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

Nas unidades de terapia intensiva de hospitais ao redor do mundo, uma máquina frequentemente monta guarda sobre pacientes que não conseguem respirar por conta própria. Esta máquina, um ventilador mecânico, empurra o ar para dentro dos pulmões e o puxa para fora, um ciclo rítmico que sustenta a vida. Por décadas, os médicos observaram a tela da máquina, que desenha linhas contínuas representando a pressão do ar e a velocidade do seu fluxo. Essas linhas, conhecidas como formas de onda, são uma rica fonte de informações. Elas contam uma história sobre como os pulmões estão funcionando, o quanto o paciente está se esforçando para respirar e se a máquina está em sincronia com a pessoa. No entanto, embora os clínicos sejam treinados para ler essas linhas como um mapa, a vasta quantidade de dados que elas geram permaneceu, em grande parte, inexplorada pelos computadores. O desafio tem sido ensinar uma máquina a entender a linguagem sutil dessas linhas onduladas sem a necessidade de um humano rotular cada respiração individualmente.

Uma equipe de pesquisadores da Universidade de Duke deu um passo significativo para resolver este problema. Eles desenvolveram um novo sistema de computador projetado para aprender a partir dos dados brutos e não rotulados das formas de onda do ventilador. Em vez de alimentar o computador com milhares de exemplos onde um humano já disse "esta é uma respiração saudável" ou "esta é uma dificuldade", eles deixaram o sistema estudar centenas de milhares de respirações por conta própria. O objetivo era ver se o computador poderia descobrir os padrões ocultos e as regras que governam a respiração, criando um resumo digital compacto do estado respiratório. Essa abordagem, chamada de aprendizado autossupervisionado, permite que a máquina construa sua própria compreensão dos dados, muito parecido com uma criança que aprende a reconhecer um rosto ao ver muitos rostos diferentes, em vez de ser informada pela definição de um rosto. Os pesquisadores queriam saber se esse sistema autodidata poderia capturar a física essencial da respiração de forma suficientemente boa para ser útil para tarefas médicas futuras.

Para testar sua ideia, a equipe construiu um framework que nomearam VentWaveT. Eles o treinaram com dados de 115 pacientes em estado crítico, alimentando-o com mais de 255.000 respirações que abrangeram quase 200 horas de ventilação. O sistema não olhou para as respirações individuais isoladamente; em vez disso, examinou instantâneos de 15 segundos do fluxo contínuo de ar. Esses instantâneos eram frequentemente desordenados, contendo partes de respirações, respirações inteiras ou várias respirações misturadas. O trabalho do computador era olhar para esses segmentos e tentar prever como seriam as partes ausentes do sinal. Ao tentar repetidamente preencher as lacunas nos dados, o sistema aprendeu a criar uma impressão digital digital condensada para cada momento de respiração. Essa impressão digital, ou embedding, foi projetada para conter toda a informação fisiológica importante enquanto descarta o ruído.

Assim que o sistema aprendeu, os pesquisadores o colocaram à prova para ver se ele realmente entendia o que estava olhando. Eles pediram ao computador para realizar três tarefas específicas usando apenas as impressões digitais digitais que ele havia criado. Primeiro, pediram que identificasse em qual modo o ventilador estava configurado. Os ventiladores podem operar de diferentes maneiras, como forçar o ar para dentro em um volume definido ou permitir que o paciente dispare a respiração com seu próprio esforço. O sistema identificou corretamente o modo na grande maioria dos casos, alcançando uma acurácia equilibrada de quase 80 por cento. Esse resultado sugeriu que o computador aprendeu a distinguir as formas e ritmos únicos associados a cada configuração.

Em seguida, os pesquisadores desafiaram o sistema a prever números específicos que descrevem a respiração do paciente. Pediram que estimasse a frequência respiratória, ou quantas respirações um paciente dá por minuto, e a pressão positiva ao final da expiração, uma configuração que mantém os pulmões abertos ao final de uma respiração. As estimativas do computador foram notavelmente próximas dos valores reais registrados nos dados médicos. Para a frequência respiratória, o erro médio foi de menos de duas e meia respirações por minuto e, para a configuração de pressão, o erro foi de menos de uma unidade de pressão. Essas descobertas indicaram que as impressões digitais digitais continham informações quantitativas precisas sobre a fisiologia do paciente, não apenas padrões vagos.

Finalmente, a equipe testou se o sistema poderia fazer o inverso: poderia ele pegar uma impressão digital digital e reconstruir a forma de onda original? Eles alimentaram os dados comprimidos de volta em um decodificador para ver se ele conseguiria reconstruir as linhas de pressão e fluxo. O resultado foi uma correspondência forte entre as linhas originais e as reconstruídas. A correlação entre as duas foi alta, significando que o computador preservou a forma e o detalhe essenciais do ciclo respiratório. Essa capacidade de reconstruir o sinal provou que o sistema não apenas memorizou os dados, mas capturou a mecânica subjacente de como o ventilador e o paciente interagem.

Os pesquisadores também compararam seu sistema especializado contra modelos de computador de uso geral projetados para muitos tipos de dados de séries temporais. Eles descobriram que seu modelo específico para ventiladores teve um desempenho tão bom quanto essas ferramentas amplas e poderosas, apesar de ter sido treinado em um conjunto de dados muito menor e mais específico. Isso sugere que os padrões da respiração humana são altamente estruturados e que um modelo adaptado para essa tarefa específica pode aprender de forma eficiente sem precisar das quantidades massivas de dados normalmente exigidas pela inteligência artificial. O estudo também mostrou que a informação que o computador aprendeu estava organizada de uma forma que ferramentas matemáticas simples podiam facilmente ler, significando que camadas complexas de aprendizado profundo não eram sempre necessárias para extrair as respostas.

Este trabalho serve como uma prova de conceito, demonstrando que as formas de onda do ventilador são uma fonte valiosa de dados que podem ser compreendidos por máquinas sem intervenção humana. Os pesquisadores enfatizam que este é um estudo piloto, o que significa que é um teste inicial de viabilidade, e não uma solução final. O sistema foi treinado com dados de um único hospital e um número limitado de pacientes, e as variáveis médicas específicas que ele previu foram escolhidas para testar a tecnologia, não para diagnosticar pacientes. No entanto, os resultados abrem as portas para aplicações futuras. Se um computador puder aprender a ler essas formas de onda de forma tão eficaz, poderá eventualmente ajudar médicos a monitorar pacientes mais de perto, detectar sinais sutis de angústia que os humanos possam perder ou até mesmo simular como um paciente pode responder a mudanças no tratamento. O estudo estabelece uma base para uma nova maneira de olhar para os cuidados críticos, onde o fluxo contínuo de dados do ventilador se torna um registro vivo do estado respiratório do paciente, pronto para ser analisado por sistemas inteligentes para melhorar o cuidado.