Computational Inference of Pressure Fields from Non-Invasively Measured Flow Patterns

Das menschliche Herz ist unser lebenswichtigstes Organ, das alle anderen Organe in unserem Körper mit Blut versorgt. Bestimmte Krankheiten, wie z. B. erhöhter Blutdruck, können die Funktion des Herzens beeinträchtigen und bis zu einer erhöhten Morbitität führen. In der klinischen Praxis wählen Ärzte die am besten geeignete Behandlung auf Grundlage einer Bewertung von meist nur invasiv messbaren Indikatoren des physiologischen Zustandes eines Patienten, so genannte Biomarker, aus. Diese invasiven Messungen tragen selbst Verfahrensrisiken und Kosten was dazu führt das manche Patientien aus diesen Therapien ausgeschlossen werden.

Nicht-invasive Daten, die im Rahmen des klinischen Alltags erhoben werden, wie z. B. CT- und MRT-Bilddaten, liefern Informationen, die zur Verbesserung der Bewertung klinischer Biomarker genutzt werden könnten. Im Bereich der Computerwissenschaften haben sich kardiale digitale Zwillinge (cardiac digital twins), eine virtuelle Nachbildung des Herzens eines Menschen, als vielversprechende Technologie erwiesen, die mehr klinische Daten zur Verbesserung unseres Wissens über das menschliche Herz und des Vertrauens in dessen Simulationen nutzen kann, da sie ausschließlich auf den physikalischen und physiologischen Grundlagen der Herzfunktion eines Patienten beruhen.

In diesem Projekt wollen wir das volle Potenzial kardialer digitaler Zwillinge ausschöpfen, indem wir dieses Konzept nicht nur auf ein Individuum, sondern auf Datenbanken mit virtuellen Herzen anwenden. Mit Hilfe modernster Technologien des maschinellen Lernens werden wir es möglich machen, die Auswirkungen unterschiedlicher Patientenanatomien zu untersuchen und klinische Biomarker abzuleiten, ohne dass invasive Messungen erforderlich sind. Dies birgt letztlich die Möglichkeit, Behandlungen für Patienten zu personalisieren und für jeden die am besten geeignete Therapie zu finden.

Podcast Ans Herz gelegt - AirCampus (aircampus-graz.at)
ResearchGate

Projektförderung

Förderung: EUR 522.350,-