August 12th, 2025
La evaluación de la estenosis de la arteria carótida interna (ACI) se basa en la estimación del porcentaje de estenosis, que no tiene en cuenta los factores de riesgo fisiológicamente relevantes para el accidente cerebrovascular, como la composición de la placa y la hemodinámica. Este protocolo aprovecha la resonancia magnética cuantitativa y la dinámica de fluidos computacional para caracterizar la composición y la hemodinámica de la placa ICA.
Nuestra investigación evalúa los factores de riesgo fisiológicamente relevantes para la embolia de placas y el accidente cerebrovascular en pacientes con estenosis de la arteria carótida interna. Específicamente, observamos cómo la morfología de la placa y su entorno hemodinámico difieren entre los pacientes con estenosis de la arteria carótida. En el campo de la investigación cerebrovascular, los esfuerzos recientes han tenido como objetivo identificar predictores de accidente cerebrovascular en pacientes asintomáticos con estenosis de la arteria carótida con un enfoque específico en los factores de riesgo específicos del paciente, las características de imagen y los parámetros hemodinámicos, que pueden estar relacionados con un mayor riesgo de accidente cerebrovascular.
La dinámica de fluidos computacional permite un análisis no invasivo del flujo sanguíneo específico del paciente, y se usa cada vez más junto con imágenes de resonancia magnética y CTA de conteo de fotones para evaluar la estructura y composición de la placa carotídea. Las imágenes de resonancia magnética actuales están limitadas por largos tiempos de exploración, interpretación compleja de imágenes y errores de reposicionamiento. Y, por otro lado, la dinámica de fluidos computacional sufre de datos limitados específicos del paciente y un ajuste deficiente del modelo, lo que reduce su precisión.
Nuestro grupo ha demostrado que los pacientes con grados similares de estrechamiento de la estenosis de la arteria carótida interna exhiben perfiles hemodinámicos distintos y que en pacientes con estenosis bilateral, el grado de gravedad de la estenosis influye en la hemodinámica y las características de flujo de cada lado. Y esto realmente subraya las complejas interacciones cerebrovasculares y hemodinámicas en estos pacientes. Para comenzar, inicie el software CRIMSON en un sistema informático.
Importe datos de imagen DICOM no identificados para la anatomía específica del paciente en CRIMSON utilizando el botón de importación en el administrador de datos. Con la ventana de modelado de geometría, seleccione la edición de trayectorias de vasos y cree un árbol de vasos que contenga la arteria carótida común, la arteria carótida externa y la arteria carótida interna. Comience la línea central de la arteria carótida común al nivel de C5 donde se obtuvo la forma de onda de flujo de resonancia magnética PC.
Coloque la línea central de la arteria carótida interna de modo que termine de uno a dos centímetros distal a la estenosis, coincidiendo con la ubicación de la forma de onda de la resonancia magnética de PC. Luego coloque el punto final de la línea central de la arteria carótida externa proximal a las ramas de primer orden, haciendo coincidir la ubicación de adquisición de la forma de onda de la resonancia magnética de PC. Ahora use la ventana de recorte de vasijas para visualizar la línea central y las vistas transversales perpendiculares a la línea central después de agregar al menos dos puntos a lo largo de cada vasija.
Con la misma ventana, añada contornos de recipiente para especificar los contornos del muro del recipiente. El lado izquierdo de la ventana de recorte de vasos muestra la imagen original, mientras que el lado derecho muestra el degradado de imagen para definir contornos. Coloque los contornos con la frecuencia suficiente para capturar la curvatura de la vasija y la geometría cambiante sin sobreajustar.
Después de definir todos los contornos, utilice el botón Loft de la ventana de modelado de contornos de recipiente para generar un modelo sólido tridimensional combinado mediante recubrimiento. A continuación, utilice la ventana de fusión de recipientes para seleccionar el algoritmo de empalme para fusionar el modelo de recipientes en una única geometría sólida. Abra la ventana de configuración de mallado y solucionador y haga clic en el botón de mallado para ver las opciones de mallado para configurar los parámetros de malla.
En la ventana de opciones globales, establezca el tamaño del elemento global en un valor absoluto entre 0,5 milímetros y 0,75 milímetros. Luego establezca el tipo de capa límite en crecimiento geométrico, el número total de capas en tres, el grosor de la primera capa en 0,2 milímetros y el grosor total de la capa de un milímetro. A continuación, aplique el refinamiento de la curvatura para añadir elementos de malla en regiones de alta curvatura, como la estenosis.
Haga clic con el botón derecho en la malla y haga clic en el botón de información de la malla para revisar las métricas de la malla, incluido el recuento de elementos, las relaciones de aspecto y la distribución. Para especificar las condiciones de contorno, haga clic en la ventana de configuración de mallado y solucionador. Seleccione el icono de configuración del solucionador y, a continuación, agregue un conjunto de condiciones de contorno con el icono BC.
Vea las condiciones de contorno disponibles actualmente en CRIMSON. Haga clic en el icono BC de nuevo, seleccione sin deslizamiento para implementar muros rígidos e indeformables y aplíquelo a todos los muros mediante la opción Aplicar a todos los muros. Luego seleccione la velocidad prescrita.
Importe la forma de onda de entrada definida anteriormente y asigne un perfil de velocidad parabólica a la entrada CCA. Del mismo modo, importe la forma de onda de salida pulsátil ECA que mapea un perfil de velocidad parabólica a la salida ECA. Ahora haga clic en el icono BC, elija RCR y rellene un modelo de Windkessel de tres elementos, que consta de resistencia proximal, resistencia distal y condensador.
Asigne el RCR al punto de venta ICA en función de los cálculos específicos del paciente. Para preparar los parámetros del solucionador, navegue hasta la ventana de mallado y solucionador, haga clic en el icono de configuración del solucionador y, a continuación, elija los parámetros del solucionador. Establezca el tamaño del paso en 0,1 milisegundos para cuatro ciclos cardíacos, requiere residual en 10 a la potencia de menos cuatro y la densidad sanguínea en 1.060 kilogramos por metro cúbico.
Utilice la configuración del solucionador para generar todos los archivos de entrada de simulación, incluidos los datos de flujo, el flujo de entrada en cada paso de tiempo, las condiciones de malla y contorno, la cara en la que se aplica cada condición de contorno, el número de primer paso de tiempo de la simulación, los datos de Windkessel de tres elementos, la presión y la velocidad en cada punto de la malla y las instrucciones para el solucionador de flujo. Agregue el modelo de Carreau-Yasuda al solucionador. inp y add a los archivos de simulación para permitir que la sangre se modele como un fluido no newtoniano.
Ahora ejecute la simulación en el panel fijo de la ventana de configuración del solucionador para ejecutar el solucionador de flujo CRIMSON Navier-Stokes. Especifique el número de procesadores en la ventana de comandos. Cuando el solucionador comienza a ejecutarse, el archivo de salida histor.
dat se imprimirá en la línea de comandos y se guardará en un nuevo directorio, n-procs-case. Utilice el indicador de Linux tail f histor. dat para observar el archivo en tiempo real.
La primera columna del archivo corresponde al paso de tiempo. La segunda columna es el tiempo transcurrido. La tercera columna es el residuo no lineal y la cuarta columna es el valor logarítmico residual.
Se generó una malla de alta calidad con elementos de baja relación de aspecto para representar con precisión la geometría de la bifurcación de la arteria carótida. Se simuló un perfil de velocidad representativo a través de la bifurcación carotídea y la estenosis ICA, mostrando una velocidad de flujo máxima de aproximadamente 275 centímetros por segundo en la sístole máxima a través de la estenosis. El mapeo de presión mostró un gradiente de presión insignificante a través de la estenosis en un caso con presiones proximales y distales casi superpuestas a lo largo del ciclo cardíaco.
En un caso contrastante, la presión proximal a la estenosis fue significativamente mayor que la presión distal, revelando una caída de presión prominente. El esfuerzo cortante de la pared fue bajo a lo largo de la bifurcación en el modelo no estenótico, especialmente en las paredes externas de las arterias carótidas internas y externas. En el modelo estenótico, el esfuerzo cortante de pared alta se concentró en la estenosis de la arteria carótida interna.
El mapeo del índice de cizallamiento oscilatorio mostró que los valores de OSI asociados a la lesión antes de la cirugía fueron más bajos en comparación con los valores postoperatorios. Las imágenes de coincidencia de HU identificaron hemorragia intraplaca a través de una señal hiperintensa en las imágenes ponderadas en T1 y valores reducidos en el mapa T1. La placa calcificada se identificó mediante una señal consistentemente hipointensa en secuencias de sangre oscura, ponderadas en T1 y ponderadas en T2.
Este estudio investiga los factores de riesgo para la embolía de placa y el accidente cerebrovascular en pacientes con estenosis de la arteria carótida interna. Mediante el uso de técnicas avanzadas de imágenes y dinámica de fluidos computacional, la investigación tiene como objetivo proporcionar información sobre la morfología de la placa y los entornos hemodinámicos.
Integrating MRI-based plaque characterization with computational hemodynamics enables biopharma teams to move beyond anatomical stenosis metrics toward physiologically relevant risk stratification in cerebrovascular disease. This protocol supports predictive confidence in target validation and mechanistic de-risking for stroke-related therapeutic discovery. The approach enhances translational continuity by linking imaging biomarkers with functional hemodynamic outputs, informing portfolio decisions in vascular and neurovascular R&D.
This protocol bridges early discovery, lead identification, and preclinical research by integrating imaging-based plaque analysis with computational hemodynamics.