Доль А.В., Михин М.Н. Регрессионные модели биомеханики атеросклеротических бляшек и их статистическая оптимизация // Вестник Чувашского государственного педагогического университета им. И. Я. Яковлева. Серия: Механика предельного состояния. 2025. № 1(63). С. 29-39. DOI: https://doi.org/10.37972/chgpu.2025.63.1.011. EDN: RNUJXW.

Автор(ы)

Доль А.В. — Саратовский национальный исследовательский государственный университет имени Н.Г. ЧернышевскогоORCIDeLibrary

Михин М.Н. — Филиал Российского государственного гуманитарного университетаeLibrary

Название статьи

Регрессионные модели биомеханики атеросклеротических бляшек и их статистическая оптимизация

Название (англ.): Regression models of atherosclerotic plaque biomechanics and their statistical optimisation

Индекс(ы) УДК

539.374

DOI

10.37972/chgpu.2025.63.1.011

EDN

RNUJXW

Ключевые слова

модуль упругости; числа Хаунсфилда; атеросклероз; бляшка; статистика; регрессия

Аннотация

В работе рассматривается круг вопросов, связанных с изучением стеноза сонных артерий. Для оценки риска отрыва бляшки методами биомеханики необходимо знать модули упругости компонентов атеросклеротических бляшек. In vivo они могут определяться на основе значения чисел Хаунсфилда (HU) на компьютерной томограмме (КТ). В ходе серии экспериментов (для 26 пациентов) по одноосному сжатию удаленных в ходе эндартерэктомии атеросклеротических бляшек были определены модули Юнга рассматриваемых образцов, после чего для каждой бляшки по компьютерной томограмме определялось среднее значение чисел Хаунсфилда. На основе полученных данных строилась регрессионная зависимость между модулями Юнга и числами Хаунсфилда. Полученная регрессионная зависимость позволяет определять механические характеристики отдельных структурных элементов бляшек по КТ и использовать их при биомеханическом моделировании для оценки риска отрыва и дальнейшего тромбообразования.

Финансирование

Название программы финансирования: Исследование выполнено в рамках Государственного задания, проект FSRR-2023-0009.. Организация, предоставившая финансирование: Vb.

Даты

Поступила: 10.02.2025; Принята: 22.04.2025; Опубликована: 17.06.2025

Страницы

29-39

Полная версия статьи

Скачать PDF

QR-код EDN

1. High-Resolution CT Imaging of Carotid Artery Atherosclerotic Plaques / M. Wintermark [et al.] // American Journal of Neuroradiology. 2008. Vol. 29, no. 5. P. 875-882. DOI: 10.3174/ajnr.A0950
2. Здравоохранение в России / С. Ю. Никитина [и др.]. Москва: Росстат, 2019. С. 170.
3. Воробьев Р. В., Короткова А. В. Аналитический обзор проблемы здорового старения в странах Европейского региона ВОЗ и Российской Федерации // Социальные аспекты здоровья населения. 2016. № 5. С. 1-20. EDN: XBHKPX
4. Li Y., Payner T. D., Cohen-Gadol A. A. Spontaneous regression of an intracranial aneurysm after carotid endarterectomy // Surgical Neurology International. 2012. Vol. 3. P. 66.
5. Khan U. A., Shalhoub J., Davies A. H. Risk of intracerebral aneurysm rupture during carotid revascularization // Journal of Vascular Surgery. 2012. Vol. 56, no. 6. P. 1739-1747. DOI: 10.1016/j.jvs.2012.07.027
6. Small, unruptured intracranial aneurysms and management of symptomatic carotid artery stenosis. North American Symptomatic Carotid Endarterectomy Trial Group / L. J. Kappelle [et al.] // Neurology. 2000. Vol. 55. P. 307-309. DOI: 10.1212/WNL.55.2.307
7. Российский консенсус по диагностике и лечению пациентов со стенозом сонных артерий /М. А. Чернявский [и др.] // Российский кардиологический журнал. 2022. Т. 27, № 11. DOI: 10.15829/1560-4071-2022-5284 EDN: DUSVKS.
8. Численное исследование влияния стеноза внутренних сонных артерий на гемодинамику артерий Виллизиева круга / А. В. Доль [и др.] // Российский журнал биомеханики. 2021. Т. 25, № 4. С. 356-368. DOI: 10.15593/RZhBiomeh/2021.4.01 EDN: ITOIHN
9. Иванов Д. В., Доль А. В., Кузык Ю. И. Биомеханические основы прогнозирования протекания каротидного атеросклероза // Российский журнал биомеханики. 2017. Т. 21, № 1. С. 29-40. DOI: 10.15593/RZhBiomeh/2017.1.03 EDN: YMFRLF
10. Evaluating the impact of calcification on plaque vulnerability from the aspect of mechanical interaction between blood flow and artery based on MRI / J. Benitez [et al.] // Annals of Biomedical Engineering. 2020. Vol. 49. P. 1169-1182. DOI: 10.1007/s10439-020-02655-1 EDN: GLYWSH
11. A convolutional neural network for automatic characterization of plaque composition in carotid ultrasound / K. Lekadir [et al.] // IEEE Journal of Biomedical and Health Informatics. 2017. Vol. 21, no. 1. P. 48-55. DOI: 10.1109/JBHI.2016.2631401
12. Lou Z., Yang J., Tang L. Shear Wave Elastography Imaging for the Features of Symptomatic Carotid Plaques: A Feasibility Study // Journal of Ultrasound in Medicine. 2017. Vol. 36, no. 6. P. 1213-1223. DOI: 10.7863/ultra.16.04073 EDN: YDXDKH
13. Constructing the dependence between the Young's modulus value and the Hounsfield units of spongy tissue of human femoral heads / L. V. Bessonov [et al.] // Izvestiya of Saratov University. Mathematics. Mechanics. Informatics. 2021. Vol. 21, no. 2. P. 182-193. DOI: 10.18500/1816-9791-2021-21-2-182-193 EDN: SNBJNB
14. Мхитарян В. С. Эконометрика. Москва: Проспект, 2015. С. 384.
15. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. Москва: Юнити, 1998. С. 1022.
16. Chaddock R. E. Principles and Methods of Statistics. Boston, New York, etc., 1925. P. 471.
17. Эконометрика: учебник для вузов / Под ред. И. И. Елисеева, др. Москва: Издательство Юрайт, 2022. С. 449.

1. Wintermark M., et al. High-resolution CT imaging of carotid artery atherosclerotic plaques. American Journal of Neuroradiology, 2008, vol. 29, no. 5, pp. 875–882. DOI: 10.3174/ajnr.A0950.
2. Nikitina S.Yu., et al. Healthcare in Russia. Moscow, Rosstat Publ., 2019. 170 p. (In Russian).
3. Vorob'ev R.V., Korotkova A.V. Analytical review of the problem of healthy aging in the countries of the WHO European Region and the Russian Federation. Sotsial'nye Aspekty Zdorov'ya Naseleniya, 2016, no. 5, pp. 1–20. EDN: XBHKPX. (In Russian).
4. Li Y., Payner T.D., Cohen-Gadol A.A. Spontaneous regression of an intracranial aneurysm after carotid endarterectomy. Surgical Neurology International, 2012, vol. 3, p. 66.
5. Khan U.A., Shalhoub J., Davies A.H. Risk of intracerebral aneurysm rupture during carotid revascularization. Journal of Vascular Surgery, 2012, vol. 56, no. 6, pp. 1739–1747. DOI: 10.1016/j.jvs.2012.07.027.
6. Kappelle L.J., et al. Small, unruptured intracranial aneurysms and management of symptomatic carotid artery stenosis. North American Symptomatic Carotid Endarterectomy Trial Group. Neurology, 2000, vol. 55, pp. 307–309. DOI: 10.1212/WNL.55.2.307.
7. Chernyavskii M.A., et al. Russian consensus on diagnosis and treatment of patients with carotid artery stenosis. Rossiiskii Kardiologicheskii Zhurnal, 2022, vol. 27, no. 11. DOI: 10.15829/1560-4071-2022-5284. EDN: DUSVKS. (In Russian).
8. Dol' A.V., et al. Numerical study of the effect of internal carotid artery stenosis on hemodynamics of the arteries of the circle of Willis. Rossiiskii Zhurnal Biomekhaniki, 2021, vol. 25, no. 4, pp. 356–368. DOI: 10.15593/RZhBiomeh/2021.4.01. EDN: ITOIHN. (In Russian).
9. Ivanov D.V., Dol' A.V., Kuzyk Yu.I. Biomechanical foundations for predicting the course of carotid atherosclerosis. Rossiiskii Zhurnal Biomekhaniki, 2017, vol. 21, no. 1, pp. 29–40. DOI: 10.15593/RZhBiomeh/2017.1.03. EDN: YMFRLF. (In Russian).
10. Benitez J., et al. Evaluating the impact of calcification on plaque vulnerability from the aspect of mechanical interaction between blood flow and artery based on MRI. Annals of Biomedical Engineering, 2020, vol. 49, pp. 1169–1182. DOI: 10.1007/s10439-020-02655-1. EDN: GLYWSH.
11. Lekadir K., et al. A convolutional neural network for automatic characterization of plaque composition in carotid ultrasound. IEEE Journal of Biomedical and Health Informatics, 2017, vol. 21, no. 1, pp. 48–55. DOI: 10.1109/JBHI.2016.2631401.
12. Lou Z., Yang J., Tang L. Shear wave elastography imaging for the features of symptomatic carotid plaques: A feasibility study. Journal of Ultrasound in Medicine, 2017, vol. 36, no. 6, pp. 1213–1223. DOI: 10.7863/ultra.16.04073. EDN: YDXDKH.
13. Bessonov L.V., et al. Constructing the dependence between the Young's modulus value and the Hounsfield units of spongy tissue of human femoral heads. Izvestiya of Saratov University. Mathematics. Mechanics. Informatics, 2021, vol. 21, no. 2, pp. 182–193. DOI: 10.18500/1816-9791-2021-21-2-182-193. EDN: SNBJNB.
14. Mkhitaryan V.S. Econometrics. Moscow, Prospekt Publ., 2015. 384 p. (In Russian).
15. Aivazyan S.A., Mkhitaryan V.S. Applied Statistics and Foundations of Econometrics. Moscow, Yuniti Publ., 1998. 1022 p. (In Russian).
16. Chaddock R.E. Principles and Methods of Statistics. Boston, New York, etc., 1925. 471 p.
17. Econometrics: Textbook for Universities. Ed. by I.I. Eliseeva et al. Moscow, Yurait Publ., 2022. 449 p. (In Russian).

Авторские права и лицензия

© 2025 Автор(ы). Статья публикуется в открытом доступе на условиях лицензии Creative Commons «Attribution» 4.0 Всемирная (CC BY 4.0), которая разрешает использование, распространение и воспроизведение на любом носителе при условии надлежащего указания авторства. Авторские права на статью сохраняются за авторами.