Modelo computacional simula con precisión el rendimiento de derivaciones para prevenir cirugías repetidas

El tratamiento suele consistir en la colocación quirúrgica de derivaciones para desviar el líquido, pero este enfoque suele provocar complicaciones, como infecciones y procedimientos repetidos.

Solo en Estados Unidos, se realizan decenas de miles de cirugías de derivación cada año, y muchos pacientes requieren cirugías repetidas debido a obstrucciones o infecciones. Estos problemas suelen estar relacionados con el hecho de que los tubos de derivación convencionales imitan la plomería doméstica, sin tener en cuenta la compleja dinámica de fluidos del cerebro. Ahora, investigadores han desarrollado un nuevo modelo computacional que simula el rendimiento de las derivaciones integrando la anatomía cerebral, el flujo de fluidos y el transporte biomolecular, lo que permite diseños de derivaciones personalizados para cada paciente.

El modelo BrainFlow fue desarrollado por investigadores de la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard (Cambridge, MA, EUA.) tras reconocer la ausencia de un modelo universalmente aceptado de flujo de fluidos para el espacio ventricular cerebral. BrainFlow combina características anatómicas y fisiológicas detalladas del cerebro para simular el flujo de líquido cefalorraquídeo en presencia de implantes de derivación. Incorpora imágenes médicas específicas del paciente e imita el flujo inducido por pulsos para reflejar la dinámica realista del líquido cefalorraquídeo. Esto permite comprender mejor el diseño, la colocación y los materiales de la derivación.

En su estudio publicado en Proceedings of the National Academy of Sciences, los investigadores abordaron el problema desde una perspectiva tanto de diseño como de ciencia de materiales, considerando soluciones biomiméticas y recubrimientos antiincrustantes para reducir el riesgo de complicaciones. Actualmente, el equipo está utilizando el modelo BrainFlow para probar diversos diseños de derivación y calcular su eficacia. Al ofrecer simulaciones detalladas, el modelo podría facilitar la integración de dispositivos optimizados y personalizados en el cerebro, reduciendo complicaciones y mejorando la calidad de vida. De cara al futuro, los investigadores planean seguir evaluando la precisión del modelo en la predicción de resultados a largo plazo y perfeccionarlo para su uso clínico más amplio.

"Creemos que nuestro modelo, combinado con nuevas geometrías y mejoras en los materiales, como los recubrimientos antiincrustantes desarrollados en mi laboratorio, podría conducir a una integración más fluida de dispositivos médicos optimizados y específicos para cada paciente en sus cerebros, con menos probabilidades de complicaciones y una mejor calidad de vida", afirmó la profesora de SEAS, Joanna Aizenberg.

Enlaces relacionados:
Harvard SEAS