Cardiovascular in silico medicine: from patient-specific anatomies to data-driven models for efficient vascular modelling

In recent years, in silico medicine has established itself as one of the main drivers of innovation in biomedical research and clinical practice, thanks to the ability of computational models to simulate the behavior of biological tissues and predict their response to therapeutic interventions. In the cardiovascular field, where diseases represent the leading cause of mortality worldwide, these tools enable the development of patient-specific models and digital twins that can support the understanding of pathological mechanisms and treatment planning. This thesis is positioned within this framework with the aim of analyzing key aspects of cardiovascular vessel modeling for in silico medicine applications, evaluating the impact of major modeling and methodological choices on the reliability of simulation results. The first part of the work focuses on vessel wall modeling. Through complementary studies, the role of vessel pre-stress, the contribution of circumferential residual stresses, and the impact of uncertainties in mechanical properties and wall thickness were investigated in patient-specific aortic models. The second part analyzes the influence of the chosen numerical method in the study of coronary atherosclerosis progression. Fluid–structure interaction, computational fluid dynamics, and structural finite element simulations were compared to evaluate whether simplified approaches can represent an acceptable compromise between accuracy and computational cost. Finally, the third part explores data-driven and hybrid approaches. In particular, a radiomics–mechanics model was developed for the stratification of coronary plaque vulnerability risk, and surrogate models based on machine learning were evaluated to accelerate complex biomechanical simulations. The results highlight the potential of cardiovascular in silico medicine and the opportunities offered by data-driven approaches, while also emphasizing the importance of a critical evaluation of modeling assumptions.

Negli ultimi anni, la medicina in silico si è affermata come uno dei principali motori di innovazione nella ricerca biomedica e nella pratica clinica, grazie alla capacità dei modelli computazionali di simulare il comportamento dei tessuti biologici e prevedere la risposta a interventi terapeutici. In ambito cardiovascolare, dove le malattie rappresentano la principale causa di mortalità a livello globale, questi strumenti consentono di sviluppare modelli paziente-specifici e digital twin in grado di supportare la comprensione dei meccanismi patologici e la pianificazione terapeutica. Questa tesi si inserisce in tale contesto con l’obiettivo di analizzare alcuni aspetti chiave della modellazione dei vasi cardiovascolari per applicazioni di medicina in silico, valutando l’impatto delle principali scelte modellistiche e metodologiche sull’affidabilità delle simulazioni. Una prima parte del lavoro è dedicata alla modellazione della parete vascolare. Attraverso studi complementari sono stati investigati il ruolo dello stato di pre-stress, il contributo delle tensioni residue circonferenziali e l’impatto dell’incertezza su proprietà meccaniche e spessore di parete in modelli paziente-specifici dell’aorta. La seconda parte analizza l’influenza della scelta del metodo numerico nello studio della progressione dell’aterosclerosi coronarica. Simulazioni di interazione fluido-struttura, fluidodinamica computazionale e analisi strutturale agli elementi finiti sono state confrontate per valutare se approcci semplificati possano rappresentare un compromesso accettabile tra accuratezza e costo computazionale. Infine, la terza parte esplora approcci data-driven e ibridi. In particolare, è stato sviluppato un modello radiomica–meccanico per la stratificazione del rischio di vulnerabilità della placca coronarica e sono stati valutati modelli surrogati basati su machine learning per accelerare simulazioni biomeccaniche complesse. I risultati evidenziano il potenziale della medicina in silico cardiovascolare e le possibilità di evoluzione per mezzo di approcci data-driven, sottolineando al contempo l’importanza di una valutazione critica delle assunzioni modellistiche.