Évaluation du risque thromboembolique dans l'oreillette gauche à l'aide de l'IRM 4D et de la dynamique des fluides computationnelle
Description
L'intérêt pour la biomécanique de l'oreillette gauche (OG) s'est accru au cours des dernières années [1], car une fonction auriculaire altérée est fortement associée à un risque accru d'accident vasculaire cérébral. La fibrillation auriculaire (FA) est responsable d'environ un tiers de tous les accidents vasculaires cérébraux [2]. Bien que le lien entre la FA et les AVC soit bien établi, la FA n'est pas la seule cause d'AVC associée à l'AA [3] et environ 20 % des AVC restent sans cause clairement définie [4]. On pense que des zones de stagnation sanguine peuvent se développer à la suite de modifications de la mécanique de la paroi de l'AA (en particulier la fibrose), augmentant ainsi le risque thromboembolique. Le couplage complexe entre la biomécanique de la paroi de l'oreillette gauche (et son remodelage) et l'hémodynamique intra-auriculaire est essentiel pour évaluer la fonction auriculaire et prédire le risque d'AVC [5]. Cependant, cette relation n'est pas entièrement comprise, ce qui rend l'évaluation de la fonction auriculaire difficile. Ce projet vise à développer des biomarqueurs pour l'évaluation de la fonction auriculaire et du risque d'AVC qui y est associé. Ces marqueurs seront basés sur la combinaison de l'IRM 4D et de la dynamique des fluides computationnelle (CFD). Si les nouvelles techniques d'imagerie ont apporté une contribution essentielle à la meilleure compréhension et caractérisation de la fonction de l'oreillette gauche [6] [7], les approches de modélisation jouent un rôle complémentaire en fournissant des informations prédictives [8] [9].
Ce projet s'appuiera sur un ensemble de données d'images IRM 4D de patients (n>50) fournissant des champs de vitesse sanguine en 3D et le mouvement de la paroi de l'oreillette gauche. L'approche se déroulera en plusieurs étapes :
- Post-traitement des images IRM 4D pour la cohorte : segmentation des images à l'aide d'outils déjà développés [10] et extraction de mesures globales (débits, variations de volume, etc.) et locales (indice de stagnation, vorticité, etc.)
- Adaptation et application de simulations CFD haute fidélité de l'hémodynamique intra-auriculaire : adaptation du solveur interne existant (utilisé pour le mouvement de la paroi basé sur la tomodensitométrie) au mouvement dérivé de l'IRM ; calcul de mesures de flux similaires pour comparaison avec l'IRM 4D et calcul de mesures plus avancées (distribution du temps de séjour, champs de concentration de thrombine, etc.) [9]
- Évaluation des incertitudes de l'approche d'imagerie 4D : sous-échantillonnage des simulations CFD et comparaison avec les données IRM 4D in vivo
- Évaluation du potentiel prédictif des mesures dérivées : comparaison des mesures dérivées in silico avec les résultats cliniques (survenue d'événements thromboemboliques).
En combinant les connaissances issues de la biomécanique et de la dynamique des fluides cardiovasculaires avec les données cliniques, ce projet vise à améliorer considérablement notre compréhension de la biomécanique de l'oreillette gauche, tout en jetant les bases d'une approche clinique translationnelle permettant de prédire le risque de thrombose chez les patients.
Bibliographie
Bibliographie
[1] F. Bisbal, A. Baranchuk, E. Braunwald, A. Bayés de Luna, and A. Bayés-Genís, “Atrial Failure as a Clinical Entity,” J. Am. Coll. Cardiol., vol. 75, no. 2, pp. 222–232, Jan. 2020, doi: 10.1016/j.jacc.2019.11.013.
[2] B. Freedman, T. S. Potpara, and G. Y. H. Lip, “Stroke prevention in atrial fibrillation,” The Lancet, vol. 388, no. 10046, pp. 806–817, Aug. 2016, doi: 10.1016/S0140-6736(16)31257-0.
[3] K. Tandon, D. Tirschwell, W. T. Longstreth, B. Smith, and N. Akoum, “Embolic stroke of undetermined source correlates to atrial fibrosis without atrial fibrillation,” Neurology, vol. 93, no. 4, pp. e381–e387, July 2019, doi: 10.1212/WNL.0000000000007827.
[4] C. O. Johnson et al., “Global, regional, and national burden of stroke, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016,” Lancet Neurol., vol. 18, no. 5, pp. 439–458, May 2019, doi: 10.1016/S1474-4422(19)30034-1.
[5] L. E. Sade et al., “Left atrial mechanics for secondary prevention from embolic stroke of undetermined source,” Eur. Heart J. - Cardiovasc. Imaging, vol. 23, no. 3, pp. 381–391, Feb. 2022, doi:10.1093/ehjci/jeaa311.
[6] T. Sekine et al., “4D Flow MR Imaging of the Left Atrium: What is Non-physiological Blood Flow in the Cardiac System?,” Magn. Reson. Med. Sci., vol. 21, no. 2, pp. 293–308, 2022, doi:10.2463/mrms.rev.2021-0137.
[7] J. Garcia et al., “Left atrial vortex size and velocity distributions by 4D flow MRI in patients with paroxysmal atrial fibrillation: Associations with age and CHA2DS2-VASc risk score,” J. Magn. Reson. Imaging, vol. 51, no. 3, pp. 871–884, Mar. 2020, doi: 10.1002/jmri.26876.
[8] L. Parker et al., “A multi-modal computational fluid dynamics model of left atrial fibrillation haemodynamics validated with 4D flow MRI,” Biomech. Model. Mechanobiol., vol. 24, no. 1, pp. 139–152, Feb. 2025, doi: 10.1007/s10237-024-01901-y.
[9] M. Guerrero-Hurtado et al., “Hemodynamics affects factor XI/XII anticoagulation efficacy in patient-derived left atrial models,” Comput. Methods Programs Biomed., vol. 267, p. 108761, July 2025, doi:10.1016/j.cmpb.2025.108761.
[10] X. Morales et al., “A Computational Pipeline for Advanced Analysis of 4D Flow MRI in the Left Atrium,” 2025, arXiv. doi: 10.48550/ARXIV.2505.09746.
[11] J.-B. Guichard and S. Nattel, “Atrial Cardiomyopathy,” J. Am. Coll. Cardiol., vol. 70, no. 6, pp. 756–765, Aug. 2017, doi: 10.1016/j.jacc.2017.06.033.
[12] R. M. Inciardi and A. Rossi, “Left atrium: a forgotten biomarker and a potential target in cardiovascular medicine,” J. Cardiovasc. Med., vol. 20, no. 12, pp. 797–808, Dec. 2019, doi:10.2459/JCM.0000000000000886.
