Vorhersage der Blutschädigung mit Ersatzmodellen

Eine zentrale Herausforderung bei der Entwicklung medizinischer Geräte ist die Minimierung des Risikos einer Blutbeschädigung. Mithilfe von Modellierung und Simulation können Ingenieure die Wahrscheinlichkeit einer Blutbeschädigung abschätzen und so die Sicherheit und Leistungsfähigkeit der Geräte verbessern, während gleichzeitig der Rechenaufwand reduziert wird. Veryst Engineering, ein COMSOL Certified Consultant, nutzte die Software COMSOL Multiphysics^®, um Ersatzmodelle zur Vorhersage von Rezirkulationszonen und Blutschädigung – insbesondere Hämolyse – auf der Grundlage einer Referenzdüsengeometrie der US-amerikanischen Food and Drug Administration (FDA) zu erstellen (Ref. 1).

Dr. Matthew Hancock, Geschäftsführer bei Veryst Engineering, erklärt: „Da KI und maschinelles Lernen zunehmend Teil des Zulassungsverfahrens werden, besteht die eigentliche Herausforderung nicht nur darin, wie genau ein Ersatzmodell im Vergleich zur Referenzsimulation ist, sondern darin, ob wir nachweisen – und nicht nur annehmen – können, dass etwaige durch KI verursachte Fehler gering genug sind, um die Integrität der darauf basierenden Entscheidung zu gewährleisten. Wir bezeichnen dies als Entscheidungszuverlässigkeit.“

Einsatz von Simulationen zur Minimierung des Risikos

Wenn Medizinprodukte mit Blut in Kontakt kommen, besteht die Gefahr, dass sie unbeabsichtigt eine Blutschädigung verursachen. Dieses Risiko stellt eine konstruktive Herausforderung für Produkte wie Instrumentenschleifen oder Verbindungen zwischen Medizinprodukten und Blutgefäßen dar, darunter Herzschrittmacher, Herzklappen und Katheter.

Eine Hämolyse tritt auf, wenn rote Blutkörperchen zerplatzen und Hämoglobin in das umgebende Blutplasma freisetzen. Bei der Modellierung medizinischer Geräte lässt sich diese Art von Blutschädigung anhand des Anstiegs des ungebundenen Hämoglobins im durch das Gerät zirkulierenden Blut messen. Die Quantifizierung des Hämoglobins unter Berücksichtigung subletaler Schäden und Thrombosen kann zu fundierteren Designentscheidungen führen.

Das Ziel von Veryst’s war es, eine Simulation zu entwickeln, die Entwicklern von Medizinprodukten dabei helfen kann, den Zusammenhang zwischen der Geometrie des Produkts und der Blutschädigung zu verstehen. Um dieses Ziel zu erreichen, griff das Team auf multiphysikalische Simulationen und Ersatzmodelle zurück, die zudem den Vorteil bieten, den Ressourcenbedarf für reale Experimente erheblich zu reduzieren.

In einer Posterpräsentation auf einer COMSOL Conference berichteten Ingenieure von Veryst, wie sie Ersatzmodelle trainiert und eingesetzt haben, um Blutschädigungen in Echtzeit zu visualisieren. Sie konnten Aspekte des Designs und verschiedene Betriebsparameter verändern und die daraus resultierenden Auswirkungen beobachten. Diese Analysen halfen ihnen dabei, die einflussreichsten Parameter und deren Toleranzbereiche zu ermitteln.

Aufbau und Training von Ersatzmodellen

Für ihre Simulationsarbeit verwendeten die Ingenieure von Veryst Ersatzmodelle auf der Basis von Deep Neural Networks (DNN), um die Blutgeschwindigkeit und die Hämolyse vorherzusagen. Diese Arbeit knüpft an frühere Arbeiten von Veryst zur Modellierung von Blutschädigungen in der FDA-Benchmark-Düse (Ref. 2) an, die in einem Gastvortrag auf der COMSOL Conference 2020 vorgestellt wurden. Das Team konnte die Daten aus den früheren Vollmodellsimulationen nutzen, um die DNN-Modelle zu trainieren.

Darüber hinaus verfügt die FDA über Referenzdatensätze zur Validierung numerischer Simulationen des Blutflusses durch Medizinprodukte (Ref. 3), und es müssen bestimmte Anforderungen erfüllt sein, damit ein Medizinprodukt die FDA-Zulassung erhält. Ein Referenzdatensatz bezieht sich auf eine Düse mit einem Schlauch, der eine Verengung, einen Hals und eine Ausdehnung aufweist, bzw. mit einer konischen Veränderung des Durchmessers an einem Ende des Halses und einer abrupten Veränderung am anderen Ende (Abbildung 1).

Um ihr Düsenmodell für die Einreichung bei der FDA vorzubereiten, wählten die Ingenieure von Veryst Fluideigenschaften aus, die dem Referenzprotokoll der FDA entsprechen. Sie legten vier einstellbare Eingabeparameter fest:

1. Durchflussrate
2. Konvergierende Länge
3. Halsdurchmesser
4. Divergierende Länge

Das Ersatzmodell sagt die Blutgeschwindigkeit voraus und schätzt die Hämolyse anhand einer Potenzgesetz-Beziehung als Funktion der Belastung (Lit. 2). Das Ergebnis des Hämolyse-Modells gibt an, wie viel Hämoglobin aufgrund von Zellrissen oder undichten Stellen in den Blutkreislauf freigesetzt wird.

Abbildung 1. Ein Diagramm, das den Aufbau der Düsen und die Eingaben für das DNN-Modell veranschaulicht.

Zur Erstellung des Hämolyse-Modells berechnete das Team die mittlere Hämolyse am Austritt der Strömung anhand einer Versuchsplanung mit 9.000 Simulationen. Es wurde ein Ersatzmodell erstellt, um die Geschwindigkeitskomponenten u und w anhand der Rohdaten zu trainieren. Das DNN-Ersatzmodell umfasste drei versteckte Ebenen mit jeweils 20 Knoten, die mit tanh-Aktivierungsfunktionen arbeiteten. Zum Trainieren des Modells wurden 5.000 Epochen verwendet. Das Geschwindigkeitsnetzwerk umfasste ein DNN, das anhand von 500 Simulationen über 3.500 Epochen trainiert wurde und jeweils 32 Knoten in den drei versteckten Ebenen hatte. Die Geschwindigkeits-Trainingsdaten nutzten alle Gitterpunkte nach der Expansion, wobei die divergierende Länge auf 0 gesetzt wurde, um den Fokus auf Rezirkulationszonen zu legen.

Übereinstimmung der Vorhersagen mit vorhergehenden Daten

Nach der Erstellung eines Ersatzmodells zum Trainieren von u und w entwickelte das Team ein modifiziertes DNN mit einer physikalisch begründeten, harten No-Slip-Nebenbedingung. Dieses Netzwerk wurde anhand der Abweichung der Axialgeschwindigkeit, w’, von der analytischen Lösung für laminare Strömung w’ = w – (2*Q/A)(1–(r/R)²) trainiert. In diesem DNN steht Q für den Durchfluss, A für die Querschnittsfläche, r für die Radialkoordinate und R für den Endradius (Abbildung 2).

Sowohl das Rohdaten-DNN als auch das DNN mit strengen Nebenbedingungen bilden Strömungsprofile unter turbulenten Bedingungen, die den Großteil der zugrunde liegenden Trainingsdaten ausmachen, präzise nach. Bei der Nachbildung laminarer Strömungen oder des Übergangs in turbulente Strömungsregime sind diese DNNs jedoch weniger quantitativ.

Abbildung 2. Strömungsgeschwindigkeit bei einer Reynolds-Zahl Re = 6500, die der FDA-Geometrie entspricht, mit Darstellung der Rezirkulation nach der Expansion.

Wenn die Hämolyse-Vorhersagen so trainiert werden, dass sie dem Logarithmus der Hämolyse entsprechen, liegen die Ergebnisse über einen breiten Bereich von Eingabewerten hinweg innerhalb einer Genauigkeit von 10 %. Veryst stellte fest, dass eine Änderung der konvergierenden und divergierenden Längen der Geometrie sowohl bei der Finite-Elemente-Analyse (FEA) als auch bei den DNN-Vorhersagen nur minimale Auswirkungen auf die Hämolyse hatte. Zur Validierung des Ersatzmodells verglich das Team die von der FEA und dem DNN vorhergesagten Hämoglobinkonzentrationen für Parameter, die auf den Experimenten von Herbertson (Ref. 4) basierten (Abbildung 3).

Abbildung 3. Der Anteil des freigesetzten Hämoglobins am Düsenaustritt für die FDA-Geometrie bei variablem Halsradius und variabler Durchflussrate.

„Hämolysevorhersagen mit einer Abweichung von maximal 10 % gegenüber dem vollständigen CFD-Modell zu erzielen und gleichzeitig die Laufzeit von Stunden auf Millisekunden zu verkürzen – genau das macht die Designoptimierung in Echtzeit erst möglich“, sagt Dr. Joseph Barakat, leitender Ingenieur bei Veryst Engineering.

Die Arbeit von Veryst basiert auf der öffentlich zugänglichen FDA-Referenzgeometrie, könnte jedoch für eine Vielzahl zukünftiger Anwendungsbereiche erweitert werden. Die Methodik könnte potenziell zur Abschätzung der Blutschädigung bei einer Reihe medizinischer Geräte genutzt werden.

Hancock fügt hinzu: „Die formale Zusammenführung von Näherungsfehlern, numerischen Fehlern und Validierungsabweichungen zu einer einzigen Gesamtfehlerschätzung zur Bewertung der Zuverlässigkeit dieser Entscheidung – gestützt auf die ASME-Normen ‚Verification and Validation 20‘ und ‚40‘ sowie die umfassendere Literatur zu Verifikation, Validierung und Unsicherheitsquantifizierung – ist ein logischer nächster Schritt, insbesondere da das Center for Devices and Radiological Health der FDA weiterhin regulatorische Wissenschaftsinstrumente für KI-beschleunigte Gerätesimulationen entwickelt. “

Nächste Schritte

Möchten Sie mehr über die Arbeit von Veryst zur Vorhersage der Blutschädigung mithilfe von Ersatzmodellen erfahren? Klicken Sie auf die Schaltfläche unten, um das Poster des Teams von der COMSOL Conference zu sehen:

Referenzen

1. A. Spann, J. Barakat, and M. Hancock, “Deep Neural Network Surrogate Model for Blood Damage Modeling in FDA Hemolysis Benchmark,” COMSOL Conference 2024 Boston, 2024; https://www.comsol.com/paper/deep-neural-network-surrogate-model-for-blood-damage-modeling-in-fda-hemolysis-benchmark-136422
2. A. Kermani, A. Vanegas, and A. Spann, “Blood Damage Modeling of FDA Benchmark Nozzle,” COMSOL Conference 2020 Boston, 2020; https://www.comsol.com/paper/blood-damage-modeling-of-fda-benchmark-nozzle-93171
3. U.S. Food and Drug Administration, Benchmark dataset for validating computational fluid dynamic (CFD) simulation of blood flow through generalized medical device geometries (RST24CV11.01), 2024; https://cdrh-rst.fda.gov/benchmark-dataset-validating-computational-fluid-dynamic-cfd-simulation-blood-flow-through
4. L.H. Herbertson et al., “Multilaboratory study of flow-induced hemolysis using the FDA benchmark nozzle model,” Artificial Organs, Vol. 39, Nr. 3, S. 237–248, 2015; https://pubmed.ncbi.nlm.nih.gov/25180887/