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

Nelle unità di terapia intensiva degli ospedali di tutto il mondo, una macchina spesso sorveglia i pazienti che non possono respirare da soli. Questa macchina, un ventilatore meccanico, spinge l'aria nei polmoni e la estrae, un ciclo ritmico che sostiene la vita. Per decenni, i medici hanno osservato lo schermo della macchina, che traccia linee continue rappresentanti la pressione dell'aria e la velocità del suo flusso. Queste linee, note come forme d'onda, sono una ricca fonte di informazioni. Esse raccontano una storia su come i polmoni stiano lavorando, quanto il paziente stia faticando per respirare e se la macchina si stia muovendo in sincronia con la persona. Tuttavia, mentre i clinici sono addestrati a leggere queste linee come una mappa, la vasta quantità di dati che esse generano è rimasta in gran parte inutilizzata dai computer. La sfida è stata quella di insegnare a una macchina il linguaggio sottile di queste linee sinuose senza la necessità che un essere umano etichetti ogni singolo respiro.

Un team di ricercatori della Duke University ha compiuto un passo significativo verso la risoluzione di questo problema. Hanno sviluppato un nuovo sistema informatico progettato per apprendere dai dati grezzi e non etichettati delle forme d'onda del ventilatore. Invece di alimentare il computer con migliaia di esempi in cui un essere umano ha già detto: "questo è un respiro sano" o "questo è uno sforzo", hanno lasciato che il sistema studiasse centinaia di migliaia di respiri da solo. L'obiettivo era vedere se il computer potesse scoprire i modelli nascosti e le regole che governano la respirazione, creando un riassunto digitale compatto dello stato respiratorio. Questo approccio, chiamato apprendimento auto-supervisionato (self-supervised learning), permette alla macchina di costruire la propria comprensione dei dati, proprio come un bambino impara a riconoscere un volto vedendo molti volti diversi piuttosto che attraverso la definizione di un volto. I ricercatori volevano sapere se questo sistema auto-istruito potesse catturare l'essenza della fisica della respirazione in modo sufficientemente efficace da essere utile per futuri compiti medici.

Per testare la loro idea, il team ha costruito un framework che hanno chiamato VentWaveT. Lo hanno addestrato su dati provenienti da 115 pazienti in condizioni critiche, alimentandolo con oltre 255.000 respiri che coprivano quasi 200 ore di ventilazione. Il sistema non guardava i singoli respiri in isolamento; invece, esaminava istantanee di 15 secondi del flusso continuo d'aria. Queste istantanee erano spesso disordinate, contenevano parti di respiri, respiri interi o diversi respiri mescolati insieme. Il compito del computer era quello di osservare questi segmenti e cercare di prevedere quale sarebbe stato l'aspetto delle parti mancanti del segnale. Tentando ripetutamente di colmare le lacune nei dati, il sistema ha imparato a creare un'impronta digitale digitale condensata per ogni momento della respirazione. Questa impronta, o embedding, era progettata per contenere tutte le informazioni fisiologiche importanti scartando il rumore.

Una volta che il sistema aveva appreso, i ricercatori lo hanno messo alla prova per vedere se capisse davvero ciò che stava guardando. Hanno chiesto al computer di eseguire tre compiti specifici utilizzando solo le impronte digitali create. Per prima cosa, gli hanno chiesto di identificare la modalità in cui il ventilatore era impostato. I ventilatori possono operare in modi diversi, come forzare l'aria in entrata a un volume prestabilito o permettere al paziente di innescare il respiro con il proprio sforzo. Il sistema ha identificato correttamente la modalità nella stragrande maggioranza dei casi, raggiungendo un'accuratezza bilanciata di quasi l'80 percento. Questo risultato ha suggerito che il computer avesse imparato a distinguere le forme e i ritmi unici associati a ciascuna impostazione.

Successivamente, i ricercatori hanno sfidato il sistema a prevedere numeri specifici che descrivono la respirazione del paziente. Gli hanno chiesto di stimare la frequenza respiratoria, ovvero quanti respiri un paziente compie al minuto, e la pressione positiva di fine espirazione (PEEP), un'impostazione che mantiene aperti i polmoni alla fine di un respiro. Le stime del computer erano sorprendentemente vicine ai valori reali registrati nei dati medici. Per la frequenza respiratoria, l'errore medio era inferiore a due respiri e mezzo al minuto, e per l'impostazione di pressione, l'errore era inferiore a un'unità di pressione. Questi risultati hanno indicato che le impronte digitali contenevano informazioni fisiologiche precise e quantitative, non solo modelli vaghi.

Infine, il team ha testato se il sistema potesse fare l'opposto: poteva prendere un'impronta digitale e ricostruire la forma d'onda originale? Hanno inserito i dati compressi in un decoder per vedere se fosse in grado di ricostruire le linee di pressione e flusso. Il risultato è stato un forte accordo tra le linee originali e quelle ricostruite. La correlazione tra le due era alta, il che significa che il computer aveva preservato la forma e il dettaglio essenziali del ciclo respiratorio. Questa capacità di ricostruire il segnale ha dimostrato che il sistema non aveva solo memorizzato i dati, ma aveva catturato la meccanica sottostante dell'interazione tra il ventilatore e il paziente.

I ricercatori hanno anche confrontato il loro sistema specializzato con modelli informatici generici progettati per molti tipi di dati di serie temporali. Hanno scoperto che il loro modello specifico per il ventilatore era performante quanto questi strumenti ampi e potenti, nonostante fosse stato addestrato su un dataset molto più piccolo e specifico. Ciò suggerisce che i modelli della respirazione umana siano altamente strutturati e che un modello adattato a questo compito specifico possa apprendere efficientemente senza necessitare delle enormi quantità di dati solitamente richieste dall'intelligenza artificiale. Lo studio ha anche mostato che le informazioni apprese dal computer erano organizzate in un modo che gli strumenti matematici semplici potevano facilmente leggere, il che significa che gli strati complessi di deep learning non erano sempre necessari per estrarre le risposte.

Questo lavoro funge da prova di concetto, dimostrando che le forme d'onda del ventilatore sono una fonte preziosa di dati che possono essere compresi dalle macchine senza l'intervento umano. I ricercatori sottolineano che si tratta di uno studio pilota, il che significa che è un test iniziale di fattibilità piuttosto che una soluzione definitiva. Il sistema è stato addestrato su dati di un singolo ospedale e su un numero limitato di pazienti, e le variabili mediche specifiche che ha previsto sono state scelte per testare la tecnologia piuttosto che per diagnosticare i pazienti. Tuttavia, i risultati aprono la porta a future applicazioni. Se un computer può imparare a leggere queste forme d'onda in modo così efficace, potrebbe eventualmente aiutare i medici a monitorare i pazienti più da vicino, rilevare segni sottili di sofferenza che gli esseri umani potrebbero perdere, o persino simulare come un paziente potrebbe rispondere ai cambiamenti nel trattamento. Lo studio stabilisce le fondamenta per un nuovo modo di intendere la terapia intensiva, dove il flusso continuo di dati dal ventilatore diventa un registro vivente dello stato respiratorio del paziente, pronto per essere analizzato da sistemi intelligenti per migliorare l'assistenza.