Estudio de la relación del esfuerzo de corte con la presión en aneurismas cerebrales y la predicción del riesgo de ruptura usando herramientas de inteligencia artificial basado en datos morfológicos, fluidodinámicos y estructurales

Abstract

Esta investigación se separa en dos estudios: en el primero de ellos se realizaron simulaciones fluido dinámicas (CFD) para 60 aneurismas cerebrales humanas, siendo 30 previamente rotas y 30 no rotas, para estudiar el comportamiento del esfuerzo de corte de muro (WSS) promediado en el tiempo (TAWSS) con respecto al radio de aspecto (AR) de los aneurismas, bajo condiciones de hipotensión, hipertensión y presión normal. El resultado mostró un comportamiento lineal entre el TAWSS y el AR, y mientras aumentaban las diferencias de presión, el valor absoluto de la pendiente también incrementó. Además, la magnitud de la pendiente en los aneurismas previamente no rotos fue 4,7 veces la pendiente de los previamente rotos. Este importante resultado es capaz de estimar un TAWSS a partir de la condición de presión del paciente, de la medición del AR del aneurisma y la asociación de una pendiente. Por otro lado, el TAWSS presentó un mayor valor en los aneurismas previamente no rotos que los previamente rotos debido a la que los primeros presentan menores áreas superficiales. Es bien sabido que existe una directa relación entre el TAWSS y la ruptura, sin embargo, pueden existir otros parámetros que mejoren la precisión de la estimación. El segundo estudio mostró que los parámetros morfológicos y fluido-mecánicos son reconocidos como principales factores en la predicción del riesgo de ruptura de los aneurismas. Sobre la misma base de aneurismas se simuló la interacción del flujo sanguíneo con las paredes de cada arteria (FSI). Con los resultados de las simulaciones y los análisis geométricos, se estudió la varianza (ANOVA) en muchas variables y se obtuvo que el AR, el factor de cuello de botella (BNF), la altura máxima del aneurisma (MH), el tiempo de residencia relativo (RRT), el número de Womersley (WN) y la deformación de Von-Mises (VMS) son los factores con mayores significancia estadística, y por lo tanto, los mejores predictores para los modelos. En consecuencia, se usaron 5 modelos diferentes de Machine Learning para predecir el riesgo de ruptura de los aneurismas, donde se encontró que el modelo de refuerzo adaptativo (AdaBoost) presenta el mayor valor del área bajo la curva (AUC) de características operativas del receptor (ROC), cuyo valor fue AUC-0,944.