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

In de intensive care-afdelingen van ziekenhuizen over de hele wereld staat vaak een machine wacht te houden over patiënten die niet zelfstandig kunnen ademen. Deze machine, een mechanische ventilator, duwt lucht in de longen en trekt het er weer uit, een ritmische cyclus die het leven in stand houdt. Decennialang hebben artsen naar het scherm van de machine gekeken, dat continue lijnen tekent die de druk van de lucht en de snelheid van de stroming weergeven. Deze lijnen, bekend als waveforms (golfvormen), zijn een rijke bron van informatie. Ze vertellen een verhaal over hoe de longen werken, hoe hard de patiënt probeert te ademen en of de machine synchroon loopt met de persoon. Echter, hoewel clinici getraind zijn om deze lijnen te lezen als een kaart, is de enorme hoeveelheid gegevens die ze genereren grotendeels onbenut gebleven door computers. De uitdaging was om een machine te leren de subtiele taal van deze kronkelige lijnen te begrijpen zonder dat een mens elke individuele ademteug hoeft te labelen.

Een team onderzoekers aan de Duke University heeft een belangrijke stap gezet naar de oplossing van dit probleem. Zij ontwikkelden een nieuw computersysteem dat ontworig is om te leren van de ruwe, ongelabelde data van ventilator-waveforms. In plaats van de computer duizenden voorbeelden te voeren waarbij een mens al heeft gezegd: "dit is een gezonde ademhaling" of "dit is een strijd om te ademen", lieten ze het systeem honderdduizenden ademhalingen op eigen kracht bestuderen. Het doel was om te zien of de computer de verborgen patronen en regels kon ontdekken die het ademhalen beheersen, en daarmee een compacte digitale samenvatting van de respiratoire status kon creëren. Deze benadering, genaand zelfgesuperviseerd leren (self-supervised learning), stelt de machine in staat om haar eigen begrip van de data op te bouwen, net zoals een kind leert een gezicht te herkennen door veel verschillende gezichten te zien in plaats van door de definitie van een gezicht te krijgen geleerd. De onderzoekers wilden weten of dit zelflerende systeem de essentiële fysica van het ademhalen goed genoeg kon vatten om nuttig te zijn voor toekomstige medische taken.

Om hun idee te testen, bouwde het team een framework dat zij VentWaveT noemden. Ze trainden het op data van 115 kritiek zieke patiënten, waarbij ze het systeem voorzagen van meer dan 255.000 ademhalingen die bijna 200 uur ventilatie besloegen. Het systeem keek niet naar individuele ademhalingen in isolatie; in plaats daarvan onderzocht het 15-seconden fragmenten van de continue luchtstroom. Deze fragmenten waren vaak rommelig en bevatten delen van ademhalingen, volledige ademhalingen of meerdere gemengde ademhalingen. De taak van de computer was om naar deze segmenten te kijken en te proberen te voorspellen hoe de ontbrekende delen van het signaal eruit zouden zien. Door herhaaldelijk te proberen de gaten in de data in te vullen, leerde het systeem een gecondenseerde digitale vingerafdruk voor elk moment van de ademhaling te maken. Deze vingerafdruk, of embedding, was ontworpen om alle belangrijke fysiologische informatie vast te houden terwijl de ruis werd weggefilterd.

Zodig het systeem had geleerd, zetten de onderzoekers het op de proef om te zien of het daadwerkelijk begreep waar het naar keek. Ze vroegen de computer om drie specifieke taken uit te voeren met behulp van enkel de gecreëerde digitale vingerafdrukken. Eerst vroegen ze het om te identificeren op welke modus de ventilator was ingesteld. Ventilatoren kunnen op verschillende manieren werken, zoals het geforceerd toedienen van lucht met een vaste volumestroom of het toestaan dat de patiënt de ademhaling activeert met eigen inspanning. Het systeem identificeerde de juiste modus in de overgrote meerderheid van de gevallen, met een gebalanceerde nauwkeurigheid van bijna 80 procent. Dit resultaat suggereerde dat de computer de unieke vormen en ritmes die bij elke instelling horen, had leren onderscheiden.

Vervolgens daagden de onderzoekers het systeem uit om specifieke getallen te voorspellen die de ademhaling van de patiënt beschrijven. Ze vroegen het om de ademhalingsfrequentie te schatten, oftewel hoeveel ademhalingen een patiënt per minuut neemt, en de positieve eindexpiratoire druk (PEEP), een instelling die de longen openhoudt aan het einde van een ademteug. De schattingen van de computer kwamen opmerkelijk dicht in de buurt van de werkelijke waarden die in de medische data werden geregistreerd. Voor de ademhalingsfrequentie was de gemiddelde fout minder dan twee en een half ademhaling per minuut, en voor de drukinstelling was de fout minder dan één eenheid druk. Deze bevindingen gaven aan dat de digitale vingerafdrukken nauwkeurige, kwantitatieve informatie bevatten over de fysiologie van de patiënt, en niet slechts vage patronen.

Ten slotte testte het team of het systeem het omgekeerde kon doen: kon het een digitale vingerafdruk nemen en de oorspronkelijke waveform reconstrueren? Ze voedden de gecomprimeerde data terug in een decoder om te zien of het de druk- en flowlijnen kon reconstrueren. Het resultaat was een sterke overeenkomst tussen de originele lijnen en de gereconstrueerde lijnen. De correlatie tussen de twee was hoog, wat betekende dat de computer de essentiële vorm en details van de ademhalingscyclus had behouden. Dit vermogen om het signaal te reconstrueren bewees dat het systeem de data niet alleen had onthouden, maar ook de onderliggende mechanica van de interactie tussen de ventilator en de patiënt had gevangen.

De onderzoekers vergeleken hun gespecialiseerde systeem ook met algemene computermodellen die ontworpen zijn voor diverse soorten tijdreeksdata. Ze ontdekten dat hun ventilator-specifieke model net zo goed presteerde als deze brede, krachtige instrumenten, ondanks dat het getraind was op een veel kleinere en specifiekere dataset. Dit suggereert dat de patronen van de menselijke ademhaling sterk gestructureerd zijn en dat een model dat is afgestemd op deze specifieke taak efficiënt kan leren zonder de enorme hoeveelheden data die gewoonlijk vereist zijn voor kunstmatige intelligentie. De studie toonde ook aan dat de informatie die de computer leerde op een manier was georganiseerd die eenvoudige wiskundige instrumenten gemakkelijk konden lezen, wat betekent dat complexe, diepe leerlagen (deep-learning layers) niet altijd nodig waren om de antwoorden te extraheren.

Dit werk dient als een bewijs van concept (proof of concept), waarmee wordt aangetoond dat ventilator-waveforms een waardevolle bron van data zijn die door machines begrepen kunnen worden zonder menselijke tussenkomst. De onderzoekers benadrukken dat dit een pilotstudie is, wat betekent dat het een eerste test van de haalbaarheid is en geen definitieve oplossing. Het systeem werd getraind op data van één enkel ziekenhuis en een beperkt aantal patiënten, en de specifieke medische variabelen die het voorspelde, werden gekozen om de technologie te testen in plaats van patiënten te diagnosticeren. De resultaten openen echter de deur naar toekomstige toepassingen. Als een computer deze waveforms zo effectief kan lezen, zou het artsen uiteindelijk kunnen helpen om patiënten nauwer te monitoren, subtiele tekenen van nood te detecteren die mensen misschien missen, of zelfs te simuleren hoe een patiënt zou reageren op veranderingen in de behandeling. De studie legt een fundament voor een nieuwe manier van kijken naar de intensive care, waarbij de continue stroom gegevens van de ventilator een levend verslag wordt van de respiratoire status van de patiënt, klaar om geanalyseerd te worden door intelligente systemen om de zorg te verbeteren.