Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC nmrT7V8pVXCQkzmTwrRVpyP S0066-782X2022000200461 abc.20220040 10.36660/abc.20220040 Minieditorial Fluidodinâmica Computacional (CFD) para Prever Alterações Patológicas na Aorta: Está Pronta para Uso Clínico? 0000-0002-6062-9076 Obrist Dominik 1 von Tengg-Kobligk Hendrik 2 ARTORG Center for Biomedical Engineering Research University of Bern Bern Suíça ARTORG Center for Biomedical Engineering Research, University of Bern, Bern – Suíça Institute for Diagnostic, Interventional and Pediatric Radiology University of Bern Bern Suíça Institute for Diagnostic, Interventional and Pediatric Radiology (DIPR), University of Bern, Bern – Suíça Correspondência: Dominik Obrist • Universität Bern - Freiburgstrasse 3, Bern, 3010 – Suíça E-mail: dominik.obrist@unibe.ch 07 03 2022 02 2022 118 2 461 462 This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Doenças Cardiovasculares/fisiopatologia Doenças Cardiovasculares/diagnóstico Simulação por Computador Processamento de Imagem Assistida por Computador Desenho de Próteses Implantação de Prótese Engenharia Biomédica

A modelagem computacional de problemas de fluxo complexos se beneficia de uma base já estabelecida de software de Fluidodinâmica Computacional (CFD, do inglês Computational Fluid Dynamics ) desenvolvido nas últimas décadas. O uso inicial de CFD estava limitado à pesquisa acadêmica. Atualmente, é uma ferramenta totalmente estabelecida em muitas aplicações industriais (por exemplo, automotiva, aeroespacial), embora a CFD continue sendo uma das tarefas computacionais mais exigentes e o estudo de problemas de fluxo complexos seja frequentemente limitado pelo poder computacional disponível. O aumento exponencial contínuo na capacidade computacional e a melhora da acessibilidade à infraestrutura de computação de alto desempenho foi um facilitador para o uso cada vez maior de CFD. À luz desse sucesso, é surpreendente que a CFD dificilmente seja encontrada na prática clínica. Apesar do notável progresso na modelagem do fluxo sanguíneo complexo e na identificação de marcadores quantitativos para padrões de fluxo patológico,1 a maior parte das aplicações biomédicas da CFD permanece ao nível de pesquisa acadêmica e casos de paciente único. O estudo de Almeida et al.,2 é um dos poucos estudos sobre CFD que utiliza dados radiológicos longitudinais de coortes de pacientes. A proposta de previsão de alterações patológicas na aorta com base na CFD ilustra o potencial dessa tecnologia para se tornar uma modalidade diagnóstica estabelecida. Alguns dos desafios abordados com sucesso neste estudo são exemplos que ilustram os motivos pelos quais a CFD ainda não encontrou seu lugar na rotina clínica. Pode-se identificar quatro campos de problemas: a) A dificuldade de gerar modelos eficientes de CFD específicos para o paciente; b) A necessidade de redução da complexidade dos dados para tornar os resultados da CFD acessíveis ao médico; c) A infraestrutura inexistente de TI que integra de maneira eficiente as ferramentas de CFD aos fluxos de trabalho de dados clínicos existentes; d) A falta de especialistas no ambiente clínico, ou seja, um engenheiro clínico que dê suporte aos médicos que cuidam dos pacientes. A seguir, discutiremos esses problemas e indicaremos possíveis medidas para mitigá-los.

Modelagem específica para o paciente

Modelos específicos para pacientes3 foram implementando com sucesso por muitos pesquisadores. No entanto, a tradução de dados radiológicos de alta resolução em modelos vasculares geométricos para CFD continua sendo uma tarefa demorada, muitas vezes trabalhosa e requer especialistas treinados. Há uma falta de ferramentas automatizadas de segmentação e mesclagem para tarefas biomédicas. Desenvolvimentos recentes baseados em redes neurais profundas podem fornecer soluções aceitáveis para uso clínico.4

A definição das condições de contorno (por exemplo, perfis de velocidade no inflow / outflow ) requer muito cuidado, pois as condições de contorno têm um forte efeito na qualidade dos resultados. Portanto, é útil incluir medidas de fluxo em locais bem definidos (por exemplo, RM de fluxo sanguíneo 2D+time ou 3D+time) em protocolos radiológicos.5 Além da escolha adequada da modalidade e localização no corpo, isso requer resolução temporal e espacial adequada dos exames.

Além disso, precisamos de uma melhor compreensão da biomecânica do tecido doente para interpretar corretamente uma aorta remodelada ou dissecada ou a placa na parede de um vaso. Além da pesquisa biomecânica clássica contínua, isso requer estudos com grandes coortes, incluindo voluntários saudáveis, para entender a relevância clínica dos modelos biomecânicos.

 Marcadores diagnósticos

A análise dos resultados de CFD é um desafio, mesmo para especialistas em dinâmica de fluidos. Isso se deve em parte à dificuldade em visualizar campos de fluxo tridimensionais dependentes do tempo que apresentam uma riqueza de fenômenos de fluxo que podem ser relevantes para a interpretação clínica dos resultados (por exemplo, vórtices, instabilidades de fluxo, turbulência, separação de fluxo, re-fixação, impacto).

Essa complexidade de dados pode ser reduzida através de modelagem orientada por dados6 - 8 e por algoritmos de detecção de anomalias (amplamente utilizados na análise de ECG),9 que utilizam redes neurais profundas para localizar e destacar valores discrepantes nos dados de fluxo específicos do paciente para orientar o clínico em relação a potenciais anomalias.

Almeida et al.,2 abordou os problemas visualizando estruturas coerentes lagrangeanas10 no campo de fluxo e computando valores escalares únicos que caracterizam aspectos específicos do campo de fluxo (por exemplo, índice de helicidade). Outros propuseram métricas para caracterizar a interação biomecânica entre o fluxo sanguíneo e as paredes arteriais11 , 12 ou o efeito do fluxo de cisalhamento no trauma sanguíneo e na trombogenicidade.13 , 14 É de suma importância estabelecer o valor clínico de tais métricas e estabelecê-las como marcadores diagnósticos ou escores clínicos. Somente com tal abordagem possibilitaremos uma interpretação eficiente e padronizada dos dados de CFD na rotina clínica.

 Infraestrutura de TI integrada

A integração total da CFD no fluxo de trabalho clínico requer interfaces de transferência de dados fáceis de usar entre bancos de dados de pacientes clínicos, sistemas de imagem e plataformas computacionais para realizar a CFD. Em casos complexos, com maior demanda por poder computacional, os dados de imagem podem necessitar ser transferidos para infraestruturas computacionais centralizadas, que podem estar fora do perímetro de TI do hospital. Isso levanta questões sobre privacidade e segurança de dados, que devem ser abordadas estabelecendo tecnologia de criptografia apropriada e conexões dedicadas. Os serviços externos também devem considerar os aspectos regulatórios da transferência de dados de pacientes pela internet. Vale a pena procurar soluções utilizadas em aplicativos computacionais estabelecidos anteriormente (por exemplo, FFRCT).15

 Engenheiro Clínico

O sucesso no enfrentamento desses problemas requer o estabelecimento do papel de um engenheiro clínico que faz parte da equipe de radiologia clínica e está totalmente integrado ao fluxo de trabalho. Só assim, a CFD tem potencial para encontrar seu lugar como um recurso diagnóstico sustentável na rotina clínica.

Com essas medidas propostas, a CFD acabará se tornando apenas mais uma modalidade dentro de um ecossistema radiológico multimodal integrado, fornecendo dados adicionais para o especialista clínico obter melhor diagnóstico e previsão, incluindo a estratificação de risco adaptada individualmente.

 Referências 1. Morris P D, Narracott A H, von Tengg-Kobligk D A, Silva Soto S, Hsiao A. Lungu P,et al. Computational fluid dynamics modelling in cardiovascular medicine. Heart.2016;102(1):18-28. doi: 10.1136/heartjnl-2015-308044. Morris P D Narracott A H von Tengg-Kobligk D A Silva Soto S Hsiao A. Lungu P et al Computational fluid dynamics modelling in cardiovascular medicine Heart 2016 102 1 18 28 10.1136/heartjnl-2015-308044. 2. Almeida G. Computational Fluid Dynamics to Assess the Future Risk of Ascending Aortic Aneurysms. Arq Bras Cardiol. 2022; 118(2):448-460. Almeida G Computational Fluid Dynamics to Assess the Future Risk of Ascending Aortic Aneurysms Arq Bras Cardiol 2022 118 2 448 460 3. Gray RA, Pathmanathan P. Patient-Specific Cardiovascular Computational Modeling: Diversity of Personalization and Challenges. J Cardiovasc Transl Res. 2018;11:80–8. doi: 10.1007/s12265-018-9792-2. Epub 2018 Mar 6. Gray RA Pathmanathan P Patient-Specific Cardiovascular Computational Modeling: Diversity of Personalization and Challenges J Cardiovasc Transl Res 2018 11 80 88 10.1007/s12265-018-9792-2. Epub 2018 Mar 6 4. Chaitanya K, Karani N Baumgartner CF, Becker A, Donati O, Konukoglu E. Semi-supervised and task-driven data augmentation. Med Imag Anal.2021; 68:101934. doi: 10.1016/j.media.2020.101934. Chaitanya K Karani N Baumgartner CF Becker A Donati O Konukoglu E Semi-supervised and task-driven data augmentation Med Imag Anal 2021 68 101934 10.1016/j.media.2020.101934. 5. Bonfanti M, Franzetti G, Maritati G, Homer-Vanniasinkam S, Balabani S, Díaz-Zuccarini V. Patient-specific haemodynamic simulations of complex aortic dissections informed by commonly available clinical datasets. Med Eng Phys. 2019;71:45–55 DOI: 10.1016/j.medengphy.2019.06.012 Bonfanti M Franzetti G Maritati G Homer-Vanniasinkam S Balabani S Díaz-Zuccarini V Patient-specific haemodynamic simulations of complex aortic dissections informed by commonly available clinical datasets Med Eng Phys 2019 71 45–55 10.1016/j.medengphy.2019.06.012 6. Arzani A, Dawson STM. Data-driven cardiovascular flow modelling: examples and opportunities. JR Soc Interface.2021;18:20200802. doi: 10.1098/rsif.2020.0802. Epub 2021 Feb 10. Arzani A Dawson STM Data-driven cardiovascular flow modelling: examples and opportunities JR Soc Interface 2021 18 20200802 10.1098/rsif.2020.0802. Epub 2021 Feb 10 7. Habibi M, D’Souza, S, Dawson M, Arzani A. Integrating multi-fidelity blood flow data with reduced-order data assimilation. Comput Biol Med.2021;135:104566 doi: 10.1016/j.compbiomed.2021.104566 Habibi M D’Souza S Dawson M Arzani A Integrating multi-fidelity blood flow data with reduced-order data assimilation Comput Biol Med 2021 135 104566 10.1016/j.compbiomed.2021.104566 8. Liang L, Mao W, Sun W. A feasibility study of deep learning for predicting hemodynamics of human thoracic aorta. J Biomech.2020;99:109544. Liang L Mao W Sun W A feasibility study of deep learning for predicting hemodynamics of human thoracic aorta J Biomech 2020 99 109544 9. Li H, Boulanger P. A survey of heart anomaly detection using ambulatory Electrocardiogram (ECG).Sensors(Basel).2020;20(5):1461. doi: 10.1016/j.compbiomed.2021.104566 Li H Boulanger P A survey of heart anomaly detection using ambulatory Electrocardiogram (ECG) Sensors(Basel) 2020 20 5 1461 10.1016/j.compbiomed.2021.104566 10. Darwish A, Norouzi S, Di Labbio G, Kadem L. Extracting Lagrangian coherent structures in cardiovascular flows using Lagrangian descriptors. Phys Fluids .2021;33:111707. Darwish A Norouzi S Di Labbio G Kadem L Extracting Lagrangian coherent structures in cardiovascular flows using Lagrangian descriptors Phys Fluids 2021 33 111707 11. Arzani, A, Shadden SC. Wall shear stress fixed points in cardiovascular fluid mechanics. J Biomech.2018;73:145-52. doi: 10.1016/j.jbiomech.2018.03.034. Arzani A Shadden SC Wall shear stress fixed points in cardiovascular fluid mechanics J Biomech 2018 73 145 152 10.1016/j.jbiomech.2018.03.034. 12. Morbiducci U, Mazzi V, Domanin M, De Nisco G, Vergara C, Steinman DA, et al., Wall shear stress topological skeleton independently predicts long-term restenosis after carotid bifurcation endarterectomy. Ann Biomed Eng.2020;48(12):2936-49. doi: 10.1007/s10439-020-02607-9. Morbiducci U Mazzi V Domanin M De Nisco G Vergara C Steinman DA et al Wall shear stress topological skeleton independently predicts long-term restenosis after carotid bifurcation endarterectomy Ann Biomed Eng 2020 48 12 2936 2949 10.1007/s10439-020-02607-9. 13. Taylor J O, Meyer RS, Deutsch S, Manning KB. Development of a computational model for macroscopic predictions of device-induced thrombosis. Biomech Model Mechanobiol.2016;15(6):1713-31. doi: 10.1007/s10237-016-0793-2. Epub 2016 May 12. Taylor J O Meyer RS Deutsch S Manning KB Development of a computational model for macroscopic predictions of device-induced thrombosis Biomech Model Mechanobiol 2016 15 6 1713 1731 10.1007/s10237-016-0793-2. Epub 2016 May 12 14. Yazdani A, Zhang P, Sheriff J, Slepian MJ, Deng Y, Bluestein D. Multiscale modeling of blood flow-mediated platelet thrombosis. Handb Mater Model Appl Curr Emerg Mater.2020;2667-98. Yazdani A Zhang P Sheriff J Slepian MJ Deng Y Bluestein D Multiscale modeling of blood flow-mediated platelet thrombosis Handb Mater Model Appl Curr Emerg Mater 2020 2667 2698 15. Min J K, Taylor CA, Stephan A, Kwon KB, Jonathon L, Bernard DB. Noninvasive Fractional Flow Reserve Derived From Coronary CT Angiography. JACC Cardiovasc Imaging.2015;8(10):1209-22. doi: 10.1016/j.jcmg.2015.08.006. Min J K Taylor CA Stephan A Kwon KB Jonathon L Bernard DB Noninvasive Fractional Flow Reserve Derived From Coronary CT Angiography JACC Cardiovasc Imaging 2015 8 10 1209 1222 10.1016/j.jcmg.2015.08.006.

Minieditorial referente ao artigo: Fluidodinâmica Computacional na Avaliação do Risco Futuro de Aneurismas de Aorta Ascendente

Short Editorial Computational Fluid Dynamics (CFD) For Predicting Pathological Changes In The Aorta: Is It Ready For Clinical Use? 0000-0002-6062-9076 Obrist Dominik 1 von Tengg-Kobligk Hendrik 2 Switzerland ARTORG Center for Biomedical Engineering Research, University of Bern, Bern – Switzerland Switzerland Institute for Diagnostic, Interventional and Pediatric Radiology (DIPR), University of Bern, Bern – Switzerland Mailing Address: Dominik Obrist • Universität Bern - Freiburgstrasse 3, Bern, 3010 – Switzerland E-mail: dominik.obrist@unibe.ch Cardiovascular Diseases/phyiopathology Cardiovascular Diseases/diagnosis Computer Simulation Image Processing Computer Assisted Prosthesis Design Prosthesis Implantation Biomedical Engineering

Computational modelling of complex flow problems profits from a mature basis of Computational Fluid Dynamics (CFD) software developed over the past decades. Early use of CFD was limited to academic research. Nowadays, it is a fully established tool in many industrial applications (e.g., automotive, aerospace), although CFD remains to be one of the most demanding computational tasks and the study of complex flow problems is often limited by the available computational power. The continuous exponential increase in computational power and the improved accessibility of high-performance computing infrastructure was an enabler for the ever-growing use of CFD.

Under the light of this success, it is surprising that CFD can hardly be found in clinical practice. Despite remarkable progress in modelling complex blood flow and in identifying quantitative markers for pathological flow patterns,1 most biomedical applications of CFD remain at the level of academic research and single-patient cases. The study by Almeida et al.2 is one of the few CFD studies using longitudinal radiological data from patient cohorts. The proposed prediction of pathological changes in the aorta based on CFD illustrates the potential of this technology to become an established diagnostic modality. Some of the challenges successfully addressed in this study are exemplary for the reason why CFD has not yet found its place in clinical routine. We can identify four problem fields: a) The difficulty of efficiently generating patient-specific CFD models; b) The need for reduction of data complexity to make CFD results accessible to the clinician; c) The missing IT infrastructure which integrates CFD tools smoothly into existing clinical data workflows; d) The lack of experts in the clinical environment, i.e. a clinical engineer supporting the caring physicians. In the following, we will discuss these problems and indicate possible measures to mitigate them.

Patient-specific modelling

Patient-specific models3 have been successfully deployed by many researchers. Nevertheless, the translation of high-resolution radiological data into geometrical vascular models for CFD remains a time-intensive task which is often cumbersome and requires trained specialists. There is a lack of automated segmentation and meshing tools for biomedical tasks. Recent developments based on deep neural networks may provide acceptable solutions for clinical use.4

The setting of boundary conditions (e.g., velocity profiles at inflow/outflow) requires great care, because boundary conditions have a strong effect on the quality of the results. Therefore, it is useful to include flow measurements at well-defined locations (e.g., 2D+time or 3D+time blood flow MRI) into radiologic protocols.5 Next to the adequate choice of the modality and body location, this requires appropriate temporal and spatial resolution of the scans.

Furthermore, we need a better understanding of diseased tissue biomechanics to correctly interpret a remodeled or dissected aorta or the plaque on a vessel wall. Next to continued classical biomechanical research, this requires studies with large cohorts including healthy volunteers to understand the clinical relevance of biomechanical models.

 Diagnostic markers

Analysis of CFD results is challenging even for experts in fluid dynamics. This is partly due to the difficulty of visualizing three-dimensional, time-dependent flow fields featuring a wealth of flow phenomena which may be relevant for the clinical interpretation of the results (e.g., vortices, flow instabilities, turbulence, flow separation, re-attachment, impingement).

This data complexity can be reduced by data-driven modelling6 - 8 and by anomaly detection algorithms (used widely in ECG analysis9 ) which use deep neural networks to localize and highlight outliers in the patient-specific flow data to guide the clinician toward potential anomalies.

Almeida et al.2 addressed the problems by visualizing Lagrangian coherent structures10 in the flow field and by computing single scalar values that characterize specific aspects of the flow field (e.g. helicity index). Others proposed metrics to characterize the biomechanical interaction between blood flow and arterial walls11 , 12 or the effect of shear flow on blood trauma and thrombogenicity.13 , 14 It is of paramount importance to establish the clinical value of such metrics and to establish them as diagnostic markers or clinical scores. Only with such an approach we will enable efficient and standardized interpretation of CFD data in clinical routine.

 Integrated IT infrastructure

Full integration of CFD into the clinical workflow requires easy-to-use data transfer interfaces between clinical patient databases, imaging systems and computational platforms to perform CFD. In complex cases with higher demand for computational power, imaging data may have to be transferred to centralized computational infrastructure which may be outside of the hospital’s IT perimeter. This raises questions of data privacy and security which must be addressed by establishing appropriate encryption technology and dedicated connections. External services must also consider regulatory aspects of transferring patient data over the internet. It will be worthwhile to look at solutions used in already established computational applications (e.g. FFRCT15 ).

 Clinical Engineer

Successful tackling of these problems requires establishing the role of a clinical engineer who is part of the clinical radiology team and fully integrated in the workflow. Only then, CFD has the potential to find its place as a sustainable diagnostic resource in clinical routine.

With these proposed measures, CFD will eventually become just another modality within an integrated multi-modal radiologic ecosystem providing additional cues to the clinical expert to arrive at a better diagnosis and prediction including individually adapted risk stratification.

Short Editorial related to the article: Computational Fluid Dynamics to Assess the Future Risk of Ascending Aortic Aneurysms