For precision medicine to be implemented through the lens of in silico technology, it is imperative that biophysical research workflows offer insight into treatments that are specific to a particular illness and to a particular subject. The boundaries of precision medicine can be extended using multiscale, biophysics-centred workflows that consider the fundamental underpinnings of the constituents of cells and tissues and their dynamic environments. Utilising numerical techniques that can capture the broad spectrum of biological flows within complex, deformable and permeable organs and tissues is of paramount importance when considering the core prerequisites of any state-of-the-art precision medicine pipeline. In this work, a succinct breakdown of two precision medicine pipelines developed within two Virtual Physiological Human (VPH) projects are given. The first workflow is targeted on the trajectory of Alzheimer's Disease, and caters for novel hypothesis testing through a multicompartmental poroelastic model which is integrated with a high throughput imaging workflow and subject-specific blood flow variability model. The second workflow gives rise to the patient specific exploration of Aortic Dissections via a multi-scale and compliant model, harnessing imaging, computational fluid-dynamics (CFD) and dynamic boundary conditions. Results relating to the first workflow include some core outputs of the multiporoelastic modelling framework, and the representation of peri-arterial swelling and peri-venous drainage solution fields. The latter solution fields were statistically analysed for a cohort of thirty-five subjects (stratified with respect to disease status, gender and activity level). The second workflow allowed for a better understanding of complex aortic dissection cases utilising both a rigid-wall model informed by minimal and clinically common datasets as well as a moving-wall model informed by rich datasets.

Pour que la médecine actuelle puisse profiter de la technologie in silico, il est impératif que les flux de recherche biophysique offrent un aperçu précis des traitements spécifiques à une maladie particulière et à un sujet particulier. Les limites de la médecine peuvent être repoussées à l’aide de flux de travail multi-échelles, centrés sur la biophysique, qui tiennent compte des constituants fondamentaux des cellules et des tissus, et de leurs environnements dynamiques. L’utilisation de techniques numériques permettant de capter le large spectre des flux biologiques au sein d’organes et de tissus complexes, déformables et perméables est d’une importance capitale lorsqu’il s’agit d’examiner les conditions essentielles de tout pipeline médical de précision de pointe. Dans ce travail, une analyse succinte de deux pipelines de médecine de précision développés dans le cadre de deux projets VPH (Virtual Physiological Human) est donnée. Le premier flux de travail se concentre sur la trajectoire de la maladie d’Alzheimer et permet de tester de nouvelles hypothèses au moyen d’un modèle poroélastique à plusieurs compartiments qui est intégré à un flux de travail d’imagerie à haut débit et à un modèle de variabilité du débit sanguin spécifique au sujet. Le deuxième flux de travail donne lieu à l’exploration spécifique des dissections aortiques chez le patient par le biais d’un modèle multi-échelle conforme, exploitant l’imagerie, la dynamique des fluides computationnelle (CFD) et les conditions limites dynamiques. Les résultats relatifs au premier flux de travail comprennent certains des principaux extrants du cadre de modélisation multiporoélastique et la représentation des zones de gonflement péri-artériel et de solution de drainage périveineux. Ces dernières zones de solutions ont été analysées statistiquement sur une cohorte de trente-cinq sujets (stratifiés en fonction de l’état pathologique, du sexe et du niveau d’activité). Le deuxième flux de travail a permis de mieux comprendre les cas complexes de dissection aortique à l’aide d’un modèle à parois rigides fondé sur des ensembles de données minimales et cliniquement communes et d’un modèle à parois mobiles reposant sur de riches données.