En español
La incorporación de la impresión 3D en los procesos de manufactura, ha revolucionado la medicina regenerativa en traumatología (MRT) al permitir la fabricación de implantes con estructuras porosas para promover la regeneración ósea (RO). Se han identificado dos características clave de estas estructuras: excelentes propiedades mecánicas y biocompatibilidad. Sin embargo, se han reportado resultados diversos a partir de la evaluación de variantes geométricas respecto a las características morfológicas óptimas para estimular la RO. Este trabajo propone una metodología novedosa para diseñar implantes óseos con estructuras optimizadas, mediante Aprendizaje Inteligente y Simulación Mecánica Computacional. A partir de una búsqueda bibliográfica se creó una base de datos estructuras porosas 3D con potencial comprobado para estimular la RO, a partir de la cual se entrenó un Modelo Estadístico de Forma para genere una librería de estructuras nuevas. Éstas se evaluaron mediante SMC, utilizando el Método de los Elementos Finitos y se seleccionaron las geometrías con mejor rendimiento mecánico para una posible respuesta biológica. Las estructuras optimizadas obtenidas abren un camino hacia la validación in vivo para la promoción de la RO, con potencial impacto en la MRT.
En inglés
Recent addition of 3D printing into manufacturing processes has revolutionized regenerative medicine in traumatology (RMT) by enabling the production of implants with porous structures to promote bone regeneration (BR). Two key features were identified: excellent mechanical properties and biocompatibility. However, diverse results have been reported regarding the optimal morphological characteristics of geometric variants to stimulate BR. This work proposes a novel methodology for designing bone implants with optimized porous structures, by combining Machine Learning with Computational Mechanical Simulation. A literature review led to the creation of a database of 3D porous structures with proven potential to stimulate BR and train a Statistical Shape Model to generate a library of novel porous structures. Those structures were evaluated using CMS, employing the Finite Element Method, and the geometries with the best mechanical performance were selected for a potential biological response, setting the stage for in vivo validation to promote BR, with a potential impact on RMT.