Достижения в области сердечно-сосудистого физиологического моделирования для разработки медицинских устройств

Введение: новый рубеж в дизайне сердечно-сосудистых устройств

Проектирование сердечно-сосудистых медицинских устройств всегда было делом больших ставок. Каждый стент, кардиостимулятор или искусственный клапан должен надежно работать в неустанных, динамических условиях системы кровообращения человека. В течение десятилетий разработка устройств в значительной степени опиралась на настольные эксперименты, модели на животных и клинические испытания - каждый шаг дорогой и трудоемкий. За последние пять лет, однако, вычислительное физиологическое моделирование перешло от академического любопытства к краеугольному камню инженерии медицинских устройств. Создавая высокоточные виртуальные представления сердца и сосудистой системы, инженеры теперь могут протестировать тысячи итераций дизайна в силику, прежде чем создавать один физический прототип. Этот сдвиг резко ускоряет инновации, снижает затраты и повышает безопасность пациентов.

Сердечно-сосудистые физиологические модели интегрируют анатомию, динамику жидкости и механику тканей, чтобы имитировать, как устройство взаимодействует с живой тканью. Они позволяют исследователям прогнозировать модели кровотока, распределение стресса и долгосрочную производительность устройства в широком диапазоне условий пациента. По мере того, как эти модели становятся все более сложными, они меняют регуляторные пути и позволяют персонализировать медицину. В этой статье исследуются последние достижения в этой области и их глубокое влияние на развитие медицинского устройства.

Экспериментальный сдвиг: почему виртуальное тестирование теперь необходимо

Традиционная разработка медицинского устройства следует линейному пути: концепция, настольное тестирование, тестирование на животных, клинические испытания, затем выпуск на рынок. Каждая фаза может занять годы. Один только процесс утверждения 510(k) часто требует обширных данных о производительности. Физиологическое моделирование предлагает параллельный путь. Путем моделирования поведения устройства в вычислительной среде инженеры могут выявлять режимы отказа на ранней стадии, оптимизировать конструкции перед обязательством по производству и генерировать доказательства для поддержки нормативных представлений.

Управление по контролю за продуктами и лекарствами США (FDA) признало этот потенциал. В последние годы агентство выпустило руководящие документы по использованию вычислительного моделирования для представлений медицинских устройств, включая ориентир Отчетность исследований вычислительного моделирования в представлениях медицинских устройств . Это одобрение сигнализирует о растущем доверии к доказательствам, полученным в результате моделирования. Например, база данных FDA Виртуальная модель пациента помогает спонсорам оправдать сокращение тестирования на животных, показывая, что их устройство безопасно работает в различных виртуальных популяциях. В результате компании, которые инвестируют в физиологическое моделирование, могут сократить сроки разработки на 30-50%.

Конкретным примером является разработка устройств для замены транскатетерного аортального клапана (TAVR). Ранние конструкции TAVR страдали от паравальвулярной утечки и коронарной обструкции. Сегодня производители используют модели, специфичные для пациентов, от компьютерной томографии для моделирования развертывания клапана, предсказывая, как имплантат будет сидеть против кальцинированных листовок. Веб-сайт FDA Medical Device предоставляет подробные тематические исследования того, как эти симуляции улучшили безопасность устройства.

Ключевые технологические драйверы в сердечно-сосудистом моделировании

Несколько отдельных технологических достижений сблизились, чтобы сделать сердечно-сосудистое физиологическое моделирование практичным и мощным. Понимание каждого драйвера имеет важное значение для инженеров и менеджеров продуктов, планирующих свою стратегию моделирования.

Изображение высокого разрешения и анатомическая реконструкция

Основой любой модели, специфичной для пациента, является точная анатомия. Современные МРТ и КТ-сканеры могут приобретать изотропные воксели ниже 0,5 мм, захватывая сложные геометрии, такие как коронарные остии, хрордированные сухожилия и левый предсердный придаток. Программное обеспечение сегментации, основанное на алгоритмах глубокого обучения, теперь может превращать эти сканы в трехмерные сетки за минуты, а не часы. Такие компании, как Simulia (Dassault Systèmes) , предлагают специализированные наборы для сердечно-сосудистого моделирования, которые импортируют данные DICOM напрямую и генерируют готовые к решению симуляции.

Эта возможность особенно ценна для устройств, предназначенных для конкретных подгрупп пациентов. Например, детские клапаны сердца должны вмещать растущую анатомию пациента. Создавая модели из нескольких возрастных сканирований, инженеры могут проектировать устройства, которые адаптируются с течением времени, уменьшая необходимость повторной операции.

Вычислительная динамика жидкости (CFD) и взаимодействие структуры жидкости (FSI)

Ранняя CFD в кардиологии была сосредоточена на идеализированных сосудных геометриях — прямых трубках с параболическим потоком. Современная CFD включает реалистичные условия входа, неньютоновскую реологию крови и пульсативные формы волн. Что более важно, взаимодействие флюидной структуры (FSI) теперь связывает кровоток с деформацией стенок сосудов и компонентов устройства. Это имеет решающее значение для прогнозирования того, как стент будет расширяться и как развивается коаптация листьев в течение сердечного цикла.

Недавние достижения в эффективности растворителя, такие как использование адаптивной сетчатой очистки и ускорения GPU, сократили время моделирования с недель до часов. Исследование, опубликованное в Анналы биомедицинской инженерии , показало, что модели FSI устройства помощи левому желудочковому (LVAD) могут предсказать риск гемолиза с 95% точностью по сравнению с тестами in vitro. Анналы биомедицинской инженерии регулярно публикует исследования валидации, которые направляют лучшие практики.

Инженеры должны выбирать между двумя основными подходами: Рейнольдс-Усредненный Навье-Стокс (RANS) для оценки устойчивого состояния и большой вихревой симуляцией (LES) для захвата турбулентных переходных потоков, которые имеют значение в областях с быстрым струйным движением (например, вблизи протезных клапанных отверстий). Для большинства конструкций устройств достаточно гибридного подхода с использованием RANS с моделированием турбулентности, но для критически важных для безопасности компонентов, таких как устройства церебральной эмболической защиты, рекомендуется LES.

Машинное обучение: улучшенная калибровка моделей и количественная оценка неопределенности

Физиологические модели богаты параметрами. Даже при идеальной анатомии значения жесткости тканей, вязкости крови и граничных условиях несут неопределенность. Модели машинного обучения (ML) - в частности, гауссовская регрессия процесса и байесовские нейронные сети - теперь используются для калибровки этих параметров по клиническим измерениям. Благодаря обучению наборам данных о петлях объема давления или профилях скорости потока от эхокардиографии алгоритм ML может вывести свойства материала для конкретного пациента неинвазивно.

Кроме того, квантификация неопределенности (UQ) стала стандартным шагом в моделировании регуляторного уровня. Вместо запуска одного моделирования со средними входами инженеры теперь запускают сотни симуляций, охватывающих ожидаемую изменчивость в анатомии, артериальном давлении и частоте сердечных сокращений. Выходом является вероятностное распределение производительности устройства — ключевой показатель для демонстрации запаса прочности для регуляторов. Такие инструменты, как Dakota и UQ Toolkit, интегрируются с коммерческими решателями для автоматизации этого рабочего процесса.

Пример: дизайн стента следующего поколения

Чтобы проиллюстрировать силу сердечно-сосудистого физиологического моделирования, рассмотрим недавнее развитие биорезорбируемых сосудистых каркасов (BVS). Ранние устройства BVS показали более высокие показатели тромбоза, чем постоянные стенты, выписывающие лекарства. Используя модели FSI, исследователи из крупного производителя устройств обнаружили, что толстые распорки BVS первого поколения создали локальные зоны застоя потока и рециркуляции, которые способствовали агрегации тромбоцитов.

Оптимизируя геометрию распорок и скорость деградации материала в виртуальных испытаниях, инженеры разработали BVS второго поколения с толщиной распорок, уменьшенной со 150 мкм до 95 мкм при сохранении радиальной прочности. В моделях Silico прогнозировалось 60%-ное снижение области сдвига стенок — биомаркер для тромбоза стента. Последующие клинические испытания подтвердили эти прогнозы, и устройство достигло прорывного обозначения FDA. Без физиологического моделирования цикл итерации потребовал бы нескольких исследований на животных и занял бы по крайней мере три дополнительных года.

Этот случай подчеркивает более широкую тенденцию: моделирование больше не просто помощь в разработке; это нормативный инструмент. Программа FDA Инструменты разработки медицинских устройств (MDDT) теперь квалифицирует определенные вычислительные модели в качестве принятых методов для получения доказательств. Квалифицированная модель может использоваться в нескольких представлениях устройств, уменьшая нагрузку на каждого нового спонсора. На странице программы MDDT перечислены в настоящее время квалифицированные модели, включая модель резерва коронарного потока на основе КТ и модель FSI для ремонта аортального клапана.

Регуляторные пути и роль судебных процессов в Силико

Концепция в клиническом исследовании silico — замена компьютерного моделирования для некоторых испытаний на людях — набирает обороты. Альянс Авиценны и Виртуальный физиологический институт человека лоббировали регулирующие органы принять доказательства моделирования. В 2023 году Европейское агентство по лекарственным средствам опубликовало документ о размышлении об использовании искусственного интеллекта и вычислительных моделей в клинической разработке. В то время как полная замена клинических испытаний находится на расстоянии нескольких лет, спонсоры уже могут использовать моделирование для выбора оптимальных популяций испытаний, уменьшения размера контрольной руки или перехода от взрослых данных к педиатрическим показаниям.

Для производителей устройств путь к нормативному принятию моделирования требует тщательной документации.

  • Оценка достоверности: Следуя стандарту ASME V&V 40 для проверки и проверки.
  • Анализ чувствительности: Определение того, какие входные параметры наиболее влияют на интересующую метрику выхода.
  • Бенчмаркинг против данных in vitro: Обеспечение уверенности в том, что модель правильно фиксирует физику.

FDA также разработало систему доверия к вычислительному моделированию , чтобы помочь спонсорам оценить, когда модель «подходит для цели». Для устройств с высоким риском (например, имплантируемых дефибрилляторов) бремя проверки тяжело; для устройств с низким риском (например, диагностических катетеров) достаточно более простых моделей. Понимание этих градаций помогает компаниям эффективно распределять ресурсы моделирования.

Текущие ограничения и активные исследовательские области

Несмотря на быстрый прогресс, физиологическое моделирование сердечно-сосудистой системы сталкивается с рядом ограничений, которые ограничивают его немедленное принятие.

Неполная мультифизическая интеграция

Большинство моделей лечат сердечно-сосудистую систему изолированно, игнорируя обратную связь от вегетативной нервной системы, дыхания и функции почек. Стент, выписывающий лекарства, может высвобождать соединение, которое влияет на вазодилатацию, что, в свою очередь, изменяет поток вниз по течению - связь, не захваченная текущими инструментами FSI. Исследователи в Стэнфорде разрабатывают многомасштабную модель, которая объединяет электрофизиологию, механику и динамику жидкости в единую структуру, но она остается слишком дорогостоящей для итеративного дизайна.

Стандартизация свойств материалов

Свойства тканей широко варьируются у пациентов и даже в пределах одного сегмента сосуда. Гиперэластические модели (например, Ogden, Yeoh) могут фиксировать нелинейное стресс-деформированное поведение стенок артерий, но значения параметров часто берутся из литературы, а не измеряются для конкретного пациента. МРТ-эластография является многообещающим методом для измерения жесткости неинвазивно, но это еще не клинически рутинно.

Дефицит данных валидации

Для проверки модели устройства окклюзии придатков левого предсердия потребуются стандартные измерения положения устройства, герметизации и образования тромбов — данные, которые трудно получить от живых пациентов. В результате многие модели проверяются только на стендовых экспериментах, оставляя пробел в доказательстве клинической значимости. Поле движется к общим хранилищам контролируемых данных человека, таким как Репозиторий сердечно-сосудистой модели , размещенный в Университете Окленда.

Будущие направления: адаптивные модели, цифровые близнецы и оптимизация на основе ИИ

Заглядывая вперед, самые преобразующие достижения будут исходить от моделей, которые не просто имитируют статический момент, но развиваются вместе с пациентом. Концепция цифрового двойника — постоянно обновляемая виртуальная копия сердечно-сосудистой системы человека — переходит от концепции к прототипу. Имплантированные датчики (например, преобразователи давления в мониторах сердечной недостаточности) передают данные обратно в модель, которая перекалибровывает ее параметры в режиме реального времени. Цифровой двойник сердца может предупредить врача о тонких изменениях давления за несколько часов до появления симптомов.

Для разработчиков устройств алгоритмы оптимизации на основе ИИ делают полностью автоматизированными циклы проектирования на основе моделей. Генеративные инструменты проектирования принимают ограничения производительности (например, минимальное напряжение, максимальная площадь отверстия, нулевая утечка ) и исследуют миллионы геометрий устройства в поисках оптимального решения. Затем выход уточняется с помощью высокоточного моделирования FSI. Этот трубопровод уже используется для проектирования артериальных шунтирующих трансплантатов и колец аннулопластики.

Еще одним рубежом является включение клеточной и молекулярной биологии в модели устройств. Устройства для удаления лекарств зависят от кинетики контролируемого высвобождения, локального тканевого ответа и эндотелиализации. Модели дифференциальных уравнений с частичным диффузионным уравнением диффузии лекарств и роста клеток соединяются с механическими моделями для прогнозирования рестеноза и тромбоза в течение нескольких месяцев, а не секунд. Такие модели позволят инженерам оптимизировать как механические, так и биологические характеристики устройства в одной единой структуре.

Практические рекомендации для инженеров, принимающих моделирование

Для команд, новичков в сердечно-сосудистом физиологическом моделировании, множество вариантов может быть подавляющим. Следующие шаги могут помочь построить успешную стратегию силико:

  • Начните с ясного вопроса: Определите конкретную метрику производительности устройства, которую будет прогнозировать модель — падение давления, концентрация напряжения, индекс гемолиза или что-то еще.
  • Выберите правильную точность: Не каждая проблема требует FSI. Для раннего скрининга дизайна достаточно более простых комковых параметров или 1D-моделей. Зарезервируйте 3D FSI для суждений высокого риска.
  • Инвестируйте в автоматизацию: Ручное настройка каждой симуляции неэффективна. Используйте скриптинг и шаблонные рабочие процессы для пакетных параметрических исследований.
  • Партнер с клиницистами: Доступ к реальным изображениям и клиническим конечным точкам является единственным самым большим предиктором доверия к модели.
  • План проверки и валидации с первого дня: Документируйте все предположения, исследования сходимости сеток и сравнение с экспериментами.Эта документация становится вашим нормативным представлением.

Платформы с открытым исходным кодом, такие как SimVascular и OpenFOAM, обеспечивают надежные отправные точки для академических лабораторий и компаний на ранней стадии. Для производственных сред коммерческие решатели, такие как ANSYS Fluent и COMSOL Multiphysics, предлагают проверенные модули специально для сердечно-сосудистых применений.

Вывод: Неизбежная интеграция моделей и медицины

Сердечно-сосудистое физиологическое моделирование прошло стадию доказательства концепции. Сейчас это практический, необходимый инструмент для разработки более безопасных, более эффективных медицинских устройств за меньшее время и с более низкой стоимостью. Сближение визуализации с высоким разрешением, вычислительной динамики жидкости, машинного обучения и нормативного принятия создало среду, в которой доказательства в силико уважаются наряду с настольными и клиническими данными. По мере того, как модели становятся более всеобъемлющими и адаптивными, они будут не только формировать дизайн устройства, но и позволят персонализированное планирование лечения, мониторинг в реальном времени и прогнозное здравоохранение.

Для инженеров и менеджеров по продуктам идея ясна: инвестировать в создание надежных, проверенных физиологических моделей сейчас или риск остаться позади в следующей волне инноваций в устройствах. Инструменты зрелые, путь регулирования определен, а выгоды - для пациентов и для бизнеса - слишком велики, чтобы их игнорировать.

Основные ссылки и ресурсы для дальнейшего чтения: