Modellazione multiscala di restenosi intra-stent in arterie coronarie pazienti-specifiche

Coronary Artery Disease (CAD) represents the leading cause of mortality and loss of healthy life years globally. Although coronary angioplasty with stent implantation is the standard interventional treatment for restoring arterial patency, its long-term effectiveness is limited by in-stent restenosis. This phenomenon consists of a sustained inflammatory response to the induced mechanical trauma, causing a new narrowing of the lumen driven by smooth muscle cell proliferation and extracellular matrix deposition. In this study, a patient-specific multiscale computational framework is developed to simulate the remodelling of the Left Anterior Descending (LAD) coronary wall. The model integrates three levels of analysis: (i) a structural module (FEM) to quantify the distribution of mechanical damage; (ii) a fluid dynamics module (CFD) to calculate the post-operative wall shear stress profile; and (iii) an agent-based module (ABM) to describe stochastic cellular behaviour. Three-dimensional biomechanical stimuli are projected onto 2D hexagonal grids to drive tissue evolution over a one-year period. The primary originality of this research lies in the calibration and validation of the framework using real clinical datasets: by employing a genetic algorithm, the model was calibrated on a critical scenario (worst-case), achieving high predictive accuracy with a relative error reduced to 1.36% regarding the one-year luminal area variation. Subsequent validation on independent planes confirmed the robustness of the mechanical driver in steering neointimal hyperplasia. Despite certain methodological limitations, the framework stands as an advanced in silico medicine tool capable of providing reliable temporal predictions, laying the groundwork for the personalized optimization of coronary interventions and the long-term management of restenosis risk.

La cardiopatia coronarica (CAD) rappresenta la principale causa di mortalità e di perdita di anni di vita in buona salute a livello globale. Sebbene l’angioplastica coronarica con impianto di stent sia il trattamento interventistico standard per ripristinare la pervietà arteriosa, la sua efficacia a lungo termine è limitata dalla restenosi intra-stent. Tale fenomeno consiste in una risposta infiammatoria sostenuta al trauma meccanico indotto, che provoca un nuovo restringimento del lume mediato dalla proliferazione delle cellule muscolari lisce e dalla deposizione di matrice extracellulare. In questo studio viene sviluppato un framework computazionale multiscala pazientespecifico atto a simulare il rimodellamento della parete arteriosa della LAD. Il modello integra tre livelli di analisi: (i) un modulo strutturale (FEM) per quantificare la distribuzione del danno meccanico; (ii) un modulo fluidodinamico (CFD) per calcolare il profilo di stress parietale post-operatorio; e (iii) un modulo ad agenti (ABM) per descrivere stocasticamente il comportamento cellulare. Gli stimoli biomeccanici tridimensionali sono proiettati su griglie esagonali 2D per guidare l’evoluzione tessutale. L’originalità della ricerca risiede nella calibrazione e validazione del framework su dati clinici reali: mediante l’impiego di un algoritmo genetico, il modello è stato calibrato su uno scenario critico (worst-case), raggiungendo un’elevata precisione predittiva con un errore relativo ridotto all’1.36% sulla variazione dell’area luminale a un anno. La successiva validazione su piani indipendenti ha confermato la robustezza del driver meccanico nel pilotare l’iperplasia neointimale. Nonostante alcune limitazioni metodologiche, il framework si configura come un avanzato strumento di medicina in silico capace di fornire previsioni temporali affidabili, ponendo le basi per l’ottimizzazione personalizzata degli interventi coronarici e la gestione del rischio restenotico nel lungo periodo.