Resumo Técnico: HIPNO – Operadores Neurais Informados por Física com Sensibilidade à Simetria para Inferência Hemodinâmica Não Invasiva

Definição do Problema

O monitoramento hemodinâmico contínuo é crítico para guiar o tratamento em cirurgias e cuidados intensivos, mas os sinais padrão-ouro (ex: débito cardíaco, tônus vascular) tipicamente exigem cateterismo invasivo, restringindo seu uso a pacientes criticamente instáveis. Embora sinais não invasivos como ECG e fotopletismografia (PPG) estejam rotineiramente disponíveis, reconstruir o fluxo volumétrico contínuo e o tônus vascular a partir deles permanece um desafio devido à escassez de verdade clínica (ground truth).

Um obstáculo fundamental na inferência hemodinâmica informada pela física é a não-identificabilidade estrutural. Especificamente, o modelo de observação (pressão) exibe simetria de escala: o redimensionamento proporcional do fluxo cardíaco ($Q_{in}$), da resistência vascular ($R_1, R_2$) e da complacência arterial ($C$) pode gerar formas de onda de pressão idênticas. Consequentemente, estados fisiológicos latentes distintos mapeiam para o mesmo sinal observável, tornando impossível recuperar unicamente parâmetros físicos absolutos (como fluxo ou resistência absolutos) apenas a partir de dados de pressão. Modelos baseados puramente em dados frequentemente falham em abordar essa ambiguidade, enquanto abordagens padrão informadas pela física podem deixar a simetria intacta no problema inverso.

Metodologia

Os autores introduzem o HIPNO (Hemodynamic Inference via Physics-informed Neural Operators), um framework projetado para resolver a ambiguidade de escala operando diretamente no espaço quociente invariante do grupo de simetria subjacente.

1. Formulação Sensível à Simetria

Os autores formalizam a simetria de escala do modelo de Windkessel de 3 elementos (Proposição 1). Eles demonstram que, para qualquer fator de escala $s > 0$, a transformação $C' = sC$, $Q'_{in} = sQ_{in}$, $R'_1 = R_1/s$ e $R'_2 = R_2/s$ deixa a forma de onda de pressão inalterada.

Para eliminar essa ambiguidade, o HIPNO parametriza a rede em coordenadas de quociente que são invariantes sob essa transformação:

• Fluxo normalizado pela complacência: $U = Q/C$
• Constante de tempo de decaimento: $\tau_{WK} = R_2 C$
• Coordenada de impedância característica: $\kappa = R_1 C$

Neste espaço, as equações de contorno dependem apenas de $U$, $\tau_{WK}$ e $\kappa$, efetivamente realizando o quociente do grau de liberdade de escala. O modelo prevê essas coordenadas invariantes juntamente com a forma de onda de pressão.

2. Arquitetura do Operador Neural

O HIPNO utiliza uma arquitetura híbrida que acopla codificadores de sinal a um tronco contínuo condicionado pela física:

• Encoders: Codificadores Transformer convolucionais separados processam sinais de ECG e PPG. Um decodificador de atenção cruzada funde essas modalidades para capturar informações temporais complementares (ex: tempo do QRS vs. chegada do pulso).
• Aprendizado de Fase Cardíaca: O modelo aprende uma fase cardíaca monótona $\phi(t)$ para alinhar a morfologia dentro de cada batimento, permitindo a avaliação em tempos arbitrários.
• Rede de Tronco (Trunk Network): Um tronco do tipo DeepONet mapeia características de Fourier de fase e espaço para campos arteriais contínuos (área da seção transversal $A$, fluxo normalizado $U$ e pressão transmural $P_{tm}$). Este ramo é condicionado pela representação global da janela via Modulação Linear por Características (Feature-wise Linear Modulation - FiLM).
• Ramo de Física: Impõe as equações diferenciais ordinárias (ODEs) de Windkessel e os resíduos das PDEs arteriais. Ele prevê $\tau_{WK}$, $\kappa$ e a pressão venosa $P_v$.
• Ramo Direto: Um caminho separado prevê a forma de onda de pressão diretamente a partir das entradas.
• Mistura (Blending): A saída final é uma mistura ponderada dos ramos direto e de física, $P(t) = \alpha P_{dir}(t) + (1-\alpha)P_{phy}(t)$, otimizada via uma estratégia de aprendizado de currículo (curriculum learning).

3. Treinamento e Dados

O modelo foi treinado em 945.499 janelas intraoperatórias de 2.562 pacientes, derivadas do conjunto de dados VitalDB. O objetivo de treinamento inclui:

• Perda de Reconstrução: MSE mascarado nas formas de onda de pressão, forma padronizada e derivadas.
• Perda de Física: Acoplamento de Windkessel, resíduos de PDE e restrições de periodicidade.
• Supervisão da Constante de Tempo: Uma perda de log-MSE contra um proxy derivado da pressão $\tau_{wave}$ (ajustado ao decaimento diastólico) para guiar o aprendizado de $\tau_{WK}$.
• Restrições de Escala: Priors sobre os parâmetros e uma normalização de complacência fixa ($C=1$) para definir o espaço quociente.

Resultados Principais

1. Predição de Decaimento Vascular

O HIPNO prevê a constante de tempo de decaimento $\tau_{WK}$ (um proxy para o tônus vascular) com precisão significativamente maior do que uma linha de base populacional.

• Desempenho: Em janelas de teste não vistas, o HIPNO alcançou uma redução de 32% no Erro Médio Absoluto (MAE) em escala logarítmica em comparação com uma linha de base que previa a mediana da coorte de treinamento ($0,297$ vs. $0,434$).
• Correlação: O modelo captura a variação entre pacientes com uma correlação de Pearson de $r=0,678$ na escala logarítmica.

2. Separação de Mecanismos (Contrafatuais)

Uma validação crítica da formulação de coordenadas de quociente é a separação de mecanismos. Os autores realizaram perturbações contrafatuais nas coordenadas aprendidas:

• Separação de Tônus e Fluxo: Perturbar $\tau_{WK}$ (tônus vascular) mantendo $U$ (impulso de fluxo) fixo produziu respostas direcionais consistentes com vasodilatação/vasoconstrição em >90% das janelas. Inversamente, perturbar $U$ mantendo $\tau_{WK}$ fixo produziu respostas impulsionadas pelo fluxo.
• Relevância Clínica: Essa separação permite que o modelo distinga entre hipovolemia (baixo fluxo) e vasodilatação (baixo tônus), que apresentam morfologias semelhantes em modelos de apenas pressão, mas que requerem tratamentos opostos. Em contraste, as linhas de base de apenas pressão não conseguem desmembrar esses mecanismos.

3. Reconstrução de Pressão

O HIPNO mantém alta fidelidade na reconstrução da pressão enquanto gera as coordenadas fisiológicas adicionais.

• Precisão: O MAE da Pressão Arterial Média (MAP) foi de $10,88$ mmHg, comparável a modelos de forma reversíveis de última geração (INN-PAR: $10,34$ mmHg) e modelos de fundação (PaPaGei: $9,01$ mmHg).
• Troca (Trade-off): A correlação da forma de onda foi ligeiramente inferior ($0,672$ vs. $0,817$ para INN-PAR), com erros concentrados nos picos sistólicos, mas o modelo recuperou com sucesso as coordenadas invariantes necessárias para o insight mecanístico.

4. Calibração do Débito Cardíaco

Os autores demonstraram que as coordenadas invariantes podem ser usadas para calibrar o monitor de Débito Cardíaco (DC).

• Ablação: Adicionar a coordenada de fluxo do HIPNO ($\log U$) a um modelo de calibração usando covariáveis de prontuário eletrônico (EHR) e indicadores de dispositivos resultou em melhorias marginais ($<0,02$ L/min de mudança no MAE).
• Conclusão: Embora as coordenadas não superem independentemente as covariáveis clínicas, elas podem ser integradas sem degradação, apoiando a viabilidade do uso de sinais não invasivos para refinar estimativas de DC quando uma referência de escala externa está disponível.

Significância e Alegações

O artigo afirma que o HIPNO demonstra como operadores neurais informados pela física podem aprender no espaço quociente identificável de um modelo de observação mecanístico.

• Resolução de Ambiguidade: Ao identificar e realizar o quociente da simetria de escala explicitamente, o HIPNO recupera parâmetros latentes interpretáveis (tônus vascular e impulso de fluxo) que, de outra forma, seriam matematicamente indeterminados a partir de apenas pressão.
• Utilidade Clínica: O modelo fornece um índice contínuo e não invasivo de complacência arterial e tônus vascular ($\tau_{WK}$) e separa o impulso de fluxo do tônus, abordando uma limitação fundamental na monitoração hemodinâmica atual.
• Limitação Explícita de Escala: Os autores observam modestamente que, embora a dinâmica relativa seja recuperada, a escala física absoluta (ex: débito cardíaco absoluto em L/min) permanece não identificada sem uma referência externa (ex: uma referência de complacência ou uma medição de fluxo). A formulação identifica explicitamente essa medição faltante como o próximo passo necessário para a quantificação absoluta.

O trabalho estabelece um procedimento generalizável de quatro etapas para o design de operadores sensíveis à simetria: (1) identificar o grupo de simetria, (2) formar coordenadas invariantes, (3) treinar o operador nesse espaço e (4) identificar a medição externa necessária para fixar a escala. Esta abordagem é apresentada como aplicável além da hemodinâmica para outros problemas inversos envolvendo simetrias de escala.