⚡ engenharia elétrica

Framework for Patient-Device Model-Based In Silico Clinical Trials in Mechanical Ventilation: A Case Study

Este artigo apresenta uma estrutura padronizada e alinhada às regulamentações para a condução de ensaios clínicos in silico de dispositivos de ventilação mecânica, demonstrando sua utilidade por meio de um estudo de caso que avalia sistematicamente um protocolo de desmame automatizado através de uma coorte diversificada de pacientes virtuais para identificar riscos de desempenho e modos de falha antes da investigação clínica.

Autores originais: Carlotta Hennigs, Georg Männel, Franziska Bilda, Helene Selpien, Dirk Schädler, Michael Imhoff, Philipp Rostalski

Publicado 2026-10-15

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Carlotta Hennigs, Georg Männel, Franziska Bilda, Helene Selpien, Dirk Schädler, Michael Imhoff, Philipp Rostalski

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nas unidades de terapia intensiva de hospitais ao redor do mundo, uma máquina frequentemente respira por pacientes que não conseguem fazer isso por si mesmos. Esta máquina, um ventilador, empurra o ar para dentro dos pulmões para manter o oxigênio fluindo e o dióxido de carbono para fora. Durante décadas, os médicos ajustaram manualmente as configurações dessas máquinas, observando monitores e tentando adivinhar como o corpo de um paciente específico reagiria a uma mudança. Mas, à medida que a medicina avança, essas máquinas estão se tornando mais inteligentes. Elas estão sendo programadas com sistemas automatizados que podem ajustar suas próprias configurações em tempo real, reagindo às necessidades em constante mudança do paciente sem intervenção humana. O desafio para engenheiros e reguladores é que esses novos sistemas de autoajuste são incrivelmente complexos. Eles interagem com a biologia humana de maneiras difíceis de prever, e testá-los em pacientes reais acarreta riscos significativos. Se um novo sistema automatizado falhar, ele poderá prejudicar uma pessoa vulnerável. Isso cria a necessidade de uma forma segura e virtual de testar essas máquinas contra milhares de diferentes tipos de corpos e condições de doenças antes mesmo de tocarem um paciente humano.

Pesquisadores da Universidade de Lübeck e do Hospital Universitário de Schleswig-Holstein desenvolveram um novo framework para resolver este problema. Eles criaram um método para realizar ensaios clínicos "in silico", que são essencialmente simulações de alta fidelidade de experimentos médicos. Em vez de recrutar pessoas reais, eles construíram uma população digital de quatrocentos pacientes virtuais. Cada um desses pacientes digitais recebeu um conjunto único de características, mimetizando a ampla variedade de pessoas reais encontradas em unidades de terapia intensiva, desde aqueles com pulmões rígidos e danificados até aqueles com músculos respiratórios fracos. Os pesquisadores então conectaram esses pacientes virtuais a um ventilador simulado executando um protocolo de desmame automatizado. O desmame é o processo de ajudar um paciente na transição de respirar inteiramente com uma máquina para respirar por conta própria. O objetivo do estudo foi verificar se esse sistema automatizado poderia guiar os pacientes com segurança através desse processo difícil em uma vasta gama de cenários, incluindo casos extremos raros e perigosos que poderiam não aparecer em um estudo clínico padrão.

A equipe não simplesmente executou a simulação uma vez e torceu pelo melhor. Eles projetaram um fluxo de trabalho rigoroso que começou fazendo perguntas específicas sobre o que a máquina precisava fazer. Eles queriam saber se a máquina conseguiria manter a quantidade de ar entregue aos pulmões dentro de uma faixa segura, se conseguiria manter a taxa de respiração correta e se conseguiria evitar que os níveis de dióxido de carbono ficassem muito altos. Eles também queriam ver se a máquina algum dia ficaria fora de sincronia com o paciente, causando o fato de o paciente lutar contra a máquina, ou se as configurações de pressão começariam a oscilar descontroladamente. Para testar isso, eles submeteram os quatrocentos pacientes virtuais a nove cenários diferentes. Alguns cenários envolviam mudanças súbitas na rigidez dos pulmões, outros simularam uma queda no impulso respiratório do paciente, e alguns mimetizaram problemas graves na forma como os pulmões realizam a troca gasosa. Eles até incluíram um cenário onde a sedação do paciente era reduzida gradualmente, mimetizando o processo do mundo real de acordar um paciente para deixá-lo respirar por conta própria.

Os resultados dessas milhares de execuções computacionais revelaram tanto os pontos fortes quanto os limites do sistema automatizado. Na maioria das situações, a máquina teve um bom desempenho, mantendo a frequência respiratória e os níveis de dióxido de carbono dentro de alvos aceitáveis. Ela gerenciou com sucesso a transição para a maioria dos pacientes virtuais. No entanto, a simulação também destacou situações específicas onde o sistema teve dificuldades. Quando os pacientes virtuais apresentavam problemas graves de troca gasosa, como quando seus pulmões estavam cheios de fluido ou quando uma grande parte de seu sangue estava desviando dos pulmões, a máquina teve dificuldade em manter os alvos de proteção pulmonar. Nesses casos difíceis, o sistema enfrentava um dilema fundamental: ele poderia eliminar o dióxido de carbono de forma eficaz ou manter a pressão nos pulmões baixa o suficiente para evitar lesões, mas não conseguia sempre fazer ambas as coisas ao mesmo tempo. O estudo também descobriu que a máquina ocasionalmente perdia a sincronia com o paciente ou causava oscilações de pressão, mas esses eventos ocorreram em uma frequência que se aproxima muito do que os médicos observam em hospitais reais. Especificamente, a simulação mostrou oscilações de pressão em 11,1 por cento dos casos, o que é muito próximo da taxa de 15,5 por cento observada em dados clínicos reais.

Talvez a descoberta mais valiosa não tenha sido apenas o desempenho da máquina, mas o que a simulação revelou sobre os fatores que influenciaram esse desempenho. Ao analisar os dados dos quatrocentos pacientes virtuais, os pesquisadores identificaram que o estado de doença subjacente do paciente, seu nível de sedação e as configurações iniciais de pressão eram os fatores mais importantes para determinar se o sistema automatizado teria sucesso. Dados demográficos simples, como idade ou altura, importaram muito menos. Esse insight permite que os engenheiros foquem suas futuras melhorias nas condições específicas que causam mais problemas. O estudo também demonstrou que essa abordagem virtual poderia identificar modos de falha perigosos sem expor um único paciente real a riscos. Os pesquisadores descobriram que o sistema automatizado provavelmente falharia em pacientes com as formas mais graves de doença pulmonar, um achado que sugere que esses pacientes podem precisar ser excluídos dos protocolos de desmame automatizado no mundo real.

Este trabalho representa um passo significativo no modo como dispositivos médicos são testados e regulamentados. Os pesquisadores mostraram que é possível criar um framework reutilizável e padronizado que possa testar exaustivamente funções médicas automatizadas complexas contra um amplo espectro de biologia humana. Ao usar uma abordagem de cima para baixo, que começa com uma pergunta clara e trabalha de trás para frente para construir a população virtual necessária, eles garantem que os resultados sejam diretamente relevantes para a segurança e o desempenho no mundo real. O estudo confirma que, embora esses sistemas automatizados tenham grande promessa para padronizar o cuidado e reduzir a carga de trabalho dos médicos, eles não são uma solução única para todos. Eles funcionam bem para muitos pacientes, mas exigem monitoramento cuidadoso e limites de segurança específicos para aqueles com as condições mais graves. O framework fornece um caminho claro para que reguladores e fabricantes verifiquem esses sistemas antes que sejam usados em hospitais, garantindo que a tecnologia seja robusta o suficiente para lidar com a realidade desordenada e imprevisível da fisiologia humana.

Resumo Técnico: Estrutura para Ensaios Clínicos In Silico Baseados em Modelo Paciente-Dispositivo em Ventilação Mecânica

Definição do Problema
O desenvolvimento e a avaliação regulatória de dispositivos médicos automatizados, particularmente aqueles que empregam estratégias de controle de malha fechada multivariáveis, adaptativas e orientadas por IA, enfrentam desafios significativos. Os estudos pré-clínicos e clínicos convencionais são frequentemente caros demais, demorados e limitados em escopo para cobrir todo o espectro de condições clinicamente relevantes, eventos raros de alta consequência e interações complexas paciente-dispositivo. Além disso, os marcos regulatórios, como o Regulamento de Dispositivos Médicos da UE (MDR 2017/745) e as diretrizes da FDA e da ASME (especificamente a ASME V&V 40), exigem evidências rigorosas de segurança e eficácia, especialmente para dispositivos que vão além de controladores de feedback estáticos de variável única. Os atuais ensaios clínicos in silico (ISCTs) para ventilação mecânica dependem frequentemente de acoplamentos simplificados entre a fisiologia do paciente e a lógica do dispositivo, omitindo dinâmicas críticas da cadeia de medição e algoritmos específicos do dispositivo. Há uma falta de uma via integrada de ponta a ponta que acople coerentemente a mecânica respiratória, a troca gasosa, o drive respiratório e a lógica do dispositivo, enquanto se alinha explicitamente com estruturas de credibilidade regulatória.

Metodologia
Os autores propõem uma estrutura de ISCT reutilizável e agnóstica ao dispositivo, fundamentada em uma lógica de design top-down informada pelo risco e alinhada à ASME V&V 40. O fluxo de trabalho procede através de oito etapas sequenciais:

Definição da Questão de Interesse (QoI), Contexto de Uso (COU) e Quantidades de Interesse (QoI): Estabelecer a questão clínica e o papel específico do modelo na tomada de decisão.
Definição e Desenvolvimento do Modelo: Criar um Modelo Paciente-Dispositivo (PDM) que integre mecânica respiratória, troca gasosa, controle respiratório e dinâmica do dispositivo (incluindo latências de sensores e lógica de controle). O modelo deve satisfazer requisitos de fidelidade fisiológica, especificidade do paciente, acoplamento do dispositivo, responsividade de cenário e tratabilidade computacional.
Definição de Coorte e Cenário: Construir uma coorte virtual que inclua tanto estratos representativos de pacientes quanto casos extremos (edge cases, ex: ARDS grave, sedação profunda) para testar a robustez do controlador. Os cenários são definidos para perturbar dimensões fisiológicas específicas (mecânica, drive, troca gasosa).
Amostragem de Parâmetros e Execução de Simulação: Utilizar uma estratégia de amostragem híbrida (Latin Hypercube Sampling para casos representativos e amostragem uniforme para casos extremos) para gerar uma população virtual.
Análise de Resultados: Quantificar o desempenho usando métricas como Tempo no Alvo (Time in Target - TiT), overshoot, tempo de excursão máxima e escores compostos. A assincronia paciente-ventilador e as oscilações de pressão são detectadas via algoritmos específicos.
Resposta e Discussão: Sintetizar os resultados para responder à QoI inicial, com atividades de credibilidade (verificação, validação, análise de sensibilidade) distribuídas por todas as etapas do fluxo de trabalho, em vez de confinadas a uma única fase.

Esta estrutura é instanciada através de um estudo de caso avaliando um Protocolo de Desmame Automatizado (AWP), inspirado no sistema clinicamente estabelecido SmartCare®/PS. O estudo simulou 400 pacientes adultos de UTI virtuais em 9 cenários de perturbação (incluindo mudanças em elastância pulmonar, resistência das vias aéreas, drive respiratório, níveis de sedação e troca gasosa), resultando em um total de 3.600 execuções de simulação.

Principais Contribuições
O artigo identifica três contribuições primárias:

Um Fluxo de Trabalho de ISCT Alinhado à Regulação: Uma estrutura top-down reutilizável que impõe rastreabilidade desde as questões clínicas até as conclusões quantitativas, garantindo que a complexidade do modelo e o desenho da coorte sejam impulsionados pelo Contexto de Uso específico e pelo risco de decisão, consistente com a ASME V&V 40.
Metodologia de Coorte Virtual e Cenário: Uma metodologia específica para gerar coortes virtuais que combina explicitamente estratos representativos e de casos extremos (divisão 60%/40%) usando amostragem híbrida. Isso permite o teste de estresse sistemático da robustez do controlador através de todo o espectro da patofisiologia da ventilação mecânica, incluindo condições raramente encontradas em ensaios convencionais.
Validação da Estrutura via Estudo de Caso: Uma demonstração da utilidade da estrutura na avaliação de um AWP. O estudo gerou com sucesso evidências relevantes para a decisão, identificou limites de desempenho e reproduziu comportamentos emergentes do controlador (como oscilações de pressão) sem expor pacientes ao risco.

Resultos
O estudo de caso rendeu os seguintes achados:

Desempenho: O protocolo de desmame automatizado geralmente manteve faixas de trabalho aceitáveis para volume corrente ( $V_T$ ), frequência respiratória (RR) e dióxido de carbono expirado ( $etCO_2$ ) na maioria dos cenários. No entanto, os alvos de proteção pulmonar (especificamente limites de pressão de platô) foram desafiados sob comprometimento grave da troca gasosa (cenários de shunt e espaço morto).
Assincronia e Oscilações: A assincronia paciente-ventilador ocorreu de maneira dependente do fenótipo e do cenário. Oscilações de pressão inspiratória ( $P_{insp}$ ) foram observadas em 11,1% das simulações, uma frequência comparável às observações clínicas (15,5%). Essas oscilações foram associadas principalmente aos fenótipos de ARDS.
Análise de Influência: A análise de correlação de Spearman identificou o estado da doença, o nível de sedação e a pressão inspiratória inicial como os determinantes dominantes do desempenho do AWP. Variáveis demográficas (idade, altura, IMC) mostraram apenas associações fracas.
Comparação com Dados Clínicos: Os resultados in silico alinharam-se qualitativamente com dados clínicos retrospectivos do desmame SmartCare®/PS, reproduzindo tendências de dificuldade de desempenho e taxas de oscilação. Discrepâncias quantitativas nos valores absolutos de "Tempo no Alvo" foram atribuídas à ausência de confundidores do mundo real (ex: vazamentos, dor, mudanças de medicação) no ambiente de simulação.

Significância e Alegações
Os autores alegam que esta estrutura fornece um caminho padronizado e crível para a avaliação pré-clínica de funções de ventilação automatizadas. Sua significância reside na capacidade de:

Suportar Submissões Regulatórias: Ao alinhar-se com a ASME V&V 40 e as diretrizes da FDA, oferece um método estruturado para gerar evidências que abordem o aumento do ônus regulatório para dispositivos adaptativos e multivariáveis.
Permitir o Teste de Estresse Sistemático: Permite a identificação de modos de falha e limites de desempenho (ex: o compromisso entre a eliminação de $CO_2$ e a proteção pulmonar em comprometimento grave da troca gasosa) através de amplos espaços de parâmetros e casos extremos que estão sub-representados em ensaios convencionais.
Facilitar o Design Iterativo: A estrutura suporta a geração de evidências transparentes e relevantes para a decisão, permitindo o refinamento iterativo dos algoritmos do dispositivo antes da investigação clínica.
Reproduzir Comportamento Emergente: A abordagem baseada em PDM captura com sucesso dinâmicas complexas de malha fechada emergentes (como oscilações de pressão) que estruturas de simulação de malha aberta mais simples não conseguem capturar.

O artigo posiciona modestamente o estudo de caso como uma validação da metodologia da estrutura em vez de uma avaliação clínica definitiva do AWP específico. Ele reconhece limitações, como a exclusão de multimorbidade e deriva fisiológica de longo prazo, observando que a implementação atual serve como uma prova de conceito para uma plataforma metodológica dinâmica e extensível.

Mais como este