Revisión de los diseños y aplicaciones de circuitos circulatorios simulados cardiovasculares

Área de la Ciencia:

• Ingeniería biomédica
• Investigación cardiovascular
• Desarrollo de dispositivos médicos

Sus antecedentes:

• Las enfermedades cardiovasculares son una de las principales causas de mortalidad, lo que requiere dispositivos médicos avanzados y productos farmacéuticos.
• Los circuitos circulatorios simulados (MCL, por sus siglas en inglés) son herramientas in vitro cruciales para simular condiciones fisiológicas utilizando flujo y presión pulsátiles.
• La investigación existente a menudo se centra en diseños personalizados de MCL, con revisiones sistemáticas limitadas sobre su aplicación en pruebas de dispositivos o una utilidad biomédica más amplia.

Objetivo del estudio:

• Revisar exhaustivamente el uso y categorizar los diseños de los circuitos circulatorios simulados (MCL).
• Evaluar la utilidad de los MCL en diversos dominios biomédicos más allá de las pruebas de dispositivos.
• Identificar las áreas de mejora en el diseño, la validación y la aplicación de MCL.

Principales métodos:

• Categorización de los diseños de MCL en tipos mecánicos, computacionales y híbridos.
• Clasificación de las aplicaciones de MCL en cuatro áreas clave: Pruebas de dispositivos cardiovasculares, capacitación y educación clínica, estudios de hemodinámica y flujo sanguíneo y modelado de enfermedades.
• Revisión sistemática de la literatura y análisis de las tecnologías MCL existentes y sus aplicaciones.

Principales resultados:

• Los diseños de MCL se clasificaron en sistemas mecánicos, computacionales e híbridos.
• Las aplicaciones abarcan las pruebas de dispositivos cardiovasculares, el entrenamiento clínico, los estudios hemodinámicos y el modelado de enfermedades.
• Los MCL actuales a menudo son complejos, especializados y difíciles de reproducir, lo que indica la necesidad de simplificación y estandarización.

Conclusiones:

• Hay una necesidad crítica de sistemas híbridos simplificados, estandarizados y programables.
• Mejorar la fidelidad de la forma de onda, incluidos parámetros como la muesca dicrótica, es esencial para la fiabilidad de MCL.
• La integración del aprendizaje automático y la inteligencia artificial puede avanzar significativamente las capacidades de MCL en análisis, diagnóstico y medicina personalizada.