Deep learning-based detection of cessation of breathing in pre-term infants

Resumo Técnico: Detecção de Cessação de Respiração em Recém-Nascidos Pré-Termo Baseada em Aprendizado Profundo

Definição do Problema
A apneia da prematuridade (AOP) é uma complicação crítica em recém-nascidos pré-termo, caracterizada por episódios recorrentes de Cessação de Respiração (COBE - Cessation Of BrEathing). A detecção atual em Unidades de Terapia Intensiva Neonatal (UTINs) depende de monitores de beira de leito que disparam alarmes baseados em limiares fixos para frequência respiratória, frequência cardíaca e saturação de oxigênio. Essas abordagens baseadas em regras sofrem com altas taxas de falsos positivos, muitas vezes falhando em capturar eventos curtos ou irregulares, o que contribui para a fadiga de alarmes. Embora o aprendizado profundo tenha avançado a detecção de apneia em adultos, sua aplicação em populações neonatais é limitada pela escassez de conjuntos de dados amplos e anotados, além da falta de uma comparação sistemática entre arquiteturas modernas e modalidades de sinal. Além disso, estudos neonatais existentes frequentemente utilizam estratégias de segmentação heterogêneas e características manuais (handcrafted features), complicando comparações diretas de desempenho.

Metodologia
O estudo utilizou um conjunto de dados clínicos composto por aproximadamente 430 horas de gravações de 24 recém-nascidos pré-termo (idade gestacional média de 31,1 ± 1,8 semanas) monitorados em uma UTIN de alta dependência. O conjunto de dados incluiu três sinais fisiológicos adquiridos rotineiramente:

1. Pneumografia de Impedância (IP): Medida direta do esforço respiratório.
2. Eletrocardiografia (ECG): Utilizada para derivar a respiração derivada do ECG (EDR) via modulação da amplitude do pico R.
3. Fotopletismografia (PPG): Utilizada para derivar um envelope respiratório a partir das variações pulsáteis do volume sanguíneo arterial.

Anotação e Preparação dos Dados:
Os eventos de COBE foram definidos clinicamente como pausas respiratórias ≥20 segundos, ou ≥10 segundos acompanhadas de bradicardia (<100 bpm) ou dessaturação de oxigênio (SpO2 < 80%). Um algoritmo de triagem automatizado identificou eventos candidatos de dessaturação, que foram então anotados manualmente por três revisores independentes (um clínico, dois engenheiros biomédicos) usando uma interface customizada em MATLAB. O conjunto de dados final consistiu em 346 eventos de COBE e 608 segmentos não-COBE. Estes foram segmentados em janelas de 20 segundos com um passo de 10 segundos, gerando 6.678 janelas de análise.

Arquiteturas de Aprendizado Profundo:
Os autores avaliaram três famílias de redes neurais convolucionais 1D, adaptadas de arquiteturas de classificação de imagens para séries temporais fisiológicas:

1. CNN Rasa (Shallow CNN): Uma arquitetura de seis camadas baseada em Urtnasan et al., modificada com tamanhos de kernel e estratégias de pooling específicos para sinais neonatais.
2. Redes Residuais (ResNets): Variantes de ResNet-18, ResNet-34 e ResNet-50, adaptadas para entradas 1D com redução de canais de características.
3. ConvNeXt: Uma arquitetura moderna adaptada para sinais 1D, avaliada com tamanhos de kernel padrão e maiores, e larguras de características reduzidas.

Os modelos foram testados em configurações unimodais (usando IP, EDR ou envelope PPG individualmente) e configurações multimodais utilizando tanto fusão precoce (early fusion, concatenando as entradas no tronco da rede) quanto fusão tardia (late fusion, concatenando características antes do classificador).

Protocolo de Avaliação:
Para evitar vazamento de dados (data leakage), o conjunto de dados foi dividido pelo nível do recém-nascido. Uma validação cruzada de cinco dobras (five-fold cross-validation) foi realizada em 20 recém-nascidos, com um conjunto de teste completamente independente composto por dados de 4 recém-nascidos retidos. O desempenho foi avaliado por meio de acurácia balanceada, sensibilidade, precisão, pontuação F1 e o coeficiente Kappa de Cohen, utilizando funções de perda ponderadas por classe para lidar com o desequilíbrio de classes.

Resultos Principais

• Dominância da Modalidade de Sinal: Em todas as arquiteturas, a escolha do sinal de entrada teve um impacto muito maior no desempenho do que a complexidade arquitetural.
  • Modelos baseados em IP alcançaram consistentemente a maior acurácia balanceada, variando de 86,8% a 88,0% no conjunto de teste independente.
  • Modelos derivados de ECG (EDR) apresentaram desempenho significativamente inferior, com acurácias balanceadas entre 62,6% e 69,7%.
  • Modelos derivados de PPG alcançaram acurácias balanceadas entre 65,1% e 66,4%.
• Desempenho Arquitetural: Embora modelos mais profundos e complexos tenham oferecido melhorias marginais, os ganhos foram modestos.
  • A arquitetura ConvNeXt geralmente superou a CNN rasa e as ResNets.
  • A melhor configuração foi um modelo ConvNeXt usando fusão tardia de entradas IP e PPG, alcançando uma acurácia balanceada de 88,7% e um F1 score de 0,75 no conjunto de teste independente.
  • A fusão multimodal proporcionou apenas melhorias incrementais sobre o IP isolado, sugerindo que o sinal respiratório direto (IP) contém a maior parte da informação discriminativa.

Significância e Alegações
O artigo afirma fornecer a primeira avaliação sistemática de uma arquitetura ConvNeXt 1D para detecção de COBE neonatal, juntamente com comparações controladas com modelos CNN e ResNet sob protocolos de pré-processamento e avaliação idênticos. A principal contribção é a demonstração de que a modalidade do sinal é o determinante primário do desempenho de detecção em ambientes neonatais com restrição de dados, superando a complexidade arquitetural.

Os autores afirmam que modelos de aprendizado profundo aplicados a sinais monitorados rotineiramente em UTIN podem alcançar a detecção confiável de eventos de COBE sem a necessidade de hardware de sensoriamento adicional. No entanto, mantêm uma postura modesta quanto à translação clínica, observando que, embora o desempenho de detecção seja forte, a validação prospectiva da carga de alarmes dentro dos fluxos de trabalho operacionais é necessária antes da implementação. O estudo destaca que o desempenho superior dos modelos baseados em IP reflete sua medição direta da mecânica respiratória, enquanto o ECG e o PPG servem como substitutos indiretos menos confiáveis nesta população específica.