@article{Казанцев А. Н.2026-04-25,
author = { Казанцев А. Н.,  Шенгелия Н. Г.,  Бушланов П. С.,  Эмбрехт Д. Ю.},
title = {Мультимасштабная интеграция геномных, эпигеномных и гемодинамических данных для прогнозирования риска рестеноза после каротидной эндартерэктомии на основе гибридной архитектуры VAE-GAN-трансформер: эволюция идеи компьютерного моделирования геометрии и численного исследования гемодинамики},
year = {2026},
doi = {10.15829/1560-4071-2026-6922},
publisher = {NP «NEICON»},
abstract = {Цель. Разработка и детальное описание методики мультимасштабной вычислительной оценки риска рестеноза после каротидной эндартерэктомии, интегрирующей данные визуализации, моделирование кровотока с учетом реологии форменных элементов, биомеханику сосудистой стенки, нейрогенную регуляцию, а также геномное и эпигеномное профилирование. Рестеноз после каротидной эндартерэктомии остается нерешенной проблемой сосудистой хирургии, развиваясь у значительной части оперированных пациентов. Существующие методы прогнозирования обладают недостаточной точностью из-за невозможности интеграции всех факторов патогенеза: гемодинамических, биомеханических, нейрогуморальных и молекулярно-генетических.Материал и методы.  В работе представлена пошаговая методология, включающая получение данных мультиспиральной компьютерной томографии-ангиографии и 4D-фазоконтрастной магнитно-резонансной томографии, построение трехмерных геометрических моделей, моделирование движения эритроцитов, лейкоцитов и тромбоцитов методом диссипативной гидродинамики частиц, гиперэластическое конечно-элементное моделирование сосудистой стенки с решением связанной задачи fluid-structure interaction, моделирование нейрогенной регуляции с барорецепторным контуром, тензорный анализ гемодинамических полей, полногеномное секвенирование, анализ метилирования ДНК и профилирование микроРНК, а также построение и обучение гибридной нейросетевой архитектуры.Результаты. Методика позволяет интегрировать 9 независимых модальностей данных в единую прогностическую систему. Достигнута высокая точность прогнозирования рестеноза (AUC 0,995). Методика может быть воспроизведена в любом научно-исследовательском центре, располагающем соответствующим оборудованием и программным обеспечением.Заключение. Предложенная методика представляет собой первый полностью интегрированный подход к мультимасштабному прогнозированию рестеноза, объединяющий визуализационные, гемодинамические, биомеханические, нейрофизиологические, геномные и эпигеномные данные.},
URL = {https://www.cardiojournal.online/publication/14256},
eprint = {https://www.cardiojournal.online/files/14660},
journal = {Российский кардиологический журнал},
}