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

En las unidades de cuidados intensivos de los hospitales de todo el mundo, una máquina suele montar guardia sobre pacientes que no pueden respirar por sí mismos. Esta máquina, un ventilador mecánico, empuja aire hacia los pulmones y lo extrae, un ciclo rítmico que sostiene la vida. Durante décadas, los médicos han observado la pantalla de la máquina, que dibuja líneas continuas que representan la presión del aire y la velocidad de su flujo. Estas líneas, conocidas como formas de onda, son una rica fuente de información. Cuentan una historia sobre cómo están trabajando los pulmones, cuánto se esfuerza el paciente por respirar y si la máquina se mueve en sincronía con la persona. Sin embargo, aunque los clínicos están entrenados para leer estas líneas como un mapa, la gran cantidad de datos que generan ha permanecido, en gran medida, sin aprovechar por las computadoras. El desafío ha sido enseñar a una máquina a comprender el lenguaje sutil de estas líneas onduladas sin necesidad de que un humano etiquete cada una de las respiraciones.

Un equipo de investigadores de la Universidad de Duke ha dado un paso significativo hacia la resolución de este problema. Desarrollaron un nuevo sistema informático diseñado para aprender de los datos brutos y no etiquetados de las formas de onda de los ventiladores. En lugar de alimentar a la computadora con miles de ejemplos donde un humano ya ha dicho: "esta es una respiración sana" o "esto es un esfuerzo", dejaron que el sistema estudiara cientos de miles de respiraciones por su cuenta. El objetivo era ver si la computadora podía descubrir los patrones y reglas ocultos que gobiernan la respiración, creando un resumen digital compacto del estado respiratorio. Este enfoque, llamado aprendizaje autosupervisado, permite que la máquina construya su propia comprensión de los datos, de forma muy similar a como un niño aprende a reconocer un rostro al ver muchas caras diferentes en lugar de ser instruido sobre la definición de un rostro. Los investigadores querían saber si este sistema autoaprendido podía capturar la física esencial de la respiración lo suficientemente bien como para ser útil para futuras tareas médicas.

Para probar su idea, el equipo construyó un marco que denominaron VentWaveT. Lo entrenaron con datos de 115 pacientes en estado crítico, alimentándolo con más de 255,000 respiraciones que abarcaron casi 200 horas de ventilación. El sistema no examinó las respiraciones individuales de forma aislada; en su lugar, examinó instantáneas de 15 segundos del flujo continuo de aire. Estas instantáneas eran a menudo desordenadas, conteniendo partes de respiraciones, respiraciones completas o varias respiraciones mezcladas. El trabajo de la computadora era observar estos segmentos e intentar predecir cómo se verían las partes faltantes de la señal. Al intentar repetidamente rellenar los huecos en los datos, el sistema aprendió a crear una huella digital condensada para cada momento de la respiración. Esta huella, o incrustación (embedding), fue diseñada para contener toda la información fisiológica importante descartando el ruido.

Una vez que el sistema había aprendido, los investigadores lo pusieron a prueba para ver si realmente comprendía lo que estaba observando. Le pidieron a la computadora realizar tres tareas específicas utilizando únicamente las huellas digitales que había creado. Primero, le pidieron que identificara en qué modo estaba configurado el ventilador. Los ventiladores pueden operar de diferentes maneras, como forzar la entrada de aire a un volumen establecido o permitir que el paciente dispare la respiración con su propio esfuerzo. El sistema identificó correctamente el modo en la gran mayoría de los casos, logrando una precisión equilibrada de casi el 80 por ciento. Este resultado sugirió que la computadora había aprendido a distinguir las formas y ritmos únicos asociados con cada configuración.

A continuación, los investigadores desafiaron al sistema a predecir números específicos que describen la respiración del paciente. Le pidieron que estimara la frecuencia respiratoria, o cuántas respiraciones toma un paciente por minuto, y la presión positiva al final de la expiración, un ajuste que mantiene los pulmones abiertos al final de una respiración. Las estimaciones de la computadora fueron notablemente cercanas a los valores reales registrados en los datos médicos. Para la frecuencia respiratoria, el error promedio fue de menos de dos y media respiraciones por minuto, y para el ajuste de presión, el error fue de menos de una unidad de presión. Estos hallazgos indicaron que las huellas digitales contenían información cuantitativa precisa sobre la fisiología del paciente, no solo patrones vagos.

Finalmente, el equipo probó si el sistema podía hacer lo contrario: ¿podría tomar una huella digital y reconstruir la forma de onda original? Alimentaron los datos comprimidos de nuevo en un decodificador para ver si podía reconstruir las líneas de presión y flujo. El resultado fue una coincidencia sólida entre las líneas originales y las reconstruidas. La correlación entre ambas fue alta, lo que significa que la computadora había preservado la forma y el detalle esenciales del ciclo respiratorio. Esta capacidad para reconstruir la señal demostró que el sistema no solo había memorizado los datos, sino que había capturado la mecánica subyacente de cómo interactúan el ventilador y el paciente.

Los investigadores también compararon su sistema especializado contra modelos informáticos de propósito general diseñados para muchos tipos de datos de series temporales. Encontraron que su modelo específico para ventiladores funcionaba tan bien como estas herramientas amplias y potentes, a pesar de haber sido entrenado con un conjunto de datos mucho más pequeño y específico. Esto sugiere que los patrones de la respiración humana están altamente estructurados y que un modelo adaptado a esta tarea específica puede aprender de manera eficiente sin necesitar las cantidades masivas de datos que la inteligencia artificial suele requerir. El estudio también mostró que la información que la computadora aprendió estaba organizada de una manera que las herramientas matemáticas simples podían leer fácilmente, lo que significa que las capas complejas de aprendizaje profundo no siempre eran necesarias para extraer las respuestas.

Este trabajo sirve como una prueba de concepto, demostrando que las formas de onda de los ventiladores son una fuente valiosa de datos que pueden ser comprendidos por las máquinas sin intervención humana. Los investigadores enfatizan que este es un estudio piloto, lo que significa que es una prueba inicial de viabilidad más que una solución final. El sistema fue entrenado con datos de un solo hospital y un número limitado de pacientes, y las variables médicas específicas que predijo fueron elegidas para probar la tecnología más que para diagnosticar pacientes. Sin embargo, los resultados abren la puerta a futuras aplicaciones. Si una computadora puede aprender a leer estas formas de onda de manera tan efectiva, eventualmente podría ayudar a los médicos a monitorear a los pacientes más de cerca, detectar signos sutiles de dificultad que los humanos podrían pasar por alto, o incluso simular cómo un paciente podría responder a los cambios en el tratamiento. El estudio establece las bases para una nueva forma de ver los cuidados críticos, donde el flujo continuo de datos del ventilador se convierte en un registro vivo del estado respiratorio del paciente, listo para ser analizado por sistemas inteligentes para mejorar la atención.