Evaluación de la dinámica del flujo de válvulas de derivación en serie

Área de la Ciencia:

• Ingeniería Biomédica
• Neurocirugía
• Dinámica de Fluidos

Sus antecedentes:

• La hidrocefalia, una condición de desregulación del volumen de líquido cefalorraquídeo (LCR), requiere más de 30.000 implantaciones de válvulas de derivación anualmente en los EE. UU.
• La implantación actual de válvulas de derivación implica un proceso de prueba y error para determinar la configuración óptima, lo que a menudo conduce a la colocación de múltiples válvulas.

Objetivo del estudio:

• Evaluar dos modelos matemáticos para predecir el drenaje de LCR en derivaciones con múltiples válvulas en serie.
• Evaluar la eficacia de estos modelos para ayudar a los médicos a determinar la configuración óptima de las válvulas de derivación.

Principales métodos:

• Se utilizó un sistema de flujo in vitro que simula condiciones fisiológicas (37 °C, PIC 22 cmH2O + 60 cmH2O).
• Se probaron válvulas de presión diferencial y válvulas gravitacionales de forma individual y en serie, midiendo las tasas de flujo y las caídas de presión.
• Los coeficientes de la válvula se calcularon a partir de datos de válvulas aisladas para predecir el rendimiento de las válvulas en serie.

Principales resultados:

• Las válvulas aisladas exhibieron baja variabilidad intra e inter-válvula.
• Las válvulas en serie demostraron alta variabilidad en la tasa de flujo tanto en posición supina como erguida.
• Las predicciones del modelo para válvulas en serie mostraron errores promedio del 15% (±7%) en posición supina y 23% (±18%) en posición erguida.

Conclusiones:

• Ningún modelo matemático caracterizó adecuadamente la relación entre el drenaje y las presiones de apertura para las válvulas en serie.
• La alta variabilidad observada en el rendimiento de las válvulas en serie resalta las limitaciones de los modelos predictivos actuales.
• Los médicos deben seguir confiando en métodos de prueba y error, lo que afecta los resultados de los pacientes debido a la falta de herramientas predictivas confiables.