en el modelo anatómico.

En la etapa 114, un sistema informático puede emitir el uno o más parámetros hemodinámicos determinados. Por ejemplo, el sistema informático puede mostrar el uno o más parámetros hemodinámicos o visualizaciones (por ejemplo, imágenes en 2D o 3D) del uno o más parámetros hemodinámicos. El sistema informático también puede, por ejemplo, presentar los parámetros hemodinámicos como una visualización interactiva tridimensional. El sistema informático puede enviar el uno o más parámetros hemodinámicos determinados a un ordenador remoto para visualizarlos en el ordenador remoto.

En la etapa 116, el uno o más parámetros hemodinámicos determinados se utilizan para determinar y/o como parte de un plan de tratamiento específico del paciente. En una realización, el uno o más parámetros hemodinámicos determinados se utilizan para planificar un procedimiento de revascularización coronaria en la enfermedad cardiovascular. Por ejemplo, el uno o más parámetros hemodinámicos determinados pueden usarse para determinar una ubicación específica del paciente óptima para la colocación de la endoprótesis vascular en un paciente, que mejore las condiciones hemodinámicas del flujo sanguíneo en las arterias coronarias del paciente, y luego para colocar la endoprótesis en la ubicación óptima determinada. Como otro ejemplo, el uno o más parámetros hemodinámicos determinados pueden usarse para determinar un procedimiento óptimo de derivación de la arteria coronaria en un paciente, que proporcione mejores condiciones hemodinámicas para el flujo de la arteria coronaria en el paciente en comparación con procedimientos alternativos de derivación de la arteria coronaria, y luego un médico realizará el procedimiento óptimo de derivación de la arteria coronaria en el paciente.

En una realización, los uno o más parámetros hemodinámicos determinados se usan como apoyo para una prueba de esfuerzo cardiopulmonar virtual. Por ejemplo, el uno o más parámetros hemodinámicos determinados pueden incluir una estimación de la reserva fraccional de flujo (FFR), que se puede utilizar para proporcionar una estimación no invasiva de la reserva fraccional de flujo y/o la saturación de oxígeno en sangre durante las condiciones de prueba de esfuerzo cardiopulmonar virtual.

Aunque las realizaciones anteriores se han descrito con referencia a una simulación transitoria del flujo sanguíneo a través de las arterias coronarias, se entiende que la presente divulgación también engloba la simulación en equilibrio del flujo sanguíneo a través de las arterias coronarias.

El flujo sanguíneo a través de las arterias coronarias es pulsátil. Su presión y velocidad cambian con el tiempo durante un solo latido del corazón y este proceso es repetitivo. La forma más sencilla de simular un flujo de este tipo es utilizar un solucionador transitorio, pero esto puede tardar bastante. El uso de una simulación en equilibrio (por ejemplo, en estado estacionario) puede ser ventajoso ya que su tiempo de solución es relativamente más corto, pero no es aplicable en todos los fenómenos no estacionarios.

Para aprovechar una simulación estacionaria, las arterias coronarias pueden tratarse como un sistema de tuberías. En dicho sistema, la caída de presión Ap depende de la velocidad del fluido v. Para un flujo general, la caída de presión es una función cuadrática de la velocidad (Ap = av2 + bv + c). Para determinar los coeficientes en esta ecuación, hay que hallar tres pares de valores (v, Ap). Para hacerlo, se pueden ejecutar tres simulaciones en equilibrio para varias condiciones límite de valores de presión y velocidad (calculadas a partir del caudal) y se pueden hallar los valores de caída de presión correspondientes a esas velocidades. Como esas simulaciones son independientes, pueden ejecutarse en paralelo. Esto permite reducir en gran medida el tiempo de solución. Por ejemplo, los resultados de una simulación transitoria que tarda decenas de horas en completarse se pueden obtener a partir de una simulación estacionaria en menos de una hora. Para tener en cuenta el efecto de inercia, se agregó un término adicional a la ecuación para la caída de presión (Véanse Bird RB et al. (1960) Transport Phenomena. John Wiley & Sons, New York; Young D et al. (1973) Flow characteristics in models of arterial stenoses. II. Unsteady flow, Journal of Biomechanics, Vol. 6, n.° 5, 547-559; Young D et al. (1977) Hemodynamics of arterial stenoses at elevated flow rates. Circulation Research, Vol. 41, n.° 1,99-107):

( dv

Ap = av( + bv c kl —

dt

donde: a, b, c - coeficientes calculados en función de simulaciones estacionarias, k=1,2 - coeficiente de inercia, l -distancia desde la entrada.

Las figuras 21-24 muestran diagramas de bloques esquemáticos de bajo nivel de detalle o de alto nivel de detalle de un método para el modelado específico del paciente de los parámetros hemodinámicos en arterias coronarias utilizando una simulación en equilibrio o una simulación transitoria. Como se muestra en las figuras 21-24, existen algunas diferencias entre un método basado en simulación en equilibrio y un método basado en simulación transitoria. Sin embargo, muchos de los detalles de implementación para un método basado en simulación en equilibrio se pueden aplicar en el método basado en simulación transitoria, y viceversa.

Haciendo referencia a las figuras 21-22, se muestra un diagrama de bloques esquemático de bajo nivel de detalle o de alto nivel de detalle de un método 200 para el modelado específico del paciente de parámetros hemodinámicos en arterias coronarias usando una simulación en equilibrio.

Con referencia específica a la figura 21, en la etapa 202, se obtienen y preprocesan los datos anatómicos específicos del paciente. En la etapa 204, se crea un modelo tridimensional basado en los datos anatómicos obtenidos. En la etapa 206, el modelo tridimensional se prepara para el análisis numérico. En la etapa 208, se realiza un análisis computacional utilizando el modelo tridimensional. En la etapa 210, se obtienen y preprocesan los datos de registro de la presión arterial periférica específica del paciente. En la etapa 212, las condiciones límite se crean en función de los datos de registro de presión. En la etapa 214, se recopilan y emiten los resultados del análisis computacional y las condiciones límite. En la etapa 216, se prepara un plan de tratamiento específico para el paciente en función los resultados.

Con referencia específica a la figura 22, en la etapa 302, se revisan inicialmente los datos anatómicos específicos del paciente adquiridos (por ejemplo, los datos de TC). En la etapa 304, los datos anatómicos adquiridos se someten al procesamiento de imágenes. En la etapa 306, que marca el comienzo de la creación de un modelo tridimensional a partir de los datos anatómicos obtenidos, se segmenta la placa. En la etapa 308, se seleccionan los puntos radiculares de la arteria coronaria. En la etapa 310, las arterias coronarias se segmentan. En la etapa 312, se comprueba la calidad de la segmentación. En la etapa 314, se hallan automáticamente las líneas centrales de las arterias. En la etapa 316, se crean modelos límite de entrada y salida. En la etapa 318, se genera y suaviza el modelo sólido. En la etapa 320, se verifica el modelo sólido de salida. En la etapa 322, que marca el comienzo de la preparación del modelo sólido para el análisis numérico, se genera una malla final del modelo. En la etapa 324, se verifica la malla. En la etapa 326, que marca el inicio de la ejecución del análisis computacional, se preparan un conjunto de casos de CFD para el análisis numérico. En la etapa 328, el conjunto de casos de CFD se resuelve mediante simulaciones de flujo. En la etapa 330, se verifican los resultados de la simulación. En la etapa 332, se revisan inicialmente los datos anatómicos específicos del paciente adquiridos (por ejemplo, los datos de presión registrada). En la etapa 334, que comienza la creación de condiciones límite basadas en los datos de presión registrados, se introducen los datos de presión en un modelo de sistema de circulación sanguínea. En la etapa 336, los resultados del modelo del sistema de circulación sanguínea se introducen en un modelo de cavidades cardíacas. En la etapa 338, los resultados del modelo de las cavidades cardíacas se introducen en un modelo de flujo sanguíneo coronario, cuyas salidas se utilizan para determinar las condiciones límite. En la etapa 340, se verifican los resultados de la determinación de las condiciones límite. En la etapa 342, se recopilan los resultados de la determinación de las condiciones límite y del análisis de dinámica de fluidos computacional. En la etapa 344, se emiten los resultados recopilados.

Haciendo referencia a las figuras 23-24, se muestran diagramas de bloques esquemáticos de bajo nivel de detalle o de alto nivel de detalle de un método 400 para el modelado específico del paciente de parámetros hemodinámicos en arterias coronarias usando una simulación transitoria.

Con referencia específica a la figura 23, en la etapa 402, se obtienen y preprocesan los datos anatómicos específicos del paciente. En la etapa 404, se crea un modelo tridimensional basado en los datos anatómicos obtenidos. En la etapa 406, se obtienen y preprocesan los datos de registro de la presión arterial periférica específica del paciente. En la etapa 408, las condiciones límite se crean en función de los datos de registro de presión. En la etapa 410, el modelo tridimensional se prepara para el análisis numérico. En la etapa 412, se realiza un análisis computacional utilizando el modelo tridimensional y las condiciones límite. En la etapa 414, se emiten los resultados del análisis computacional. En la etapa 416, se prepara un plan de tratamiento específico para el paciente en función los resultados.

Con referencia específica a la figura 24, en la etapa 502, se revisan inicialmente los datos anatómicos específicos del paciente adquiridos (por ejemplo, los datos de TC). En la etapa 504, los datos anatómicos adquiridos se someten al procesamiento de imágenes. En la etapa 506, que marca el comienzo de la creación de un modelo tridimensional a partir de los datos anatómicos obtenidos, se segmenta la placa. En la etapa 508, se seleccionan los puntos radiculares de la arteria coronaria. En la etapa 510, las arterias coronarias se segmentan. En la etapa 512, se comprueba la calidad de la segmentación. En la etapa 514, se hallan automáticamente las líneas centrales de las arterias. En la etapa 516, se crean modelos límite de entrada y salida. En la etapa 518, se genera y suaviza el modelo sólido. En la etapa 520, se verifica el modelo sólido de salida. En la etapa 522, se revisan inicialmente los datos anatómicos específicos del paciente adquiridos (por ejemplo, los datos de presión registrada). En la etapa 524, que comienza la creación de condiciones límite basadas en los datos de presión registrados, se introducen los datos de presión en un modelo de sistema de circulación sanguínea. En la etapa 526, los resultados del modelo del sistema de circulación sanguínea se introducen en un modelo de cavidades cardíacas. En la etapa 528, los resultados del modelo de las cavidades cardíacas se introducen en un modelo de flujo sanguíneo coronario, cuyas salidas se utilizan para determinar las condiciones límite. En la etapa 530, se verifican los resultados de la determinación de las condiciones límite. En la etapa 532, que marca el comienzo de la preparación del modelo sólido para el análisis numérico, se genera una malla final del modelo. En la etapa 534, se verifica la malla. En la etapa 536, que marca el inicio de la ejecución del análisis computacional, se prepara un caso de CFD para el análisis numérico. En la etapa 538, el caso de CFD se resuelve mediante simulación de flujo. En la etapa 540, se verifican los resultados de la simulación. En la etapa 542, se emiten los resultados.

Aunque las realizaciones se han descrito en un lenguaje específico de características estructurales y/o acciones metodológicas, debe entenderse que la divulgación no se limita necesariamente a las características o acciones específicas descritas. En cambio, las características y acciones específicas se divulgan como formas ilustrativas de implementar las realizaciones. Las expresiones en condicional, tal como, entre otras, "poder", "podría", "sería posible" o "pudiera/n", a menos que se indique específicamente lo contrario, o se entienda de otro modo dentro del contexto en donde se usa, en general, pretenden transmitir que ciertas realizaciones podrían incluir determinadas características, elementos y/o etapas, mientras que otras podrían no incluirlas. Por tanto, dicha expresión en condicional, en general, no implica que las características, elementos y/o etapas sean de alguna manera necesarios para una o más realizaciones o que una o más realizaciones incluyan necesariamente el proceso lógico para decidir, con o sin la entrada o solicitud del usuario, si estas características, elementos y/o etapas están incluidos o deben realizarse en cualquier realización en particular.

Ejemplos

Ejemplo 1

Los resultados de un método para el modelado específico del paciente de los parámetros hemodinámicos en las arterias coronarias de acuerdo con una o más realizaciones de ejemplo de la divulgación se compararon con los resultados en la vida real. En particular, los datos de FFR obtenidos de forma invasiva en 30 pacientes de 3 hospitales se compararon con los valores de FFR calculados numéricamente usando una o más realizaciones de ejemplo de la divulgación. Los resultados estadísticos para un total de 35 estenosis se resumen en la siguiente tabla y en la figura 25.

Claims (22)

REIVINDICACIONES

1. Un método (100, 200, 400) que comprende:

recibir los datos de la estructura anatómica específicos del paciente (102, 202, 302, 402, 502) y los datos fisiológicos específicos del paciente (104, 210, 322, 406, 522), en donde los datos de la estructura anatómica comprenden información estructural sobre las arterias coronarias de un paciente, y en donde los datos fisiológicos específicos del paciente comprenden una forma de onda de la presión sanguínea registrada de manera continua; generar, en función de, al menos en parte, los datos de la estructura anatómica, un modelo anatómico de al menos una porción de las arterias coronarias del paciente (106, 204, 306, 308, 310, 312, 314, 316, 318, 320, 404, 506, 508, 510, 512, 514, 516, 518, 520);

determinar, en función de, al menos en parte, la forma de onda de presión arterial registrada de manera continua, las condiciones límite para una simulación de la dinámica de fluidos computacional (CFD) del flujo sanguíneo en el modelo anatómico (108, 212, 334, 336, 338, 340, 408, 524, 526, 528, 530);

simular el flujo sanguíneo en el modelo anatómico utilizando CFD y las condiciones límite (110, 208, 214, 326, 328, 330, 342, 412, 536, 538, 540);

y

determinar, en función de, al menos en parte, la simulación, uno o más parámetros hemodinámicos asociados con las arterias coronarias del paciente (112, 214, 344, 414, 542),

caracterizado por que

la forma de onda de la presión arterial registrada de manera continua proviene de una medición no invasiva, y en donde determinar las condiciones límite (108, 212, 334, 336, 338, 340, 408, 524, 526, 528, 530) comprende: determinar, en función de, al menos en parte, un modelo de sistema de circulación sanguínea y la forma de onda de presión arterial registrada de manera continua, los datos de caudal sanguíneo volumétrico;

determinar, en función de, al menos en parte, un modelo de volumen-presión de las cavidades cardíacas y de los datos del caudal sanguíneo volumétrico, los datos de presión ventricular;

determinar, en función de, al menos en parte, un modelo de flujo sanguíneo coronario, la forma de onda de la presión arterial registrada de manera continua y los datos de la presión ventricular, los datos de flujo de entrada de la arteria coronaria, y

determinar, en función de, al menos en parte, una ley de escala alométrica y los datos de flujo de entrada de la arteria coronaria, los datos de flujo de salida de la arteria coronaria.

2. El método de la reivindicación 1, en donde los datos de la estructura anatómica proceden de una medición no invasiva.

3. El método de la reivindicación 1, en donde los datos de la estructura anatómica proceden de un angiograma por tomografía computarizada.

4. El método de la reivindicación 1, en donde generar el modelo anatómico (106) no incluye segmentar una aorta.

5. El método de la reivindicación 1, en donde el modelo anatómico es un modelo de únicamente las arterias coronarias del paciente.

6. El método de la reivindicación 1, en donde las condiciones límite comprenden condiciones límite de entrada para las arterias coronarias del paciente y condiciones límite de salida para las arterias coronarias del paciente.

7. El método de la reivindicación 1, en donde el modelo del sistema de circulación sanguínea comprende al menos un bloque funcional de parámetros agrupados seleccionado a partir de bloques funcionales de parámetros agrupados de (a) C^r , (b) CRL, y (c) RCRL, que se muestran a continuación:

8. El método de la reivindicación 1, en donde el modelo de volumen-presión de las cavidades cardíacas es un modelo de elastancia variable en el tiempo.

9. El método de la reivindicación 1, en donde el modelo de flujo sanguíneo coronario comprende al menos un bloque funcional de parámetros agrupados seleccionado a partir de bloques funcionales de parámetros agrupados de (a) CRp, (b) RCP, (c) RCRp, (d) CpRp, y (e) RCpRp, que se muestran a continuación:

10. El método de la reivindicación 1, en donde el modelo de flujo sanguíneo coronario comprende una pluralidad de bloques funcionales de parámetros agrupados de (e) RCpRp, que se muestran a continuación:

11. El método de la reivindicación 1, en donde se determina un estado de flujo coronario en la entrada en función de, al menos en parte, el modelo de bloque de parámetros agrupados de acoplamiento del sistema de circulación sanguínea y el flujo sanguíneo coronario, que se muestra a continuación:

12. El método de la reivindicación 1, en donde los efectos de flujo de la heterogeneidad de la pared cardíaca se describen mediante un modelo multicapa y multicompartimental con un coeficiente de presión tisular variable.

13. El método de la reivindicación 12, en donde el uno o más parámetros hemodinámicos comprenden uno o más parámetros hemodinámicos relacionados con el cronotropismo, inotropismo o lusitropismo del corazón obtenido con el modelo cooperativo de agonismo de receptor purinérgico-estímulo.

14. El método de la reivindicación 1, en donde las simulaciones de flujo sanguíneo se llevan a cabo usando un solucionador transitorio o un solucionador en equilibrio.

15. El método de la reivindicación 1, en donde las características de flujo del vaso y caída de presión se determinan mediante un enfoque en equilibrio.

16. El método de la reivindicación 1, en donde el uno o más parámetros hemodinámicos se seleccionan a partir de la presión arterial, el torrente sanguíneo, el caudal de sangre, la tensión de cizalla de pared (WSS), índice de cizalla oscilatorio (OSI), el tiempo de permanencia relativo (TRR), la reserva fraccional de flujo (FFR), la relación instantánea en el período libre de ondas (iFR) y la reserva de flujo coronario (CFR).

17. El método de la reivindicación 1, que comprende, además, la emisión del uno o más parámetros hemodinámicos determinados.

18. El método de la reivindicación 17, en donde la emisión (214, 344, 414, 542) comprende enviar el uno o más parámetros hemodinámicos determinados a un dispositivo de visualización.

19. El método de la reivindicación 17, en donde la emisión (214, 344, 414, 542) comprende enviar el uno o más parámetros hemodinámicos determinados a un ordenador remoto.

20. El método de la reivindicación 17, que comprende, además, determinar un plan de tratamiento específico para el paciente (116, 216, 416) en función de, al menos en parte, el uno o más parámetros hemodinámicos determinados.

21. El método de la reivindicación 20, en donde el plan de tratamiento específico para el paciente es una ubicación específica del paciente para la colocación de la endoprótesis vascular en el paciente.

22. El método de la reivindicación 17, en donde el uno o más parámetros hemodinámicos determinados se utilizan como parte de una prueba de esfuerzo cardiopulmonar virtual.