Validação de um algoritmo de inteligência artificial para estimativa de pressão muscular inspiratória em pacientes sob ventilação mecânica assistida

• Ano de defesa: 2024
• Autor(a) principal: Plens, Glauco Cabral Marinho
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Acute respiratory distress syndrome; Artificial intelligence; Critical care; Inteligência artificial; Mechanical ventilation; Músculos respiratórios; Respiratory muscles; Síndrome do desconforto respiratório; Terapia intensiva; Ventilação mecânica
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/5/5150/tde-26082025-152112/

INTRODUÇÃO: Extremos de esforço inspiratório durante ventilação mecânica estão associados à disfunção do músculo diafragma induzida pelo ventilador, e esforço excessivo, ao dano pulmonar por altos níveis de pressão de distensão em pacientes com síndrome do desconforto respiratório agudo (SDRA). Além disso, assincronias entre o esforço respiratório do paciente e o ciclo do ventilador mecânico estão associadas a piores desfechos clínicos, sendo importante detectar essas assincronias e implementar ajustes ventilatórios para corrigi-las. O método padrão-ouro para monitorização da pressão muscular inspiratória (Pmus) de pacientes sob ventilação mecânica é o balão esofágico, um método invasivo e de alto custo. Métodos não-invasivos alternativos, entretanto, apresentam acurácia limitada e requerem a realização de manobras de oclusão inspiratória (pressure muscle index, PMI) ou expiratória (pressão de oclusão, Pocc). Um método de estimativa da Pmus em pacientes sob ventilação mecânica assistida foi recentemente desenvolvido utilizando um modelo de aprendizado de máquina. Neste projeto, nosso objetivo foi validar as estimativas de Pmus pela ferramenta de inteligência artifical (Pmus,IA), comparadas às medidas padrão-ouro obtidas por meio de pressão esofágica (Pmus, esofágica). MÉTODOS: Esse estudo diagnóstico prospectivo incluiu adultos sob ventilação mecânica assistida em duas unidades de terapia intensiva de um hospital acadêmico em São Paulo. A Pmus,IA e a Pmus, esofágica foram medidas simultaneamente durante ajuste decremental dos níveis de pressão de suporte. Análises de concordância e correlação foram realizadas para comparar ambos os métodos. Adicionalmente, analisamos a capacidade da Pmus,IA de classificar esforço insuficiente ou excessivo por meio de curvas ROC (Receiver Operating Characteristic curve). Em um conjunto de dados obtidos com um simulador do sistema respiratório (ASL-5000), avaliamos a sensibilidade e especificidade de detecção de assincronias paciente-ventilador utilizando a curva da Pmus,IA. RESULTADOS: Um total de 48 participantes foram incluídos, apresentando Pmus, esofágica entre 1,0 e 28,4 cmH2O. A Pmus,IA apresentou forte associação com a Pmus, esofágica (R2 = 0,92, p < 0,001), além de viés aceitável, com precisão subótima (viés = 0,9 cmH2O, limites de concordância de 95% -5,1 6,9 cmH2O). Ademais, a Pmus,IA detectou níveis insuficientes e excessivos de Pmus, esofágica de modo acurado (AUROC para limiares de Pmus, esofágica de 5 e 15 cmH2O de 0,88 e 0,90, respectivamente). Em comparação a outros métodos não-invasivos obtidos por manobras de oclusão, a Pmus,IA apresentou melhor acurácia do que a Pmus estimada por PMI (R2 = 0,71, p < 0,001; viés = -5,6 cmH2O, limites de concordância de 95% -12,4 1,1 cmH2O) e performance similar à Pmus estimada por Pocc (R2 = 0,77, p < 0,001; viés = -0,9 cmH2O, limites de concordância de 95% -6,3 4,6 cmH2O). Nos dados simulados com o ASL-5000, a sensibilidade e a especificidade foram superiores a 80% para detecção de assincronias utilizando a curva de Pmus,IA. CONCLUSÃO: A Pmus,IA apresentou boa validade, com precisão subótima, para estimar a pressão muscular inspiratória, com desempenho superior à estimativa por meio de PMI. A Pmus,IA também apresentou boa performance para classificar esforço insuficiente ou excessivo. Ademais, em uma amostra com dados simulados, o algoritmo de inteligência artificial apresentou boa acurácia para detectar assincronias paciente-ventilador