Self-Supervised Representation Learning from Ventilator Waveforms: A Pilot Feasibility Study

Auf den Intensivstationen von Krankenhäusern auf der ganzen Welt steht oft eine Maschine Wache über Patienten, die nicht selbstständig atmen können. Diese Maschine, ein mechanisches Beatmungsgerät, drückt Luft in die Lungen und zieht sie wieder heraus – ein rhythmischer Zyklus, der das Leben erhält. Seit Jahrzehnten beobachten Ärzte den Bildschirm der Maschine, der kontinuierliche Linien zeichnet, die den Druck der Luft und die Geschwindigkeit ihres Flusses darstellen. Diese Linien, bekannt als Wellenformen, sind eine reiche Informationsquelle. Sie erzählen eine Geschichte darüber, wie die Lungen arbeiten, wie hart der Patient versucht zu atmen und ob die Maschine im Einklang mit der Person arbeitet. Doch während Kliniker darauf geschult sind, diese Linien wie eine Landkarte zu lesen, sind die riesigen Mengen an Daten, die sie erzeugen, von Computern weitgehend ungenutzt geblieben. Die Herausforderung bestand darin, einer Maschine beizubringen, die subtile Sprache dieser kurvigen Linien zu verstehen, ohne dass ein Mensch jeden einzelnen Atemzug beschriften muss.

Ein Forschungsteam der Duke University hat einen bedeutenden Schritt zur Lösung dieses Problems unternommen. Sie entwickelten ein neues Computersystem, das darauf ausgelegt ist, aus den rohen, unbeschrifteten Daten von Beatmungswellenformen zu lernen. Anstatt den Computer mit Tausenden von Beispielen zu füttern, bei denen ein Mensch bereits gesagt hat: „Dies ist ein gesunder Atemzug“ oder „Dies ist ein Kampf“, ließen sie das System hunderte tausende Atemzüge auf eigene Faust studieren. Das Ziel war es zu sehen, ob der Computer die verborgenen Muster und Regeln entdecken kann, die die Atmung steuern, und so eine kompakte digitale Zusammenfassung des respiratorischen Zustands erstellen kann. Dieser Ansatz, genannt selbstüberwachtes Lernen (self-supervised learning), ermöglicht es der Maschine, ihr eigenes Verständnis der Daten aufzubauen, ganz ähnlich wie ein Kind lernt, ein Gesicht zu erkennen, indem es viele verschiedene Gesichter sieht, anstatt die Definition eines Gesichts erklärt zu bekommen. Die Forscher wollten wissen, ob dieses selbstlernende System die wesentliche Physik der Atmung gut genug erfassen kann, um für zukünftige medizinische Aufgaben nützlich zu sein.

Um ihre Idee zu testen, bauten die Team ein Framework namens VentWaveT. Sie trainierten es mit Daten von 115 schwerkranken Patienten und fütterten es mit über 255.000 Atemzügen, die fast 200 Stunden der Beatmung umspannten. Das System betrachtete nicht einzelne Atemzüge isoliert, sondern untersuchte 15-sekündige Schnappschüsse des kontinuierlichen Luftstroms. Diese Schnappschüsse waren oft ungeordnet und enthielten Teile von Atemzügen, ganze Atemzüge oder mehrere gemischte Atemzüge. Die Aufgabe des Computers war es, diese Segmente zu betrachten und zu versuchen, vorherzusagen, wie die fehlenden Teile des Signals aussehen würden. Durch das wiederholte Versuch, die Lücken in den Daten zu füllen, lernte das System, einen verdichteten digitalen Fingerabdruck für jeden Moment der Atmung zu erstellen. Dieser Fingerabdruck, oder das Embedding, wurde so konzipiert, dass er alle wichtigen physiologischen Informationen enthält, während er das Rauschen verwirft.

Nachdem das System gelernt hatte, stellten die Forscher es auf die Probe, um zu sehen, ob es tatsächlich verstand, was es betrachtete. Sie baten den Computer, drei spezifische Aufgaben unter Verwendung nur der erstellten digitalen Fingerabdrücke auszuführen. Zuerst baten sie ihn, zu identifizieren, in welchem Modus das Beatmungsgerät eingestellt war. Beatmungsgeräte können auf verschiedene Arten arbeiten, etwa indem sie Luft mit einem festen Volumen einleiten oder dem Patienten erlauben, den Atemzug durch eigene Anstrengung auszulösen. Das System identifizierte den korrekten Modus in der überwiegenden Mehrheit der Fälle und erreichte eine balancierte Genauigkeit von fast 80 Prozent. Dieses Ergebnis deutete darauf hin, dass der Computer gelernt hatte, die einzigartigen Formen und Rhythmen zu unterscheiden, die mit jeder Einstellung verbunden sind.

Als Nächstend forderten die Forscher das System heraus, spezifische Zahlen vorherzusagen, die die Atmung des Patienten beschreiben. Sie beten es, die Atemfrequenz zu schätzen – also wie viele Atemzüge ein Patient pro Minute macht – sowie den positiven endexspiratorischen Druck (PEEP), eine Einstellung, die die Lungen am Ende eines Atemzugs offen hält. Die Schätzungen des Computers lagen bemerkenswert nah an den tatsächlichen Werten, die in den medizinischen Daten aufgezeichnet waren. Für die Atemfrequenz betrug der durchschnittliche Fehler weniger als zweieinhalb Atemzüge pro Minute, und für die Druckeinstellung lag der Fehler bei weniger als einer Druckeinheit. Diese Befunde zeigten, dass die digitalen Fingerabdrücke präzise, quantitative Informationen über die Physiologie des Patienten enthielten und nicht nur vage Muster.

Schließlich testete das Team, ob das System das Gegenteil leisten konnte: Konnte es aus einem digitalen Fingerabdruck die ursprüngliche Wellenform rekonstruieren? Sie speisten die komprimierten Daten zurück in einen Decoder, um zu sehen, ob er die Druck- und Flusslinien rekonstruieren konnte. Das Ergebnis war eine starke Übereinstimmung zwischen den ursprünglichen Linien und den rekonstruierten Linien. Die Korrelation zwischen beiden war hoch, was bedeutete, dass der Computer die wesentliche Form und den Detailgrad des Atemzyklus bewahrt hatte. Diese Fähigkeit, das Signal zu rekonstruieren, bewies, dass das System die Daten nicht nur auswendig gelernt, sondern die zugrunde liegende Mechanik dessen erfasst hatte, wie das Beatmungsgerät und der Patient interagieren.

Die Forscher verglichen ihr spezialisiertes System auch mit allgemeinen Computermodellen, die für viele Arten von Zeitreihendaten entwickelt wurden. Sie fanden heraus, dass ihr beatmungsspezifisches Modell genauso gut abschnitt wie diese breiten, leistungsstarken Werkzeuge, obwohl es auf einem viel kleineren und spezifischeren Datensatz trainiert wurde. Dies deutet darauf hin, dass die Muster der menschlichen Atmung hochstrukturiert sind und dass ein auf diese spezifische Aufgabe zugeschnittenes Modell effizient lernen kann, ohne die massiven Datenmengen zu benötigen, die normalerweise für künstliche Intelligenz erforderlich sind. Die Studie zeigte auch, dass die vom Computer gelernte Information so organisiert war, dass einfache mathematische Werkzeuge sie leicht lesen konnten, was bedeutet, dass komplexe Deep-Learning-Schichten nicht immer notwendig waren, um die Antworten zu extrahieren.

Diese Arbeit dient als Proof of Concept und zeigt, dass Beatmungswellenformen eine wertvolle Datenquelle sind, die von Maschinen ohne menschliches Eingreifen verstanden werden können. Die Forscher betonen, dass dies eine Pilotstudie ist, was bedeutet, dass es sich eher um einen ersten Test der Machbarkeit als um eine endgültige Lösung handelt. Das System wurde mit Daten aus einem einzigen Krankenhaus und einer begrenzten Anzahl von Patienten trainiert, und die spezifischen medizinischen Variablen, die es vorhersagte, wurden gewählt, um die Technologie zu testen und nicht um Patienten zu diagnostizieren. Die Ergebnisse eröffnen jedoch die Tür für zukünftige Anwendungen. Wenn ein Computer lernen kann, diese Wellenformen so effektiv zu lesen, könnte er schließlich Ärzten helfen, Patienten genauer zu überwachen, subtile Anzeichen von Notlagen zu erkennen, die Menschen vielleicht übersehen würden, oder sogar zu simulieren, wie ein Patient auf Veränderungen in der Behandlung reagieren könnte. Die Studie legt den Grundstein für eine neue Art des Blickwinkels auf die Intensivmedizin, bei der der kontinuierliche Datenstrom des Beatmungsgeräts zu einem lebendigen Protokoll des respiratorischen Zustands des Patienten wird, bereit, von intelligenten Systemen analysiert zu werden, um die Versorgung zu verbessern.