CAMPO DA INVENÇÃO

[0001] A presente invenção refere-se a um método para estimação da pressão muscular de um paciente sendo ventilado por um ventilador pulmonar e um dispositivo treinado por aprendizado de máquina que utiliza o método da presente invenção.

FUNDAMENTOS DA INVENÇÃO

[0002] Um paciente ventilado mecanicamente se enquadra genericamente em duas diferentes situações: o paciente estando sedado, de maneira que todo controle de inspiração e expiração é realizado pelo ventilador mecânico; e o paciente interagindo com o ventilador mecânico, exercendo esforço próprio e ativando o início de uma inspiração assistida pelo ventilador mecânico.

[0003] Na ventilação controlada, o disparo do ventilador é comandado por tempo, com a programação do ajuste da frequência respiratória. Na ventilação assistida, em que o paciente exerce algum esforço, o ciclo respiratório é iniciado com tal esforço.

[0004] Normalmente, o ciclo respiratório é dividido em quatro fases: a fase inspiratória, na qual ocorre a insuflação do pulmão, uma mudança da fase inspiratória para a fase expiratória, a fase expiratória, na qual ocorre o esvaziamento dos pulmões, e uma mudança da fase expiratória para a inspiratória.

[0005] Na mudança da fase expiratória para a inspiratória ocorre o disparo (“triggering”) do ventilador e na mudança da fase inspiratória para a expiratório ocorre a ciclagem do ventilador. Quando da fase inspiratória, o pulmão é insuflado e, quando da fase expiratória, passivamente esvaziado.

[0006] Nas situações em que o paciente exerce algum esforço, há um maior risco de ocorrência de assincronias paciente / ventilador porque as modalidades de ventilação utilizadas nestas situações são sensíveis aos estímulos musculares do paciente. De modo geral, assincronias podem ser definidas como momentos ou situações de incoerência entre a demanda de um paciente e a oferta de um ventilador mecânico, seja com relação ao tempo, fluxo, volume e/ou pressão do sistema respiratório.

[0007] As assincronias mais comuns são as assincronias ditas de “autotriggering”, quando o ventilador entende, erroneamente, que o paciente deseja inspirar, e dispara um ciclo inspiratório, e o “esforço perdido”, quando o ventilador não reconhece o esforço do paciente e o paciente não recebe o suporte do ventilador

[0008] A demanda inspiratória de um paciente normalmente está associada ao seu esforço, que, por sua vez, é normalmente medido pela pressão muscular (Pmus). [0009] Em um paciente ventilado mecanicamente, a pressão respiratória geralmente obedece à seguinte equação:

Pmus + Pventiiador = fluxo x resistência + volume x elastância

[0010] A pressão, fluxo e volume de operação do ventilador são grandezas conhecidas. A resistência, a elastância e a pressão muscular são grandezas que dependem do sistema respiratório do paciente, sendo que a elastância é muitas vezes definida como o inverso da complacência.

[0011] Embora sejam conhecidos alguns métodos para medir a pressão muscular com o uso de cateteres, esses métodos conhecidos do estado da técnica exigem procedimentos invasivos e complexos.

[0012] Conhecer o valor de Pmus, seja por medição ou estimação, possui diversas vantagens. Por um lado, possibilita, por exemplo, um melhor ajuste dos parâmetros de operação do ventilador e uma melhor sincronia ventilador-paciente, por outro, permite que se calcule as medidas de resistência, elastância e complacência.

[0013] As medidas de (R) resistência e (C) complacência em pacientes sedados podem ser obtidos diretamente pela monitorização da ventilação mecânica. Na presença da Pmus, os valores de R e C não podem ser calculados de maneira simples.

[0014] Acompanhando os valores de resistência e complacência de um paciente, é possível acompanhar o desempenho de seu sistema respiratório, monitorar a progressão de doenças e identificar complicações como broncoespasmos e edemas pulmonares.

[0015] Assim, permanece no estado da técnica a necessidade por um método que permita estimar a pressão muscular de um paciente assistido por um ventilador pulmonar que seja eficiente, mas menos complexo e invasivo do que os métodos de medição e estimação conhecidos do estado da técnica.

OBJETIVOS DA INVENÇÃO

[0016] É um dos objetivos da presente invenção proporcionar um método para estimação da pressão muscular de um paciente sendo ventilado por um ventilador pulmonar que seja eficaz, mas não invasivo.

[0017] É outro dos objetivos da presente invenção proporcionar um método para estimação da pressão muscular de um paciente sendo ventilado por um ventilador pulmonar que utiliza grandezas de operação do ventilador mecânico.

[0018] É ainda outro dos objetivos da presente invenção proporcionar um método para estimação da pressão muscular de um paciente sendo ventilado por um ventilador pulmonar que utiliza as grandezas de fluxo, pressão e volume do ventilador mecânico.

[0019] É mais um dos objetivos da presente invenção proporcionar um método para estimação da pressão muscular de um paciente sendo ventilado por um ventilador pulmonar que utilize aprendizado por máquina.

[0020] É outro dos objetivos da presente invenção prover um dispositivo auxiliar treinado pelo método da presente invenção, que permita a obtenção da curva Pmus do paciente para qualquer ventilador pulmonar.

BREVE DESCRIÇÃO DA INVENÇÃO

[0021] A presente invenção atinge os objetivos acima por meio de um método para estimação da pressão muscular de um paciente sendo ventilado por um ventilador pulmonar, que compreende:

[0022] criar uma base de dados que correlaciona dados de pressão, volume e fluxo de ciclos respiratórios de ventilador pulmonar com dados de pressão muscular correspondentes aos ditos dados de pressão, volume e fluxo do ventilador; [0023] criar, a partir da base de dados, um conjunto de dados de treino;

[0024] treinar um algoritmo preditivo de série temporal com o conjunto de dados de treino;

[0025] alimentar o algoritmo com dados de pressão, volume e fluxo de um ventilador pulmonar, os dados de pressão, volume e fluxo compreendendo pelo menos uma série temporal com pontos de curvas de pressão, volume e fluxo geradas pelo ventilador; e

[0026] estimar, através do algoritmo, um valor de pressão muscular para pelo menos um dos pontos da série temporal.

[0027] Em uma concretização da presente invenção, o algoritmo preditivo de série temporal é uma rede neural recorrente LSTM (Long Short-Term Memory), e a base de dados abrange dados obtidos com um ventilador pulmonar ligado a um simulador respiratório, o simulador respiratório permitindo a simulação de diferentes parâmetros de resistência e elastância.

[0028] Em outra concretização, a base de dados abrange dados obtidos com um simulador respiratório e dados obtidos com um ventilador pulmonar em operação.

[0029] A etapa de alimentar o algoritmo com dados de pressão, volume e fluxo de um ventilador pulmonar pode compreender alimentar dados referentes a um ponto, tomado em um mesmo período de tempo, em cada uma das curvas de pressão, volume e fluxo e também os quarenta pontos anteriores e posteriores aos ditos pontos tomados no mesmo período de tempo.

[0030] Preferencialmente, o método da presente invenção é utilizado para estimar pontos de uma curva de pressão muscular.

[0031] O método da presente invenção pode compreender ainda uma etapa de pós-processamento onde um filtro de Savitzky-Golay de ordem dois é aplicado à curva de pressão muscular.

[0032] A presente invenção contempla ainda um sistema para estimação da pressão muscular de um paciente sendo ventilado por um ventilador pulmonar, que compreende:

[0033] pelo menos um computador rodando um algoritmo preditivo de série temporal treinado com um conjunto de dados de treino obtido de uma base de dados que correlaciona dados de pressão, volume e fluxo de ciclos respiratórios de ventiladores pulmonares com dados de pressão muscular que correspondem aos dados de pressão, volume e fluxo dos ventiladores; e

[0034] um ventilador pulmonar que gera dados de pressão, volume e fluxo de um ventilador pulmonar, os dados de pressão, volume e fluxo compreendendo pelo menos uma série temporal com pontos de curvas de pressão, volume e fluxo geradas pelo ventilador;

[0035] em que os dados de pressão, volume e fluxo gerados pelo ventilador pulmonar são alimentados ao algoritmo; e

[0036] em que o algoritmo estima um valor de pressão muscular para pelo menos um dos pontos da série temporal.

[0037] Em uma concretização do sistema da presente invenção, o algoritmo preditivo de série temporal é uma rede neural recorrente LSTM (Long Short-Term Memory), e a base de dados abrange dados obtidos com um ventilador pulmonar ligado a um simulador respiratório, o simulador respiratório permitindo a simulação de diferentes parâmetros de resistência e elastância, com recursos para gerar a curva Pmus de amplitude e duração ajustáveis.

[0038] Em uma concretização do sistema, a base de dados abrange dados obtidos com um simulador respiratório e dados obtidos com um ventilador pulmonar em operação.

[0039] No sistema da presente invenção, o algoritmo também é alimentado com os dados referentes a um ponto, tomado em um mesmo período de tempo, em cada uma das curvas de pressão, volume e fluxo e também os quarenta pontos anteriores e posteriores aos ditos pontos tomados no mesmo período de tempo.

BREVE DESCRIÇÃO DOS DESENHOS

[0040] A presente invenção será descrita a seguir com mais detalhes, com referências aos desenhos anexos, nos quais:

[0041] Figura 1 - é um gráfico exemplificativo ilustrando as curvas de pressão, fluxo e volume de um ventilador mecânico; [0042] Figura 2 - é um gráfico exemplificativo que compara as curvas de pressão, fluxo e volume de um ventilador mecânico com as curvas de pressão muscular de um paciente;

[0043] Figura 3 - é uma representação esquemática do método para estimação da pressão muscular de acordo com a presente invenção;

[0044] Figura 4 - é uma representação esquemática de uma concretização preferida do método para estimação da pressão muscular de acordo com a presente invenção;

[0045] Figura 5 a 9 - são representações de redes neurais para aplicação com o método de acordo com a presente invenção.

DESCRIÇÃO DETALHADA DA INVENÇÃO

[0046] A presente invenção será descrita a seguir com base em uma concretização da invenção ilustrada nas figuras 1 a 9.

[0047] A figura 1 mostra as curvas das medidas de pressão, fluxo e volume de um paciente ligado a um ventilador mecânico.

[0048] Como melhor ilustrado na figura 2, que inclui a medida de Pmus (pressão muscular), o esforço do paciente é refletido na curva Pmus como uma curva negativa. [0049] Na ventilação assistida, o esforço do paciente deve ativar o início de uma inspiração pelo ventilador mecânico. Quando isso não acontece, existe um esforço inefetivo, uma assincronia entre o paciente e o ventilador.

[0050] Assim, nas curvas mostradas nas figuras 2, a primeira curvatura negativa de Pmus representa um esforço inefetivo do paciente, já que, como fica claro a partir das curvas de pressão, fluxo e volume do ventilador, não houve a ativação do mesmo para início do ciclo. Já nos dois esforços seguintes, o ventilador foi ativado e não foram verificadas assincronias.

[0051] A correta avaliação do esforço do paciente gera benefícios não só para o ajuste e controle do ventilador, mas também para correta avaliação do paciente, tanto em termos de diagnóstico como em termos terapêuticos.

[0052] A presente invenção propõe um método para estimar a pressão muscular de um paciente conectado a um ventilador pulmonar, o qual utiliza aprendizado de máquina para predizer uma curva de pressão muscular (Pmus).

[0053] Como sabido pelos técnicos no assunto, o aprendizado por máquina envolve um algoritmo que é treinado, validado e testado.

[0054] Um dos problemas técnicos envolvidos na presente invenção é justamente a capacidade de predizer / estimar a pressão muscular de um paciente assistido por um ventilador pulmonar a partir de dados facilmente disponíveis no ventilador pulmonar.

[0055] Como ilustrado esquematicamente na figura 3, para atender à necessidade técnica, o método da presente invenção deve ser capaz de estimar a pressão muscular (Pmus) a partir de dados de pressão, volume e fluxo (P, V, F) comumente disponíveis em um ventilador pulmonar, seja ele mecânico ou eletrônico.

[0056] Assim, no método da presente invenção, é construída uma base de dados que correlaciona dados de pressão, volume e fluxo de ciclos respiratório de ventilador pulmonar com dados de pressão muscular correspondentes aos ditos dados de pressão, volume e fluxo do ventilador.

[0057] A construção da base de dados é preferencialmente realizada através de simulações realizadas com um simulador respiratório ligado a um ventilador pulmonar. Para a modelagem do presente método, o simulador respiratório utilizado foi o simulador ASL 5000™ da empresa IngMar Medicai.

[0058] Assim, o simulador foi programado para gerar uma pluralidade de ciclos respiratórios com variabilidade de esforço (valores de Pmus) e de parâmetros mecânicos de respiração (resistência e complacência) e o ventilador foi programado para gerar diversas formas de ondas (ou séries temporais) de pressão, volume de fluxo a partir das várias combinações de valores de resistência e complacência.

[0059] Uma vez que cada tipo diferente de assincronismo - auto-disparo, duplo- disparo, esforço inefetivo, etc. - influencia significativamente na pressão muscular, a base de dados precisa incluir os diferentes tipos de assincronismos possíveis para ventilação assistida gerados por parâmetros distintos de resistência e complacência. [0060] Na modelagem do método da presente invenção, a base de dados foi criada a partir de 2067 ciclos simulados para o conjunto de treino e 918 ciclos simulados para a validação do algoritmo de predição de série temporal. A base de dados também incluiu 363 ciclos de um ventilador em operação para o teste do algoritmo.

[0061] Os conjuntos de treino e teste foram separados de modo a garantir que cada conjunto incluísse ciclos com diferentes valores de resistência e complacência. Também procurou-se fazer com que os conjuntos incluíssem ciclos com correspondentes valores de Pmus com diferentes larguras e amplitudes, de modo a aumentar a variabilidade dos dados.

[0062] Como melhor ilustrado na Figura 4, na concretização preferida da presente invenção, o algoritmo de predição de série temporal é uma rede neural recorrente bidirecional LSTM (Long Short Term Memory), e uma etapa de pré-processamento é executada nos dados de entrada, onde, para cada ponto tomado em um mesmo período temporal em cada curva de pressão, volume e fluxo que será alimentado à rede neural, são também alimentados os quarenta pontos posteriores e anteriores a tal ponto.

[0063] A alimentação dos pontos anteriores e posteriores da série temporal visa dar à rede neural o contexto necessário para a predição.

[0064] Para a estimação da curva de Pmus, o algoritmo estima o valor da pressão muscular para diversos pontos da série temporal, de modo a permitir a predição da curva.

[0065] Em uma concretização da invenção, a curva de pressão muscular estimada passa ainda por pós-processamento com um filtro de Savitzky-Golay de ordem dois, de modo a diminuir a intensidade de possíveis erros dessa previsão.

[0066] Assim, o filtro aplicado tem como objetivo suavizar um sinal digital, isto é, diminuir os ruídos sem causar distorção, e age através de processos de convolução, aproximando os pontos próximos a polinómios através do método dos mínimos quadrados. Após passar pelo filtro, a curva de Pmus está apta para auxiliar na correta avaliação do esforço do paciente conectado a um ventilador pulmonar.

[0067] As figuras 5 a o mostram exemplos de redes neurais desenvolvidas para aplicação no método da presente invenção. [0068] Assim, a figura 5 mostra a estrutura da rede neural para um modo de ventilação PCV - ventilação a pressão controlada. Como mostrado na figura, a rede neural é composta por uma primeira camada de LSTM Bidirecional com 40 unidades de memórias, uma segunda camada de LSTM tradicional com 50 unidades de memórias e três camadas Dense com os respectivos números de neurônios: 30, 10 e 1. Além disso, entre cada camada da rede neural há implementação de uma função “dropout regularization” para evitar o sobre ajuste do modelo aos dados.

[0069] A figura 6 mostra a estrutura da rede neural para um modo de ventilação VCV - ventilação controlada a volume. Como mostrado na figura, a rede neural é composta por uma primeira camada de LSTM Bidirecional com 20 unidades de memórias, uma segunda camada de LSTM tradicional com 50 unidades de memórias e em seguida três camadas Dense com os respectivos números de neurônios: 10, 3 e 1. Além disso, entre cada camada de rede neural há implementação de umafunção “dropout regularization” para evitar o sobre ajuste do modelo aos dados.

[0070] A figura 7 mostra a estrutura da rede neural para um modo de ventilação PSIMV - ventilação mandatária intermitente sincronizada a pressão. Como mostrado na figura, a rede neural é composta por uma primeira camada de LSTM Bidirecional com 40 unidades de memórias, uma segunda camada de LSTM tradicional com 50 unidades de memórias e três camadas Dense com os respectivos números de neurônios: 10, 2 e 1 . Além disso, entre cada camada da rede neural há implementação de uma função “dropout regularization” para evitar o sobre ajuste do modelo aos dados.

[0071] A figura 8 mostra a estrutura da rede neural para um modo de ventilação VSIMV - ventilação mandatária intermitente sincronizada a volume. Como mostrado na figura, a rede neural é composta por uma primeira camada de LSTM Bidirecional com 30 unidades de memórias, duas camadas LSTM tradicional sequenciadas com 50 unidades de memórias e em seguida três camadas Dense com os respectivos números de neurônios: 30, 10 e 1. Além disso, entre cada camada da rede neural há implementação de uma função “dropout regularization” para evitar o sobre ajuste do modelo aos dados. [0072] A figura 9 mostra a estrutura da rede neural para um modo de ventilação PSV - ventilação com pressão de suporte. Como mostrado na figura, a rede neural é composta por por uma primeira camada de LSTM Bidirecional com 40 unidades de memórias, duas camadas LSTM tradicional sequenciadas com 50 unidades de memórias e em seguida três camadas Dense com os respectivos números de neurônios: 10, 2 e 1 . Além disso, entre cada camada da rede neural há implementação de uma função “dropout regularization” para evitar o sobre ajuste do modelo aos dados.

[0073] A presente invenção também contempla um dispositivo treinado com o método da presente invenção.

[0074] O dispositivo de acordo com a presente invenção pode ser utilizado externo (conectado) ou integrado ao ventilador pulmonar, de modo a monitorar a pressão, volume e frequência do ventilador estimar a Pmus do paciente ventilado, calculando os valores de resistência e complacência e acompanhando o desempenho de seu sistema respiratório.

[0075] Assim, em uma concretização preferida, o dispositivo compreende um sensor de fluxo e pressão que mede o gás que entra e sai da boca do paciente e os dados de pressão, volume e fluxo são utilizados como entrada no método de estimação de Pmus.

[0076] Em uma concretização da presente invenção, o dispositivo é conectado a um monitor de sinais vitais.

[0077] Tendo sido descrito um exemplo de concretização preferida da presente invenção, deve ser entendido que o escopo da presente invenção abrange outras variações possíveis do conceito inventivo descrito, sendo limitadas tão somente pelo teor das reivindicações, aí incluídos os possíveis equivalentes.