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

Dans les unités de soins intensifs des hôpitaux du monde entier, une machine monte souvent la garde sur les patients qui ne peuvent pas respirer seuls. Cette machine, un ventilateur mécanique, pousse l'air dans les poumons et l'en extrait, un cycle rythmique qui soutient la vie. Pendant des décennies, les médecins ont observé l'écran de la machine, qui trace des lignes continues représentant la pression de l'air et la vitesse de son flux. Ces lignes, appelées formes d'ondes, sont une source riche d'informations. Elles racontent une histoire sur le fonctionnement des poumons, sur l'effort que fait le patient pour respirer, et si la machine est en synchronisation avec la personne. Cependant, bien que les cliniciens soient formés pour lire ces lignes comme une carte, la vaste quantité de données qu'elles génèrent est restée largement inexploitée par les ordinateurs. Le défi consistait à apprendre à une machine à comprendre le langage subtil de ces lignes sinueuses sans avoir besoin qu'un humain étiquette chaque respiration.

Une équipe de chercheurs de l'Université Duke a franchi une étape importante vers la résolution de ce problème. Ils ont développé un nouveau système informatique conçu pour apprendre à partir des données brutes et non étiquetées des formes d'ondes du ventilateur. Au lieu de nourrir l'ordinateur avec des milliers d'exemples où un humain a déjà dit : « ceci est une respiration saine » ou « ceci est une difficulté », ils ont laissé le système étudier des centaines de milliers de respirations par lui-même. L'objectif était de voir si l'ordinateur pouvait découvrir les motifs et les règles cachés qui régissent la respiration, créant ainsi un résumé numérique compact de l'état respiratoire. Cette approche, appelée apprentissage auto-supervisé, permet à la machine de construire sa propre compréhension des données, un peu comme un enfant apprend à reconnaître un visage en voyant de nombreux visages différents plutôt qu'en apprenant la définition d'un visage. Les chercheurs voulaient savoir si ce système auto-apprenant pouvait capturer l'essentiel de la physique de la respiration de manière assez efficace pour être utile lors de futures tâches médicales.

Pour tester leur idée, l'équipe a construit un cadre qu'ils ont nommé VentWaveT. Ils l'ont entraîné sur des données provenant de 115 patients gravement malades, en lui injectant plus de 255 000 respirations qui s'étendaient sur près de 200 heures de ventilation. Le système n'examinait pas les respirations de manière isolée ; il examinait plutôt des instantanés de 15 secondes du flux d'air continu. Ces instantanés étaient souvent désordonnés, contenant des parties de respirations, des respirations entières ou plusieurs respirations mélangées. Le travail de l'ordinateur était d'examiner ces segments et d'essayer de prédire ce à quoi ressembleraient les parties manquantes du signal. En essayant de façon répétée de combler les lacunes dans les données, le système a appris à créer une empreinte numérique condensée pour chaque moment de la respiration. Cette empreinte, ou plongement (embedding), était conçue pour détenir toutes les informations physiologiques importantes tout en éliminant le bruit.

Une fois que le système eut appris, les chercheurs l'ont mis à l'épreuve pour voir s'il comprenait réellement ce qu'il regardait. Ils ont demandé à l'ordinateur d'accomplir trois tâches spécifiques en utilisant uniquement les empreintes numériques qu'il avait créées. Premièrement, ils lui ont demandé d'identifier le mode dans lequel le ventilateur était réglé. Les ventilateurs peuvent fonctionner de différentes manières, comme forcer l'air à l'intérieur à un volume défini ou permettre au patient de déclencher la respiration par son propre effort. Le système a identifié correctement le mode dans la grande majorité des cas, atteignant une précision équilibrée de près de 80 pour cent. Ce résultat suggérait que l'ordinateur avait appris à distinguer les formes et les rythmes uniques associés à chaque réglage.

Ensuite, les chercheurs ont mis le système au défi de prédire des chiffres spécifiques qui décrivent la respiration du patient. Ils lui ont demandé d'estimer la fréquence respiratoire, soit le nombre de respirations qu'un patient prend par minute, et la pression expiratoire positive de fin d'expiration, un réglage qui maintient les poumons ouverts à la fin d'une respiration. Les estimations de l'ordinateur étaient remarquablement proches des valeurs réelles enregistrées dans les données médicales. Pour la fréquence respiratoire, l'erreur moyenne était de moins de deux et demi respirations par minute, et pour le réglage de la pression, l'erreur était de moins d'une unité de pression. Ces résultats indiquaient que les empreintes numériques contenaient des informations quantitatives précises sur la physiologie du patient, et non de simples motifs vagues.

Enfin, l'équipe a testé si le système pouvait faire l'inverse : pouvait-il prendre une empreinte numérique et reconstruire la forme d'onde originale ? Ils ont réinjecté les données compressées dans un décodeur pour voir s'il pouvait reconstruire les lignes de pression et de débit. Le résultat a montré une forte correspondance entre les lignes originales et les lignes reconstruites. La corrélation entre les deux était élevée, ce qui signifie que l'ordinateur avait préservé la forme et les détails essentiels du cycle respiratoire. Cette capacité à reconstruire le signal a prouvé que le système n'avait pas seulement mémorisé les données, mais qu'il avait capturé la mécanique sous-jacente de l'interaction entre le ventilateur et le patient.

Les chercheurs ont également comparé leur système spécialisé à des modèles informatiques à usage général conçus pour divers types de données de séries temporelles. Ils ont constaté que leur modèle spécifique au ventilateur était tout aussi performant que ces outils puissants et généralistes, malgré un entraînement sur un ensemble de données beaucoup plus petit et spécifique. Cela suggère que les motifs de la respiration humaine sont hautement structurés et qu'un modèle adapté à cette tâche spécifique peut apprendre efficacement sans nécessiter les quantités massives de données habituellement requises par l'intelligence artificielle. L'étude a également montré que les informations apprises par l'ordinateur étaient organisées de telle sorte que des outils mathématiques simples pouvaient facilement les lire, ce qui signifie que les couches complexes d'apprentissage profond n'étaient pas toujours nécessaires pour extraire les réponses.

Ce travail sert de preuve de concept, démontrant que les formes d'ondes des ventilateurs sont une source de données précieuse qui peut être comprise par des machines sans intervention humaine. Les chercheurs soulignent qu'il s'agit d'une étude pilote, ce qui signifie qu'il s'agit d'un test de faisabilité initial plutôt que d'une solution finale. Le système a été entraîné sur des données provenant d'un seul hôpital et d'un nombre limité de patients, et les variables médicales spécifiques qu'il prédisait ont été choisies pour tester la technologie plutôt que pour diagnostiquer des patients. Cependant, les résultats ouvrent la voie à de futures applications. Si un ordinateur peut apprendre à lire ces formes d'ondes de manière aussi efficace, il pourrait éventuellement aider les médecins à surveiller les patients de plus près, à détecter des signes subtils de détresse que les humains pourraient manquer, ou même à simuler la façon dont un patient pourrait réagir à des changements de traitement. L'étude établit les bases d'une nouvelle façon d'envisager les soins critiques, où le flux continu de données du ventilateur devient un enregistrement vivant de l'état respiratoire du patient, prêt à être analysé par des systèmes intelligents pour améliorer les soins.