Computational fluid dynamics with stents: quantitative comparison with particle image velocimetry for three commercial off the shelf intracranial stents
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Validation of computational fluid dynamics (CFD) in stented intracranial aneurysms (IAs) is still lacking, to reliably predict prone to occlusion hemodynamics, probing, in particular, velocity reduction, and flow pattern changes. This study compares CFD outcome with particle imaging velocimetry (PIV) for three commercial off the shelf (COTS) stents of different material densities. MATERIAL AND METHODS: The recently developed uniform and high precision multi-time lag PIV method was applied to a sidewall aneurysm before and after implantation of three COTS stents with high, intermediate, and low material densities. The measured laser sheet flow patterns and velocity reductions were compared with CFD results and correlated with stent material density. RESULTS: Velocity reduction was in good agreement for unstented high and low porosity stented IA, while flow pattern change was fully matched for unstented and high porosity stented IA. Poor CFD-PIV matching in IA was found for intermediate porosity stents. CONCLUSIONS: CFD reproduced fully PIV measurements in unstented and high porosity stented IAs. With low porosity stents, CFD reproduced velocity reduction and high velocities close to the neck, while a marked mismatch on sluggish flow was found at the dome. CFD was unable to match PIV with intermediate porosity stents for which hemodynamic transition occurred.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».