How patient-specific do internal carotid artery inflow rates need to be for computational fluid dynamics of cerebral aneurysms?
Notice bibliographique
Résumé
Background Computational fluid dynamics (CFD) has become a popular tool for studying ‘patient-specific’ blood flow dynamics in cerebral aneurysms; however, rarely are the inflow boundary conditions patient-specific. We aimed to test the impact of widespread reliance on generalized inflow rates. Methods Internal carotid artery (ICA) flow rates were measured via 2D cine phase-contrast MRI for 24 patients scheduled for endovascular therapy of an ICA aneurysm. CFD models were constructed from 3D rotational angiography, and pulsatile inflow rates imposed as measured by MRI or estimated using an average older-adult ICA flow waveform shape scaled by a cycle-average flow rate (Q avg ) derived from the patient’s ICA cross-sectional area via an assumed inlet velocity. Results There was good overall qualitative agreement in the magnitudes and spatial distributions of time-averaged wall shear stress (TAWSS), oscillatory shear index (OSI), and spectral power index (SPI) using generalized versus patient-specific inflows. Sac-averaged quantities showed moderate to good correlations: R 2 =0.54 (TAWSS), 0.80 (OSI), and 0.68 (SPI). Using patient-specific Q avg to scale the generalized waveform shape resulted in near-perfect agreement for TAWSS, and reduced bias, but not scatter, for SPI. Patient-specific waveform had an impact only on OSI correlations, which improved to R 2 =0.93. Conclusions Aneurysm CFD demonstrates the ability to stratify cases by nominal hemodynamic ‘risk’ factors when employing an age- and vascular-territory-specific recipe for generalized inflow rates. Q avg has a greater influence than waveform shape, suggesting some improvement could be achieved by including measurement of patient-specific Q avg into aneurysm imaging protocols.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».