Classiﬁcação de padrões e detecção de assincronia durante

Laboratório de Modelagem, Análise e Controle de Sistemas Não-Lineares

Departamento de Engenharia Eletrônica

Universidade Federal de Minas Gerais

Av. Antônio Carlos 6627, 31270-901 Belo Horizonte, MG Brasil

Fone: +55 31 3409-3470

Classificação de padrões e detecção deassincronia durante a interação

paciente-ventilador

Alessandro Cardoso Dias

Dissertação submetida à banca examinadora designada peloColegiado do Programa de Pós-Graduação em EngenhariaElétrica da Universidade Federal de Minas Gerais, comoparte dos requisitos necessários à obtenção do grau deMestre em Engenharia Elétrica.

Orientadores: Prof. Luis Antonio Aguirre, PhD.Nadja Cristinne Carvalho, PhD.

Belo Horizonte, Outubro de 2017

Agradecimentos

Agradeço a Deus por me permitir todas as coisas e nunca me desamparar. Obrigadopor todas as "coincidências", por me propor a luta e me permitir lutar com o que tenhoe com o que milagrosamente "aparece"e por me guiar pelas decisões que tomei e pelasque não tive a visão ou a coragem de tomar. Tô aqui agora...

Agradeço pela compreensão, companhia e apoio da minha esposa Mara, da minhafilha Maria Clara e do meu filho Francisco, que são a minha motivação e direção na vida.

Agradeço aos meus pais Maria do Carmo e Alfredo por tudo que proporcionarame proporcionam e que compõe o que sou.

Agradeço aos intensos professores e funcionário do PPGEE pela formação e auxílionessa etapa de vida e acadêmica: João Antônio de Vasconcelos, Antônio de PáduaBraga, Cristiano Leite de Castro, Rodney Rezende Saldanha, Alessandro Beda, BrunoOtávio Soares Teixeira, Felipe Campelo França Pinto e ao secretário Jerônimo Coelho,que resolve tudo que é possível.

Agradeço aos companheiros Márcio, José, Anísio, Priscila, Marcus, Petrus do Labo-ratório de Modelagem, Análise e Controle de Sistemas Não-Lineares (MACSIN), pelaajuda e descontração e em especialíssimo ao destemido, acolhedor e engraçado Mateus.

Agradeço em especial ao intenso professor Eduardo Mazoni Andrade Marçal Men-des por tantos assuntos nas aulas, e que então... as idéias aparecem

e ao meu professor e orientador Luis Antonio Aguirre, pela orientação e referênciade comportamento, racionalidade, disciplina, força de trabalho e compreensão

e à minha co-orientadora Nadja Cristinne Carvalho, pela austeridade, entusiasmo esimplicidade no trato para falar da máquina mais fantástica que já vi e que me fazlembrar da existência de Deus, o corpo humano.

iii

Sumário

Agradecimentos iii

Resumo ix

Abstract xi

Lista de Figuras xvi

Lista de Tabelas xvii

Lista de Símbolos xix

Lista de Acrônimos xxi

1 Introdução 1

1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3 Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.4 Trabalho Publicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.5 Estrutura da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 Ventilação Mecânica 7

2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.2 Fisiologia Respiratória . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

v

vi

2.2.1 Sistema Respiratório . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2.2 Ventilação Pulmonar . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.3 Relação Ventilação-Perfusão . . . . . . . . . . . . . . . . . . . . . . 15

2.3 Equipamentos e Modos de Ventilação Mecânica . . . . . . . . . . . . . . 15

2.3.1 Ventiladores mecânicos atuais . . . . . . . . . . . . . . . . . . . . 15

2.3.2 Modos de Ventilação Mecânica . . . . . . . . . . . . . . . . . . . . 19

2.4 Tipos de assincronia paciente-ventilador . . . . . . . . . . . . . . . . . . . 21

3 Ferramentas e Métodos 25

3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.2 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.3 Identificação de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.3.1 Estimação de Parâmetros . . . . . . . . . . . . . . . . . . . . . . . 28

3.4 Análise no domínio da frequência . . . . . . . . . . . . . . . . . . . . . . 29

3.4.1 A transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . 30

3.4.2 Densidade Espectral de Potência - PSD e Periodograma . . . . . . 31

3.5 Correlação de Sinais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4 Classificação de Padrões de Interação Paciente-Ventilador 35

4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2 Identificação de Sistemas: Classificação de PVI . . . . . . . . . . . . . . . 36

4.2.1 Caracterização do Sistema e Sinais . . . . . . . . . . . . . . . . . . 36

4.2.2 Identificação do Sistemas: Desenvolvimento . . . . . . . . . . . . 37

4.2.3 Identificação do Sistemas: Resultados . . . . . . . . . . . . . . . . 48

4.3 Densidade Espectral de Potência e Periodograma: Classificação de PVI . 55

4.3.1 Periodograma: Desenvolvimento . . . . . . . . . . . . . . . . . . . 55

4.3.2 Periodograma: Resultados . . . . . . . . . . . . . . . . . . . . . . 58

5 Conclusão 63

5.1 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5.1.1 Classificação por meio de Modelo Identificado . . . . . . . . . . . 65

5.1.2 Classificação por meio do Periodograma . . . . . . . . . . . . . . 66

vii

5.2 Sugestões para Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . 67

Bibliografia 73

ResumoOs modos de ventilação mecânica assistida, ou seja, onde o paciente é auxiliado

após seu esforço respiratório oferecem vantagens significativas sobre os modos contro-lados em termos de função muscular, proteção pulmonar, e uso reduzido de sedação.Neste contexto, uma apropriada interação paciente-ventilador se faz necessária. O as-sincronismo entre paciente-ventilador é associada a complicações clínicas e ocorre em25% dos pacientes em unidades de terapia intensiva. Desta forma, o reconhecimentode padrões de interação entre paciente-ventilador é uma questão de grande interessepara suportar avaliações clínicas. Neste trabalho são propostos dois métodos compu-tacionais para classificação automática de interação paciente-ventilador (PVI), duranteventilação mecânica invasiva. Utiliza-se a estimação recursiva de mínimos quadradosdos parâmetros de um modelo não linear auto regressivo com entradas exógenas. Naoutra abordagem, utiliza-se a densidade espectral de potência (PSD), estimada por meiodo periodograma dos sinais analisados juntamente com a correlação das mesmas parauma análise gráfica e quantitativa na distinção de três cenários de PVI: controle totaldo ventilador sobre a ventilação do paciente, o sincronismo entre o esforço respiratórioespotâneo e subsequente auxílio/suporte da máquina e assincronismo onde o esforçoinspiratório não é suportado pelo ventilador mecânico, sendo este último, a forma ina-propriada de interação entre paciente-ventilador. Os procedimentos foram aplicadosusando sinais de volume, fluxo e pressão provenientes do ventilador mecânico emquatro pacientes em estados clínicos distintos. Os dados foram coletados na Unidadede Terapia Intensiva (UTI) do hospital Risoleta Tolentino Neves em Belo Horizonte.O procedimento utilizando o periodograma mostrou-se promissor na classificação doscenários de PVI e na detecção de assincronia paciente-ventilador.

Palavras-chave: Interação Paciente-Ventilador; Classificação; Ventilação MecânicaInvasiva; Identificação de Sistemas; Densidade Espectral de Potência.

ix

AbstractThe modes of assisted mechanical ventilation, that is, where the patient is aided

after respiratory effort, offer significant advantages over controlled modes in termsof muscle function, lung protection, and reduced use of sedation. In this context,an appropriate patient-ventilator interaction becomes necessary. Asynchrony betweenpatient-ventilator is associated with clinical complications and occurs in 25% of patientsin intensive care units. In this way, pattern recognition among patient-ventilator inte-raction is a matter of great interest to support clinical evaluations. This work proposesa computational method for automatic classification of patient-ventilator interaction(PVI), during invasive mechanical ventilation. The recursive least squares estimationis used with a Nonlinear AutoRegressive with eXogenous inputs model. The other pro-posed method to classify the scenarios uses the power spectral density (PSD), estimatedusing the periodogram of the analyzed signals and their correlation for a graphical andquantitative analysis to differentiate among three PVI scenarios: Total ventilator con-trol over patient ventilation, the synchronism between spontaneous respiratory effortand subsequent machine aid / support, and asynchrony where inspiratory effort isnot supported by the mechanical ventilator, the latter being the inappropriate form ofpatient-ventilator interaction. The procedures were applied using volume, flow andpressure signals from the mechanical ventilator in four patients in different clinicalconditions. Data were collected at the Intensive Care Unit (ICU) of Risoleta TolentinoNeves Hospital in Belo Horizonte. The procedure using the periodogram was pro-mising in the classification of PVI scenarios and in the detection of patient-ventilatorasynchrony.

Keywords: Patient-Ventilator Interaction; Classification; Invasive Mechanical Ven-tilation; System Identification; Power Spectral Density.

xi

Lista de Figuras

2.1 Centro de tratamento de respiratório para casos de poliemielite na dê-cada de 1950. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.2 Respirador mecânico Bird Mark 7. . . . . . . . . . . . . . . . . . . . . . . 92.3 Sistema respiratório superior. . . . . . . . . . . . . . . . . . . . . . . . . . 112.4 Sistema respiratório inferior. . . . . . . . . . . . . . . . . . . . . . . . . . . 122.5 Pressão variável devido à mudança de volume de uma câmara. . . . . . 142.6 Modelo moderno de respirador pulmonar mecânico. . . . . . . . . . . . 162.7 Ciclo respiratório durante VM com pressão positiva nas vias aéreas sendo

1 a fase inspiratório, 2 a mudança de fase (ciclagem), 3 a fase expiratóriae 4 a mudança da fase expiratória para a fase inspiratória (disparo). . . . 17

3.1 Sinal representado no domínio do tempo e da frequência. De cima parabaixo: representação no domínio do tempo da soma de cossenoides de45, 60 e 120 Hz, e espectro da soma das cossenoides. . . . . . . . . . . . . 30

3.2 Gráfico de dispersão com correlação direta . . . . . . . . . . . . . . . . . 333.3 Gráfico de dispersão com correlação inversa . . . . . . . . . . . . . . . . 33

4.1 Representação esquemática do sistema de ventilação mecânica com pres-são de entrada e volume de saída. . . . . . . . . . . . . . . . . . . . . . . 37

4.2 Sinais do cenário I do paciente P02 com estrutura ARX com 1 regressorde saída e 1 de entrada. De cima para baixo: volume, pressão utilizadospara estimação de parâmetros, nova janela de dados para validação comvolume e sinal do modelo em pontilhado vermelho apresentando RMSEigual a 0,065L e por último, sinal de pressão da janela de dados paravalidação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.3 Sinal de volume do cenário I do paciente P02 e sinal do modelo comestrutura ARX com 2 regressores de saída e 1 de entrada em pontilhadovermelho apresentando RMSE igual a 0,045L. . . . . . . . . . . . . . . . . 40

4.4 Sinal de volume do cenário I do paciente P02 e sinal do modelo comestrutura ARX com 3 regressores de saída e 3 de entrada em pontilhadovermelho apresentando RMSE igual a 0,023L. . . . . . . . . . . . . . . . . 40

xiii

xiv

4.5 Sinais do cenário II do paciente P02 com estrutura ARX com 1 regressorde saída e 1 de entrada. De cima para baixo: volume, pressão utilizadospara estimação de parâmetros, nova janela de dados para validação comvolume e sinal do modelo em pontilhado vermelho apresentando RMSEigual a 0,065L e por último, sinal de pressão da janela de dados paravalidação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.6 Sinal de volume do cenário II do paciente P02 e sinal do modelo comestrutura ARX com 2 regressores de saída e 1 de entrada em pontilhadovermelho apresentando RMSE igual a 0,058L. . . . . . . . . . . . . . . . . 41

4.7 Sinal de volume do cenário II do paciente P02 e sinal do modelo comestrutura ARX com 3 regressores de saída e 3 de entrada em pontilhadovermelho apresentando RMSE igual a 0,055L. . . . . . . . . . . . . . . . . 42

4.8 Sinais do cenário III do paciente P02 com estrutura ARX com 1 regressorde saída e 1 de entrada. De cima para baixo: volume, pressão utilizadospara estimação de parâmetros, nova janela de dados para validação comvolume e sinal do modelo em pontilhado vermelho apresentando RMSEigual a 0,133L e por último, sinal de pressão da janela de dados paravalidação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4.9 Sinal de volume do cenário III do paciente P02 e sinal do modelo comestrutura ARX com 2 regressores de saída e 1 de entrada em pontilhadovermelho apresentando RMSE igual a 0,100L. . . . . . . . . . . . . . . . . 43

4.10 Sinal de volume do cenário III do paciente P02 e sinal do modelo comestrutura ARX com 3 regressores de saída e 3 de entradas em pontilhadovermelho apresentando RMSE igual a 0,066L. . . . . . . . . . . . . . . . . 43

4.11 Sinais dos modelos 4.1 e 4.2. De cima para baixo: volume juntamentecom sinal do modelo 4.1 em vermelho pontilhado, volume juntamentecom sinal do modelo 4.2 em vermelho pontilhado. Os dois últimosgráficos são o sinal de volume e por último, sinal de pressão utilizadosna geração dos modelos citados acima por meio do algoritmo de MQ. . . 45

4.12 Sinais correspondentes ao Cenário I. De cima para baixo: volume jun-tamente com sinal do modelo em 4.2 em vermelho pontilhado e abaixoa pressão. A regularidade na morfologia dos sinais e no período é aprincipal assinatura deste cenário. . . . . . . . . . . . . . . . . . . . . . . 46

4.13 Sinais correspondentes ao Cenário II. De cima para baixo: volume jun-tamente com sinal do modelo em 4.2 em vermelho pontilhado e abaixo apressão. Neste cenário há uma visível variabilidade tanto na morfologiados sinais de volume e pressão como no período. . . . . . . . . . . . . . . 46

4.14 Sinais correspondentes ao Cenário III. De cima para baixo: volume jun-tamente com sinal do modelo em 4.2 em vermelho pontilhado e abaixoa pressão. Assincronismo entre o esforço respiratório do paciente e osuporte do ventilador (em destaque) é a principal assinatura deste cenário. 47

xv

4.15 Histogramas dos parâmetros θ1, θ2 e θ3 dos cenários I, II e III estimadospelo algoritmo MQR utilizando a estrutura NARX 4.2. . . . . . . . . . . . 49

4.16 Histogramas dos parâmetros θ4, θ5 e θ6 dos cenários I, II e III estimadospelo algoritmo MQR utilizando a estrutura NARX 4.2. . . . . . . . . . . . 49

4.17 Sinais dos cenários I, II, III e I do paciente P02, aplicados no algoritmoMQR com estrutura NARX. De cima para baixo: volume, pressão eparâmetros θ1 e θ2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50



4.20 De cima para baixo: sinal de volume, sinal de pressão, índice de inovaçãocalculado em 4.4 e suas médias em cada cenário em vermelho pontilhadoe por último a inovação calculada em 4.3. Em estaque estão os cenáriosI, II, III e novamente a porção de cenário I com fator de esquecimento de0,99. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52




4.24 O índice de inovação calculado em 4.4. referente ao cenário I. . . . . . . 554.25 Sinais correspondentes ao Cenário I. De cima para baixo: fluxo, pressão

e respectivos periodogramas em azul e vermelho. A regularidade namorfologia dos sinais e no período é a principal assinatura deste cenário. 56

4.26 Sinais correspondentes ao Cenário II. De cima para baixo: fluxo, pressãoe respectivos periodogramas em azul e vermelho. Neste cenário há umavisível variabilidade tanto na morfologia dos sinais de fluxo e pressãocomo no período. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

xvi

4.27 Sinais correspondentes ao Cenário III. De cima para baixo: fluxo, pressãoe respectivos periodogramas em azul e vermelho. Assincronismos entreo esforço respiratório do paciente e o suporte do ventilador (em destaque)é a principal assinatura deste cenário. Tal assincronismo é claramenterevelado pelo periodograma dos sinais. . . . . . . . . . . . . . . . . . . . 57

4.28 De cima para baixo: sinal de fluxo, sinal de pressão dos cenários I, II, IIIe I novamente e o índice de correlação entre os periodogramas calculadousando a equação 3.21. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.29 Sinais correspondentes ao cenário III do paciente P03. De cima parabaixo: fluxo, pressão e respectivos periodogramas em azul e vermelhocom índice de correlação de 0,969. Em destaque assincronismos entre oesforço respiratório do paciente e o suporte do ventilador. . . . . . . . . 61

4.30 Índices de Correlação do cenário III do paciente P03 em janelas de 250amostras cada. O índice de correlação não foi capaz de detectar a assin-cronia, segundo os critérios acima em 61 das 144 janelas. . . . . . . . . . 61

5.1 Cenários I, II, III e I novamente. De cima para baixo: sinal de fluxo, sinalde pressão, o índice de correlação entre os periodogramas calculadousando a equação 3.21 e por fim, o índice de inovação usando a equação4.4 e o algoritmo RMQ com a estrutura NARX selecionada. . . . . . . . . 64

Lista de Tabelas

2.1 Tipos de assincronia paciente-ventilador e recomendações de ações deajustes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4.1 Valores de erro médio quadrático em litros (L) dos modelos em relaçãoao cenários de PVI do paciente P02 . . . . . . . . . . . . . . . . . . . . . . 38




4.5 Erro médio quadrático (RMSE) em litros (L), do modelo 4.2 como parâ-metros estimados pelo algoritmo de MQ. . . . . . . . . . . . . . . . . . . 48

4.6 Valores mínimos, máximos e médias do índice de inovação em litros (L)para os cenários I, II e III de 4 pacientes. . . . . . . . . . . . . . . . . . . . 52

4.7 Valores mínimos, máximos e médias das correlações conforme equação3.21 dos periodogramas do fluxo e pressão por cenário. . . . . . . . . . . 59

xvii

Lista de Símbolos

Capítulo 3

∑Somatório;

u Média do sinal de entrada;ru Função de Autocorrelação;Rn

u Matriz de Covariância;uuy,τ Correlação cruzada entre os sinais u e y;τ Tempo de atraso;y∗ Sinal superamostrado;x(t) Equações de Estado;y(t) Equação de Saída;ξ Erro de estimação;ψ Matriz de regressores de entrada e saída;kk Matriz de Ganho calculada na iteração k;λ Fator de esquecimento;Pk Matriz de covariância calculada na iteração k;η(k) Inovação;X∗ Pseudoinversa de X;µ Média;E[X[n] Esperança matemática de X;X Variável aleatória;ω Frequência angular em radianos por segundo;ωc Frequência de corte do filtro em radianos por segundo;N Ordem do filtro;ρ(u,y) Correlação entre u e y;cov[u,y] Covariância de u e y;Sa Desvio padrão de a;

xix

xx

Capítulo 4u(k) Vetor do sinal de saída do sistema no instante k;y(K) Vetor do sinal de entrada do sistema no instante k;θi Parâmetro estimado do modelo;kk Matriz de Ganho calculada na iteração k;ψk Vetor de regressores até o instante k;λ Fator de esquecimento;θk Vetor de parâmetros estimados até o instante k;Pk Matriz de covariância calculada na iteração k;η(k) Inovação;η1(k) Índice de Inovação;Px( f ) Potência estimada em funçaõ da frequência;j Indicador de número imaginário;f Frequência;r Índice de correlação de Pearson;x Valor médio de x;y Valor médio de y;

Lista de AcrônimosAIC Critérios de Informação de Akaike;ARX Modelo Auto-Regressivo com entradas eXógenas;

(AutoRegressive model with eXogenous inputs);CPT Capacidade Pulmonar Total;CI Capacidade Inspiratória;CMV Ventilação Mandatória Contínua;CPT Capacidade Pulmonar Total;CRF Capacidade Residual Funcional;CSV Ventilação Espontânea Contínua;CV Capacidade Vital;E[.] Operador de esperança matemática;FAC Função de autocorrelação;FFT Transformada Rápida de Fourier - (Fast Fourier Transfom);FIO2 Fração Inspirada de Oxigênio;FT Transfomada de Fourier;IMV Ventilação Mandatória Intermitente;MQ Mínimos Quadrados;NARX Modelo Não-Linear Auto-Regressivo, com entradas eXógenas;

(Nonlinear AutoRegressive model with eXogenous inputs);PE Pressão Expiratória;PEEP Pressão Expiratória Positiva Final;PIP Pico de Pressão Inspiratória;PSD Densidade Espectral de Potência - (Power Spectral Density);PRBS Sinal binário pseudo-aleatório - (Pseudo Random Binary Signal);PVI Interação Paciente-Ventilator - (Patient-Ventilator Interaction);SISO Única entrada e Única Saída - (Single Input and Single Output);RMQ Recursivo de Mínimos Quadrados;RMSE Erro Quadrático Médio - (Root Mean Square Error);SLIT Sistema Linear Invariante no Tempo;SNR Relação Sinal-Ruído - (Signal-to-Noise Ratio);SUS Sistema Único de Saúde;SVM Máquinas de Vetores de Suporte - (Support Vector Machine);TE Tempo Expiratório;TI Tempo Inspiratório;TTot Tempo Total;UFMG Universidade Federal de Minas Gerais;UTI Unidade de Tratamento Intensivo;VAPSV Ventilação com Pressão de Suporte e Volume Garantido;VC Volume Corrente;VE Volume Minuto;VI Fluxo Inspiratório;VM Ventilação Mecânica ou Ventilador Mecânico;V/Q Relação Ventilação/Perfusão;VR Volume Residual;VRE Volume de Reserva Expiratória;VRI Volume de Reserva Inspiratória;WSS Amplo senso de estacionariedade - (Wide Sense Stationarity);

xxi

Capítulo 1

Introdução

1.1 Motivação

A ventilação mecânica (VM), ou suporte ventilatório, consiste em um método desuporte para o tratamento de pacientes com insuficiência respiratória aguda ou crônicadevido a diferentes patologias ou durante alguns procedimentos médicos

Esse suporte visa melhorar as trocas gasosas, atenuar a dificuldade respiratória,alterar as relações pressão-volume, permitir a reparação dos pulmões e vias aéreas eevitar complicações durante procedimentos clínicos (Andrade, 2012).

A VM pode ser administrada de forma não invasiva ou invasiva, onde a primeiraé por meio da utilização de uma máscara ou capacete como interface externa entrepaciente e respirador. Na ventilação invasiva utiliza-se uma cânula introduzida nasvias aéreas. Este trabalho tem como foco a VM invasiva.

Existe uma gama de modos ventilatórios. Estes modos podem ser por exemplo,a ventilação mecânica onde a máquina é mandatória quanto ao tempo de ciclo res-piratório, pressão ou volume administrados no sistema. Também existem os modosassistidos, onde a máquina suporta a respiração espontânea do paciente.

Os modos de ventilação mecânica assistida oferecem vantagens significativas sobreos modos controlados em termos de função muscular, proteção pulmonar, e uso redu-zido de sedação. Neste contexto, uma apropriada interação paciente-ventilador (PVIdo inglês patient-ventilator interaction), se faz necessária.

A PVI se apresenta em vários cenários distintos, que varia desde a ausência deinteração entre o paciente e o ventilador, ou seja, paciente ventilado em um modointeiramente controlado pelo ventilador, até cenários onde o paciente interage com oventilador, seja de forma síncrona ou assíncrona.

A sincronia entre o paciente e o ventilador ocorre quando o início da contração dodiafragma e o disparo do ventilador ocorrem no mesmo instante, bem como quandoo início do relaxamento do diafragma e a ciclagem do ventilador também coincidem(Thille et al., 2006).

Define-se assincronia entre paciente e ventilador como a inadequeção entre a de-manda do paciente e o nível de assistência. Esta é associada a efeitos clínicos adversostais como desconforto do paciente, ansiedade, medo, aumento da necessidade de seda-tivos e agentes paralisantes, e prolongamento do uso da ventilação mecânica (Mellottet al., 2014; Blanch et al., 2015). Apesar de toda tecnologia moderna desenvolvida para

2 1 Introdução

ventiladores mecânicos, uma PVI inapropriada, ainda ocorre em até 25% dos pacientesventilados em unidades de terapia intensiva (UTI) (Thille et al., 2006; Chao et al., 1997;de Wit et al., 2009).

Assim, o reconhecimento de padrões de PVI é uma questão de grande interesseclínico. Diante da complexidade do assunto, este estudo tem como objetivo investigarferramentas que propiciem características gráficas e quantitativas para identificar eclassificar diferentes cenários de PVI por meio de ferramentas de identificação desistemas e densidade espectral de potência estimada por meio do periodograma.

Na literatura, foram abordados métodos para este fim utilizando ferramentas desistemas dinâmicos não lineares, como exemplo, Entropia de Shannon, Expoente de Lya-punov, Seção de Poincaré e Recurrence Plot (Sammon et al., 1993; Rabarimanantsoa et al.,2007). Também foram abordadas técnicas no domínio do tempo e da frequência emétodos estatísticos (Zhang e Bruce, 2000; Caminal et al., 2005; Fadel et al., 2004)

O gráfico de recorrência (Recurrences Plot), ferramenta desenvolvida por Eckmannet al. (1987) foi aplicado por Rabarimanantsoa et al. (2007) com sucesso na classificaçãode cenários de PVI em ventilação não invasiva. No estudo de Caminal et al. (2005)analisou-se padrões respiratórios divididos em baixa e alta variabilidade do volumerespiratório. Além disto, o método de Caminal et al. (2005) é baseado na criação demodelos de referência para uma comparação com os sinais analisados.

Uma forma diferente de enxergar o problema de assincronia foi abordado por Júnioret al. (2016), que busca detectar a ocorrência de esforço inspiratório por simulação demodelo dinâmico de primeira ordem com parâmetros de resistência e complacênciaque são estimados por meio de técnicas de otimização.

Outra abordagem para reconhecimento de padrões de PVI é encontrada no estudode Sinderby et al. (2013), o qual indica a aplicação de medição de atividade elétricado músculo diafragma do paciente. Esta abordagem utiliza uma forma invasiva demedição sendo também um procedimento médico complexo.

A observação direta dos sinais no ventilador mecânico por profissionais de saúdetambém foi apontada na literatura por Mellott et al. (2014).

Ao final deste estudo e a partir dos resultados obtidos, pretende-se atingir indica-ções de possíveis melhorias em ventiladores mecânicos que tragam melhorias na PVI.Espera-se que estas, auxiliem trabalhos futuros na formação de um protocolo objetivopara os profissionais da saúde e que possa servir como um guia para importantes to-madas de decisão, como exemplo, o momento correto para desconectar um pacienteda ventilação mecânica.

1.2 Objetivos 3

1.2 Objetivos

1.2.1 Objetivo Geral

Este trabalho tem como objetivo geral propor métodos capazes de classificar 3 cená-rios de PVI:controle total do ventilador sobre a ventilação do paciente, o sincronismoentre o esforço respiratório espotâneo e subsequente auxílio/suporte da máquina e as-sincronismo onde o esforço inspiratório não é suportado pelo ventilador mecânico,sendo este último, a forma inapropriada de interação entre paciente-ventilador.

1.2.2 Objetivos Específicos

Os objetivos específicos são apresentados abaixo:

(i) Identificar ferramentas e métodos para classificar padrões de PVI durante a ven-tilação mecânica invasiva;

(ii) Identificar características promissoras para o desenvolvimento futuro de controleautomático em ventiladores mecânicos no intuito de eliminar ou minimizar aocorrência de assincronia entre paciente e ventilador.

(iii) Subsidiar o desenvolvimento de um protocolo de identificação e classificaçãoda PVI para suportar as tomadas de decisão clínica, especificamente durante oprocesso de desmame (retirada gradual da ventilação mecânica e retorno conco-mitante à ventilação espontânea).

1.3 Justificativa

Segundo Tallo et al. (2013) a ventilação mecânica pode causar lesão pulmonar comoo barotrauma, o qual pode ocorrer quando a pressão das vias aéreas aumenta e rompea parede alveolar. Também cita a possibilidade de lesões por hiperdistensão alveolarque pode ser procovada por volume excessivo de ar, além de outras complicações comointoxicação por oxigênio devida a formação de radicais livres, edemas e irritações dasvias aéras provocadas pela prótese endotraqueal. Para Tallo et al. (2013), a pneumoniaé uma das mais relevantes complicações associadas à VM.

A assincronia entre paciente e máquina está associada a efeitos clínicos adversoscomo foi dito anteriormente, e pode atrasar ou até mesmo causar o insucesso duranteo processo de desmame.

Para Andrade (2012), as complicações associadas à utilização da ventilação mecâ-nica podem dificultar, posteriormente, o processo de desmame. Fica evidente que odesmame dever ser feito no menor tempo possível evitando um período desnecessáriode aplicação da VM.

4 1 Introdução

Portanto, apesar de diversos avanços ocorridos ao longo do tempo, é preciso pon-tuar que a ventilação artificial ainda constitui um procedimento usualmente invasivo,associando-se a contaminações, complicações sistêmicas e pulmonares.

Nesse sentido, a identificação e classificação de PVI e principalmente da presençade assincronia, se faz importante no suporte ao diagnóstico e tomada de decisão, empacientes mecanicamente ventilados para que se obtenha sucesso na sua aplicação ereduza o tempo de exposição.

Existem formas de analisar a PVI, sendo uma abordagem, o uso de medição daatividade elétrica do músculo diafragma (Sinderby et al., 2013). Essa forma é invasivae com procedimento médico complexo. Outra abordagem seria a observação dossinais físicos diretamente no paciente e no aparelho de VM (Mellott et al., 2014). Essaforma tem associado à ela, o caráter subjetivo de cada observador, o que pode levar aavaliações tendenciosas.

Sendo assim, a busca por uma abordagem de classificação de baixa complexidadeé relevante no contexto da Interação Paciente-Ventilador (PVI) como suporte paraavaliações clínicas, cada vez mais precisas beneficiando o paciente.

1.4 Trabalho Publicado

O seguinte artigo científico foi publicado durante o desenvolvimento deste trabalho.

• (Cardoso et al., 2017), Cardoso, A., Carvalho, N. C., Beda, A., e Aguirre, L. A.(2017). Classification of patterns during patient-ventilator interaction by powerspectral density. Em Anais do I Simpósio de Inovação em Engenharia Biomédica- SABIO, Recife.

1.5 Estrutura da Dissertação

Esta dissertação está organizada em 5 capítulos da seguinte forma:No Capítulo 1 apresenta-se o problema estudado nesta dissertação, bem como uma

breve apresentação da literatura que justifica este estudo.O Capítulo 2 consiste em uma introdução à fisiologia respiratória humana e venti-

lação mecânica. Apresenta-se os princípios de funcionamento do equipamento, tecno-logias atuais, modos de operação e variáveis de importância no uso da técnica.

No Capítulo 3 são apresentadas as ferramentas e métodos que suportam as propos-tas de classificação de interação paciente-ventidor deste trabalho. Trata-se de conteúdosreferentes à identificação de sistemas e à análise de sinais no domínio da frequênciacomo a densidade espectral de potência e periodograma.

No Capítulo 4 são aprentados os métodos propostos para classificação de PVI bemcomo seus resultados. Em primeiro lugar o método utilizando identificação de sistemas

1.5 Estrutura da Dissertação 5

é apresentado com seus resultados. E em seguinda, o método utilizando a densidadeespectral de potência estimada por meio do periodograma e seus resultados.

No Capítulo 5 discutem-se os métodos analisados e estes frente à literatura eapresentam-se as considerações finais deste trabalho e recomendações de trabalhosfuturos.

Capítulo 2

Ventilação Mecânica

2.1 Introdução

Assistência ventilatória pode ser entendida como a manutenção da oxigenação e/ouventilação dos pacientes com insuficiência respiratória aguda, de maneira artificial, atéque eles estejam capacitados a reassumi-las (Pádua e Martinez, 2001).

A VM, segundo Carvalho et al. (2007), além da manutenção das trocas gasosas,também tem os objetivos abaixo:

• Aliviar o trabalho da musculatura respiratória, que é elevado em situações agudasde alta demanda metabólica;

• Reverter ou evitar a fadiga da musculatura respiratória;

• Diminuir o consumo de oxigênio, dessa forma reduzindo o desconforto respira-tório;

• Permitir a aplicação de terapias específicas.

A VM pode ser de forma não invasiva ou invasiva. Sendo a primeira, por utilizaçãode uma máscara cobrindo boca e nariz ou apenas nariz ou capacete, como interfaceentre paciente e respirador. Na ventilação invasiva utiliza-se uma prótese introduzidanas vias aéreas que leva o ar até os pulmões.

Quanto à pressão aplicada na VM, esta pode ser negativa ou positiva. A primeiraforma a ser aplicada nos tempo modernos foi a pressão negativa. O equipamentoconsistia numa câmara selada onde o paciente era acomodado ficando apenas com acabeça para fora. Era produzida uma pressão interna na câmara, menor que a pressãoatmosférica e devido a diferença de pressão o ar fluia para os pulmões do paciente(Chatburn, 2003). Enquanto os equipamentos que trabalham por meio de pressãopositiva, basicamente, atuam como uma bomba de ar, insulflando os pulmões com arde forma invasiva ou não invasiva (Chatburn, 2003).

A história moderna da ventilação mecânica foi iniciada na década de 1920 com ven-tiladores de pressão negativa em pacientes com paralisia dos músculos respiratórios,provocada pela poliomielite. O equipamento foi criado por Drinker e Shaw (1929) edenominado Pulmão de Aço e é apresentado na Figura 2.1. Outro ponto de destaquefoi lançado comercialmente em 1957 chamado Bird Mark 7 (José et al., 2005). Este

8 2 Ventilação Mecânica

equipamente foi inventado por Forrest Bird. Consistia em um ventilador de pressãopositiva. O equipamento é mostrado na Figura 2.2.

Os significativos avanços tecnológicos ocorridos na década de 80 possibilitaram aconstrução de ventiladores microprocessados, o que introduziu novas modalidadesventilatórias para o uso clínico (Andrade, 2012). Os aparelhos microprocessados utili-zados na atualidade oferecem amplos recursos de monitorização, possibilitando, assim,o uso de novas técnicas para o tratamento de pacientes que se encontram em falênciarespiratória (Andrade, 2012). Modelos atuais serão abordados adiante.

Por este histórico pode-se perceber que os ventiladores mecânicos evoluíram bus-cando proporcionar aos pacientes com insuficiência respiratória um suporte mais eficaze confortável que possibilite um retorno o quanto antes possível à respiração espontâ-nea.

Ao longo desse capítulo será apresentada a ventilação mecânica, seus princípios,modos respiratórios, equipamentos de VM e recursos atuais, bem como uma base paraentendimento da fisiologia respiratória.

Figura 2.1: Centro de tratamento de respiratório para casos de poliemielite na dêcadade 1950. Fonte: site Medicina Intensiva (2017).

2.2 Fisiologia Respiratória 9

Figura 2.2: Respirador mecânico Bird Mark 7. Fonte: site Fisioterapia em Terapia In-tensiva (2017).

2.2 Fisiologia Respiratória

2.2.1 Sistema Respiratório

As células consomem oxigênio (O2), continuamente para a geração de energia paracorpo e produzem conjuntamente, o dióxido de carbono (CO2), que aumenta a acidezdo sangue e deve ser eliminado. A troca de gases entre a atmosfera, o sangue e as célulasé chamada de respiração (Tortora e Derrickson, 2012). Processo onde há a entrada de(O2) e expulsão do (CO2).

Para que isso ocorra, o corpo de um homem de 70Kg dispõe em média de umasuperfície de 75m2 de área para essa troca gasosa, comprimidos num volume inferiora 3L (Silverthorn, 2010).

Ainda segundo Silverthorn (2010), além de necessitar de uma grande superfíciepara troca gasosa, esta deve ser úmida e fina para permitir a passagem dos gases do arpara o sangue. Uma solução para o desafio na manutenção da umidade do tecido emcontato com o ar é a internalização do sistema. Os pulmões humanos são contidos nacavidade torácica, o que limita seu contato com o ar externo, promovento proteção eum ambiente úmido para as trocas gasosas.

Devido ao fato de os pulmões estarem contidos no tórax existe o desafio de enviaro ar para dentro deles. Para que se crie esse fluxo, o corpo necessita de um sistemade bombeamento de ar, esse papel é exercido pela estrutura musculoesquelética dotórax (Tortora e Derrickson, 2012). Durante a respiração espontânea, os músculosintercostais e o diafragma se contraem, expandindo a caixa torácica e gerando umapressão negativa interna nos pulmões, transmitida ao longo do espaço pleural. Partedessa pressão é necessária para vencer as forças viscoelásticas dos pulmões e da caixatorácica. O restante é transmitido aos alvéolos gerando um gradiente entre a pressão


atmosférica e alveolar, que propicia o fluxo inspiratório. Com o relaxamento dosmúsculos inspiratórios, na ausência de ativação da musculatura expiratória, a pressãoelástica acumulada durante a inspiração é a única força atuante e torna a pressãoalveolar positiva, e a expiração ocorre.

Segundo Silverthorn (2010), são quatro as funções primárias do sistema respiratório:

1. A troca de gases entre atmosfera e o sangue onde há a entrada de (O2) e expulsãodo (CO2) residual produzido pelo metabolismo;

2. A regulação do pH do corpo por meio da excressão ou retenção do (CO2);

3. Proteção contra micro organismos ou substâncias contaminante ou irritantes pormeio de mecanismo de destruição ou retenção de substâncias potencialmentenocivas antes que entre no corpo;

4. Produção de som com o ar movendo-se através das pregas vocais no uso da falaou canto.

O sistema respiratório se divide numa parte superior que conduz o ar até os pulmõese esta consiste do nariz, da faringe (garganta), da laringe (caixa vocal), da traquéia, dosbrônquios e bronquíolos. E o sistema respiratório inferior, que promove a troca gasosa,consistindo em bronquíolos respiratórios, dúctulos alveolares, sáculos alveolares ealvéolos. É nos alvéolos que ocorre a troca gasosa, estes ficam na extremidade dosbronquíolos e constituem a maior parte do tecido pulmonar (Silverthorn, 2010). Osistema respiratório superior é apresentado na Figura 2.3 e o inferior na Figura 2.4.

Os pulmões são envolvido pelos sacos pleurais, que possuem parede dupla. Elasenvolvem os pulmões e revestem o interior do tórax. Entre as paredes da pleura existeo líquido pleural. Silverthorn (2010) compara os pulmões envolvidos pelas pleurascom dois balões de ar envolvidos por dois balões com água.

O líquido pleural cria uma superfície úmida e escorregadia, dessa forma, as paredesopostas da pleura deslizam umas sobre as outras conforme o movimento dos pulmões.Silverthorn (2010) também compara o efeito do líquido entre as paredes da pleura comquando colocamos água entre duas lâminas de vidro e tentamos separá-las. A coesãogerada permite que as lâminas se movimentem de forma longitudinal, contudo, ofereceresistência à separação das placas. Esse efeito gera adesão das pleuras ao pulmões eparedes do tórax mantendo-os estirados e parcialmente inflados, mesmo em repouso.

A pressão interna às paredes pleurais se altera devido ao movimento de inspiraçãoe expiração. Essa pressão é negativa e promove a coesão do pulmão à caixa torácica.Em caso de rompimento da membrana pleural, o ar flui e há um colapso do pulmão nacavidade torácica. Ele se esvazia resultando em um pulmão que não pode funcionarcorretamente (Silverthorn, 2010).


Figura 2.3: Sistema respiratório superior. Fonte: Silverthorn (2010).


Figura 2.4: Sistema respiratório inferior. Fonte: Silverthorn (2010).


2.2.2 Ventilação Pulmonar

O fluxo de ar ocorre quando existe um gradiente de pressão. Isso ocorre da área demaior pressão para a de menor pressão. Na ventilação espontânea, ocorrem gradientesde pressão fazendo o ar entrar e sair dos pulmões de forma cíclica, provocados pelomovimento do tórax (Silverthorn, 2010).

Da mesma forma, quando os pulmões têm seu volume alterado, cria-se um gradi-ente de pressão promovendo um fluxo de ar. Na inspiração os pulmões aumentamde volume e como já dito, a pressão interna diminui para valores inferiores à pressãoatmosférica, o que faz o ar fluir para dentro dos pulmões. Quando os pulmões dimi-nuem, há uma compressão do ar, ou seja, há o aumento da pressão interna para valoressuperiores à pressão atmosférica, o que gera o fluxo de saída o ar. Essas duas situaçõessão exemplificadas na Figura 2.5.

A ventilação pulmonar, ou seja, respiração é o processo de troca dos gases entreatmosfera e pulmões (Tortora e Derrickson, 2012). Um ciclo respiratório se define emuma inspiração seguida de uma expiração.

O ar movido durante um ciclo respiratório pode ser divido conforme apresentadopor Barreto (2002) e Martelo (2015), em:

1. Volume Corrente (VC): Quantidade de ar inspirado e expirado espontaneamenteem cada ciclo respiratório. Corresponde a cerca de 10% da capacidade pulmonartotal (CPT);

2. Volume de Reserva Inspiratória (VRI): Quantidade máxima de ar que pode serinspirado voluntariamente ao final de uma inspiração espontânea, isto é, umainspiração além do nível inspiratório corrente. Corresponde a cerca de 45 a 50%da CPT;

3. Volume de Reserva Expiratória (VRE): Volume máximo que pode ser expiradovoluntariamente a partir do final de uma expiração espontânea, isto é, uma expi-ração além do nível de repouso expiratório. Corresponde a cerca de 15 a 20% daCPT;

4. Volume Residual (VR): Volume que permanece no pulmão após uma expiraçãomáxima. Corresponde a cerca de 25 a 30% da CPT.

Barreto (2002) e Martelo (2015) citam também as capacidades abaixo:

1. Capacidade Vital (CV): Volume medido de inspiração e expiração plena. Repre-senta o maior volume de ar movimentado, sendo a soma de VRI + VC + VRE.Corresponde a cerca de 70 a 75% da CPT;

2. Capacidade Inspiratória (CI): É o volume máximo inspirado voluntariamentecomeçado do final de uma expiração espontânea. É a soma do VC + VRI;


Figura 2.5: Pressão variável devido à mudança de volume de uma câmara. Fonte:Silverthorn (2010).

3. Capacidade Residual Funcional (CRF): É volume contido nos pulmões ao final deuma expiração espontânea. É a soma do VRE + VR;

4. Capacidade Pulmonar Total (CPT): Volume contido nos pulmões após uma inspi-ração plena. Representa todos os volumes pulmonares e é obtido pela soma CV+ VR.

Barreto (2002) cita que a medição dos quatro volumes e das quatro capacidadesexpostas acima e a interação entre eles são importantes para geração de índeces paraavalição dos pulmões e de possíveis fisiopatologias.

A CPT é determinada pela capacidade dos músculos inspiratórios em expandir osistema pulmão-parede torácica e a força e retração (resistência elástica) geradas pelosistema em altos volumes. Ou seja, a CPT é a relação entre a força inspiratória e adistensibilidade do sistema respiratório (Barreto, 2002).

A capacidade do pulmão de distender-se é denominada complacência. É dito queum pulmão com alta complacência é o que se distende facilmente, ou seja, requer menoresforço físico para aumentar de volume. As grandezas físicas relativas à mecânicada ventilação pulmonar como pressão, fluxo e volume armazenado são diretamenteinfluenciadas pela resistência das vias respiratórias e pela complacência dos pulmões(Martelo, 2015).

Complacência é diferente da elastância, que é a capacidade do pulmão voltar à suaposição de repouso quando retirada a força de estiramento (Silverthorn, 2010).

As características acima são relevantes para a avaliação dos pulmões e que tambémdevem ser consideradas com relação a cada paciente durante a aplicação da ventilaçãomecânica.

2.3 Equipamentos e Modos de Ventilação Mecânica 15

2.2.3 Relação Ventilação-Perfusão

A ventilação pulmonar é gerada pelo fluxo de ar que entra pelas vias aéreas, atin-gindo os pulmões e os alvéolos. A perfusão pulmonar refere-se ao fluxo sanguíneo dacirculação pulmonar disponível para a troca gasosa (West, 2012).

A ventilação pulmonar e a perfusão são desiguais ao longo dos pulmões. A perfusãotambém depende das posturas adotadas pelos indivíduos e devido a ação da gravidade,a ventilação é maior na base dos pulmões. Quanto a perfusão pulmonar, as bases dospulmões são mais ricas em capilares pulmonares apresentando maior perfusão.

Um equilíbrio entre a perfusão e a ventilação é necessário para que não ocorra ahipoxemia, ou seja, insuficiência de oxigênio no sangue. Para que esse equilíbrio sejaadequado a relação Ventilação/Perfusão (V/Q) deve ser próxima de 1,0.

Uma relação V/Q inadequada e que leve à hipoxemia, pode ser causada por (West,2012):

• Hipoventilação: Ocorrência de ventilação alveolar insuficiente para as trocasgasosas;

• Difusão limitada: É quando os alvéolos estão sendo ventilados, mas não háperfusão adequada nos capilares alveolares. Há uma deficiência de irrigaçãosanguínea nos capilares alveolares;

• Shunt: shunt trata-se de capilares perfundidos, mas sem ventilação pulmonar, ouseja, há sangue em contato com os alvéolos, mas estes não estão ventilados.

2.3 Equipamentos e Modos de Ventilação Mecânica

2.3.1 Ventiladores mecânicos atuais

O ventilador mecânico é um equipamento utilizado para fornecer ventilação pul-monar artificial. O objetivo do equipamento é manter a oxigenação e ventilação depacientes com insuficiência respiratório (Pádua e Martinez, 2001). O suporte respirató-rio é aplicado de forma temporária, completo ou parcial, em pacientes com insuficiênciarespiratória devido a doenças, traumas no sistemas respiratório, anestesia durante ope-ração, defeitos congênitos etc.

Os equipamentos atuais contam com diversos modos ventilatórios para aplicaçãoem diversos casos e estágios clínicos e em pacientes recém nascidos e adultos.

Atualmente, os ventiladores mecânicos são baseados em pressão positiva, que in-sufla os pulmões do paciente por meio de uma máscara (VM não invasiva), de um tuboendotraqueal, ou de uma traqueotomia (VM invasivas).

Os componentes básicos de um ventilador mecânico são a unidade de controle,válvulas de troca de gases, sensores, alarmes, mangueiras e tubos para os circuitos degases conforme Figura 2.6.


Figura 2.6: Modelo moderno de respirador pulmonar mecânico. Fonte: Bonassa (2000).

A unidade de controle possue uma interface homem-máquina para programaçãodos modos ventilatórios e para visualização dos sinais coletados e dados calculados,processa informações colhidas pelos sensores e comanda as válvulas e quantidadede gases e tempos das etapas do ciclo respiratório. Basicamente, o sistema possuiduas válvulas comandadas, sendo uma para entrada de ar rico em O2 e a outras parasaída dos gases com CO2. As válvulas são abertas exclusivamente de acordo com osmomentos de inspiração e expiração permitindo a passagem de gases apenas no ramode mangueira apropriado para tal momento do ciclo respiratório. Os dois ramos demangueiras se juntam por meio do elemento designado "Y". O canal de passagem degases segue a partir daí até um ponto da laringe do paciente. Geralmente o sensorde pressão fica localizado no "Y", próximo ao ponto de junção como mostrado naFigura 2.6. O fluxo geral de gases é medido por sensores de pressão diferencial quesão posicionados entre a cânula endotraqueal e o "Y"do circuito do ventilador segundoCarvalho et al. (2007). A posição deste elemento é mostrado na Figura 2.6. Segundo omanual do ventilador EVITA XL Dräger (2008), outra forma de medir o fluxo de gases écom a utilizão de um anemômetro de fio quente, pelo qual se calcula o quanto de fluxopassou pelo sensor por meio da variação de temperatura do mesmo. Os alarmes desegurança são referentes aos modos ventilatórios e também aos valores pré definidospara monitoração desse modos. Exemplos serão citados em sub seção abaixo. Elestêm a função de alertar médicos e profissionais de saúde sobre possíveis alterações


nos pacientes, ou mesmo sobre o mal funcionamento do equipamento. Os alarmesmais comumente encontrados na VM são os de apneia, pressão baixa, pressão alta,frequência respiratória baixa, frequência respiratória alta, interrupção do fornecimentodos gases, desconexão do circuito do paciente, bloqueio no circuito respiratório, e faltade energia elétrica ou nível da carga da bateria reduzido (Martelo, 2015).

O sistema ainda pode contar com válvula de emergência para alívio de pressão alta,com medidores de O2, CO2 e temperatura.

Os ventiladores mecânicos operam em ciclo e esse, durante ventilação com pressãopositiva nas vias aéreas pode ser dividido nas quatro etapas abaixo segundo Carvalhoet al. (2007). Estas etapas são exposta na Figura 2.7:

1. Fase inspiratória: é a fase do ciclo em que o ventilador efetua a insuflação dopulmão, conforme as propriedades elásticas e resistivas do sistema respiratório.Neste estágio a válvula inspiratória está aberta;

2. Mudança de fase (ciclagem): Transição entre a fase inspiratória e a fase expiratória.Nessa fase ocorre a ciclagem que pode se dar pelos princípios de tempo, volume,pressão e fluxo;

3. Fase expiratória: Momento seguinte ao fechamento da válvula inspiratória eabertura da válvula expiratória, nesse instante ocorre o esvaziamente espontâneodos pulmões ;

4. Mudança da fase expiratória para a fase inspiratória (disparo): Fase em quetermina a expiração e ocorre a abertura da válvula inspiratória, iniciando novafase inspiratória. Essa etapa pode ser disparada pelo paciente ou pelo ventilador.

Quando o aparelho interrompe a fase inspiratória e inicia a fase expiratória dá-se onome de ciclagem, que segundo Pádua e Martinez (2001) pode se dar basicamente dasseguintes forma:

Figura 2.7: Ciclo respiratório durante VM com pressão positiva nas vias aéreas sendo1 a fase inspiratório, 2 a mudança de fase (ciclagem), 3 a fase expiratória e 4 a mudançada fase expiratória para a fase inspiratória (disparo). Fonte: Carvalho et al. (2007).


• Ciclagem a tempo: a transição ocorre após um período de tempo ajustado noventilador. Tanto pressão quanto volume não podem ser controlados diretamente;

• Ciclagem a volume: o final da fase inspiratória ocorre, quando é atingido umvolume pré-ajustado de gás. Por não permitir o controle direto da pressão nasvias aéreas é associado a esse mecanismo um válvula de emergência para pressãoalta;

• Ciclagem a pressão: ocorre quando a pressão das vias aéreas atingem o valordefinido. Esse mecanismo interrompe a inspiração independente do tempo e podeser insensíveis às variações de complacência e resistência do sistema respiratório,podendo ocorrer uma drástica redução de volume corrente na vigência;

• Ciclagem a fluxo: o fim da fase inspiratória ocorre a partir do momento em queo fluxo inspiratório cai abaixo de níveis pré definidos, independentemente dotempo ou do volume ministrado. Esse mencanismo permitir ao paciente exercercontrole efetivo sobre o tempo, o pico de fluxo inspiratório e sobre o volumecorrente.

Os ventiladores podem ser classificados em relação à sua variável principal decontrole, mas podendo contar com variáveis auxiliares como frequência respiratória,concentração inspirada de oxigênio (Martelo, 2015). Os sistemas de controle dos equi-pamentos se dividem nos tipos baseados em pressão, volume, fluxo e tempo.

Um ventilador, basicamente, pode medir pressão no circuito respiratório, fluxode gases e calcular o volume por meio da integração numérica do valor de fluxomedido. Com esses valores é possível calcular variáveis como as listadas abaixo e quesão destacadas por Pádua e Martinez (2001) e por Martelo (2015). Tais variáveis sãoutilizadas no controle ou monitoramento de alarmes durante os modos ventilatórios.São elas:

• Volume Corrente (VC): corresponde ao volume de gás movimentado duranteuma respiração;

• Frequência Respiratória (f): número de ciclos respiratórios efetuados por minuto;

• Volume Minuto (VE): volume total de gás mobilizado durante um minuto;

• Tempo Inspiratório (TI): tempo gasto durante toda a etapa de inspiração. Essetempo é geralmente em torno de um terço do tempo do ciclo respiratório;

• Tempo Expiratório (TE): tempo gasto na etapa de expiração, sendo geralmente,em torno de dois terços do ciclo respiratório;

• Tempo Total (TTot): tempo de duração de um ciclo respiratório completo. TTot =

TI + TE;


• Fluxo inspiratório (VI): quantidade de gás que flui pela via inspiratória do ven-tilador por unidade de tempo expressa em litros por minuto;

• Pico de Pressão Inspiratória (PIP): é a maior pressão registrada durante a inspi-ração. Valores que excedam as condição mecânicas dos pulmões podem causartraumas decorrentes da ventilação mecânica;

• Pausa Inspiratória: período de tempo correspondente ao fechamento da válvulaexpiratória, do ventilador, o que impede temporariamente o início da expiração.É um mecanismo empregado para prolongar o TI;

• Pressão de Plateau: valor da pressão das vias aéreas, medida no momento dapausa inspiratória. Admite-se que seja o parâmetro que melhor reflita as pressõesalveolares no momento do término da insuflação pulmonar. Valores elevados sãoassociados à lesão no sistema respiratório induzida pela ventilação mecânica;

• Pressão Expiratória (PE): é a pressão registrada nas vias aéreas, ao final da ex-piração. Geralmente este valor decai à zero, contudo o ventilador pode serparametrizado para valores de pressão acima de zero denominados de PressãoExpiratória Positiva Final (PEEP);

• Pressão Expiratória Positiva Final (PEEP): é a pressão positiva constante aplicadanas vias aéreas ao final da expiração. Sua aplicação tem por finalidade reduzir osdistúrbios das trocas gasosas, permitindo a administração de uma menor fraçãoinspirada de oxigênio;

• Fração Inspirada de Oxigênio (FI O2): quantidade de oxigênio na mistura gasosaadministrada ao paciente. Uma fração elevada de O2, por um longo período,pode ocasionar lesão tóxica pulmonar.

2.3.2 Modos de Ventilação Mecânica

O princípio de atuação do ventilador mecânico é gerar fluxo de gás que promovavariação de volume e pressão de forma associada e isso deve ocorrer de forma a supriras necessidades respiratórias do paciente sem causar danos ao organismo ou gerardesconforto ao indivíduo (Chatburn, 2003).

Para o cumprimento desta função, há diversos modos ventilatórios que devem serusados conforme disponibilidade do equipamento, necessidades específicas e caracte-rísticas do paciente (Martelo, 2015; Andrade, 2012).

Segundo Chatburn (2003), os modos ventilatórios são compreendidos em ventilaçãomandatória contínua (CMV), ventilação mandatória intermitente (IMV), Ventilaçãoespontânea contínua (CSV). São classificados também quanto à variável primária decontrole como volume, pressão ou fluxo, e também quanto à estratégia e tipo de controlepodendo ser por exemplo, com valores pré-definidos ou adaptativos.


Abaixo estão alguns modos ventilatórios convencionais e que são citados por Car-valho et al. (2007) e Martelo (2015).

A ventilação mandatória contínua (CMV) é quando todos os ciclos da ventilaçãosão disparados pela máquina numa frequência pré-definida e fixa denomina-se demodo controlado. E quando o disparo ocorre em resposta à um esforço do paciente,denomina-se de modo assistido-controlado. Alguns destes modos são:

• Ventilação mandatória contínua por volume controlado (CMV/V) de modo con-trolado: a frequência respiratória é configurada, bem como o volume correntee o fluxo inspiratório. O ventilador inicia a inspiração no tempo estipulado.Todo volume de gás na velocidade de fluxo pré-definida é ministrado de formamandatória;

• Ventilação mandatória contínua controlada por volume (CMV/V) de modo assis-tido controlado: nesta modalidade a frequência respiratória é definida pelo esfoçodo paciente, contudo o volume corrente e fluxo são fixos e previamente configu-rados. O modo também conta com disparo por tempo sem estímulo do pacienteno intuito de manter uma frequência respiratória mínima. A sensibilidade dedisparo deve ser ajusta;

• Ventilação mandatória contínua controlada por pressão (CMV/P) de modo con-trolado: funciona de modo similar ao CMV/V quanto à frequência respiratória.Ajusta-se também o tempo de inspiração ou a relação TI/TE e o limite de pressãoinspiratória. Sendo a pressão fixa, observa-se um volume corrente relacinado àresistência à passagem de gás e à complacência dos pulmões;

• Ventilação mandatória contínua controlada por pressão (CMV/P) de modo assis-tido controlado: o disparo depende do esforço que o paciente realiza para iniciara inspiração. De acordo com o nível da sensibilidade estabelecido pelo clínicoresponsável o ventilador fornece o volume controlado pela pressão.

Alguns ventiladores apresentam a combinação dos modos assistido/controlado per-mitindo entre esses, que o paciente inicie ciclos de ventilação espontânea, cujo osvolume são dependentes do esforço gerado. Denomina-se esta funcionalidade de ven-tilação mandatória intermitente (IMV) (Pádua e Martinez, 2001). O volume corrente eo tempo para a ação mandatória são pré-definidos. O paciente pode iniciar respiraçõesespontâneas nos intervalos da ação mandatória.

• Ventilação mandatória intermitente sincronizada com volume controlada (SIMV/V):é uma variação do IMV sendo controlada por volume e onde a ciclagem ocorresincronizada com o estímulo do paciente dentro de uma janela de tempo. Acasoocorra uma apnéia, o ciclo é iniciado pelo ventilador.

2.4 Tipos de assincronia paciente-ventilador 21

• Ventilação mandatória intermitente sincronizada com pressão controlada (SIMV/P):é uma variação do IMV sendo controlada por pressão e onde a ciclagem ocorresincronizada com o estímulo do paciente dentro de uma janela de tempo. Acasoocorra uma apnéia, o ciclo é iniciado pelo ventilador.

Nos modos de ventilação espontânea contínua (CVS), todos os ciclos respiratóriossão espontâneos, ou seja, iniciados pelo paciente.

• Ventilação espontânea contínua (CSV): neste modo, todos os ciclos respiratóriossão espontâneos, iniciados pelo paciente. Esta ventilação pode ser assistida pelamáquina com auxílio para atingir as pressões pré-definidas durante a inspiração,ou sem assistência do ventilador, o qual apenas mantém uma pressão positivaconstante nas vias aéreas durante o ciclo respiratório;

• Ventilação com suporte de pressão (PSV): este modo é obrigatoriamente assistido,no qual o ventilador detecta o início de uma inspiração espontânea do pacientepara imediatamente ativar o suporte de pressão nas vias aéreas. O volume cor-rente depende do esforço inspiratório, da pressão de suporte pré-estabelecida eda resistência mecânica do sistema respiratório;

• Ventilação com pressão de suporte e volume garantido (VAPSV): este modo consi-dera diversas variáveis, entre elas do esforço muscular do paciente e da impedân-cia do sistema respiratório. Esta que combina a pressão de suporte e a ventilaçãociclada a volume num mesmo ciclo respiratório.

2.4 Tipos de assincronia paciente-ventilador

Um dos objetivo da ventilação mecânica é a diminuição do trabalho respiratório.Para que isto ocorra, o ciclo do equipamento deve coincidir com o ciclo inspiratóriodo paciente. A assincronia entre paciente ventilador ocorre por fatores relacionadosao paciente e aos parâmetros ventilatórios e podem prolongar o tempo de suportemecânico e permanência em unidades de terapia intensiva (Públio e Martins, 2010).A assincronia pode se dar quanto ao disparo, fluxo e ciclagem do ventilador. Estasapresentam subdivisões e suas identificações e classificações por parte do profissionalde saúde direcionam ações de ajustes de parâmentros do ventilador para a adequaçãoao paciente.

As assincronias de disparo subdividem-se em (Barbas et al., 2014; de Wit et al., 2009;Públio e Martins, 2010):

• Disparo Ineficiente: O esforço inspiratório do paciente não é suficiente paradisparar o ventilador. Pode ocorrer por ajuste inadequado da sensibilidade desteou por outras questões inerentes ao paciente, como fraqueza da musculatura


inspiratória, baixo nível do comando neural, hiperinsuflação dinâmica (auto-PEEP) ou tempo inspiratório do VM maior que o tempo espontâneo do paciente;

• Duplo disparo: Ocorrem dois disparos consecutivos para cada esforço do paci-ente. Geralmente acontecem em altas demandas ventilatórias ou quando o tempoinspiratório do ventilador é menor que o tempo inspiratório do paciente;

• Autodisparo: O ventilador dispara o ciclo inspiratório sem que haja esforço efe-tivo do paciente. Pode ocorrer por ajuste sensível à pequenas perturbações dosinal colhido pelo ventilador, por vazamento no circuito, ocorrência de condensa-ção no circuito gerando perturbações no fluxo, detecção dos batimentos cardíacose de grandes variações da pressão torácica pela ejeção do volume sistólico, ou seja,volume de sangue bombeado pelo ventrículo cardíaco esquerdo a cada batimento.

As assincronias de fluxo subdividem-se em (Barbas et al., 2014; de Wit et al., 2009;Públio e Martins, 2010):

• Fluxo inspiratório insuficiente: É quando o fluxo ofertado ao paciente é inferiorà sua demanda ventilatória. Isto ocorre tipicamente quando o fluxo é ajustadopelo operador e não pode ser alterado pelos esforços do paciente como nas mo-dalidades controladas por volume. Tal assincronia pode ocorrer também nasmodalidades controladas por pressão, se os ajustes de pressão forem insuficien-tes em relação ao equilíbrio entre demanda e capacidade ventilatória do paciente;

• Fluxo inspiratório excessivo: É quando o fluxo ofertado ao paciente é superior àsua demanda ventilatória. Pode ocorrer em modalidades controladas por volume,quando o volume é ajustado acima da demanda do paciente, ou em modalidadescontroladas por pressão, quando o ajuste de pressão está elevado ou por umtempo de subida mais rápido na pressão oferecida.

As assincronias de ciclagem subdividem-se em (Barbas et al., 2014; de Wit et al.,2009; Públio e Martins, 2010):

• Ciclagem prematura: O ventilador interrompe o fluxo inspiratório antes do tér-mino do paciente, ou seja, o tempo inspiratório mecânico do ventilador é menorque o tempo neural do paciente. Isto pode ocorrer por ajuste inadequado porparte do profissional de saúde ou nas modalidades VCV e PCV, o tempo inspira-tório é ajustado pelo operador. Na modalidade PSV, ela pode ocorrer por ajusteinapropriado do nível de pressão, e da mesma forma, regulagem inadequadapara os critérios de fluxo e pressão para a ciclagem do VM;

• Ciclagem tardia: É quando o tempo inspiratório do ventilador é maior que otempo neural do paciente. Pode ocorrer devido a um ajuste de volume correntealto, fluxo inspiratório baixo, e/ou uso de pausa inspiratória de forma inadequada.

2.4 Tipos de assincronia paciente-ventilador 23

Também ocorre por ajuste de tempo inspiratório maior que o tempo adequadoao paciente. Na modalidade PSV, a alta resistência e a complacência do sistemarespiratório levam à um prolongando o tempo inspiratório, principalmente emcasos de doenças obstrutivas, como a DPOC.

Os tipos de assincronia entre paciente e ventilador, bem como algumas sugestõesde ajustes a serem procedidos por profissional de saúde são sumarizados abaixo, naTabela 2.1 (Barbas et al., 2014).

Segundo Bassuoni et al. (2012), a assincronia entre paciente e ventilador mais fre-quente é a falha de disparo por esforço ineficiente e que pode ocorrer em até 86% doseventos de assincronia em alguns casos clínicos.

Este trabalho utilizou apenas dados ventilatórios onde os eventos de assincroniapaciente-ventilador são do tipo por falha de disparo por esforço ineficente.


Tabela 2.1: Tipos de assincronia paciente-ventilador e recomendações de ações deajustes

Tipo de assincronia Possíveis ajustes para solução

Disparo ineficiente

Aumentar a sensibilidade de disparoDiminuir pressão de suporteAumentar valores de critérios de ciclagemAumentar o valor de PEEP

Duplo disparo

Aumentar o tempo de inspiração TiAumentar o fluxo inspiratórioAumentar volume correnteDiminuir valores de critérios de ciclagem

Autodisparo Diminuir sensibilidade de disparoCorrigir ou compensar vazamentos do sistema

Fluxo inspiratórioinsuficiente ou excessivo

Ajustar fluxo ou padrão de fluxo à demanda do pacienteAlterar para modo controlado por pressãoAnalisar drive respiratório excessivo ou deprimido

Ciclagem prematuraou tadia

Ajustar valores de critério de ciclagemAjustar pressão de suporteAjustar tempo inspiratório

Capítulo 3

Ferramentas e Métodos

3.1 Introdução

O reconhecimento de sinais e sua caraterização é extremamente importante emvárias áreas do conhecimento humano. Os sinais podem ser originados de sistemasbiológicos, elétricos, mecânicos sociais, econômicos e etc. Neste contexto, a análisede sinais e sistemas conta com diversas ferramentas para descrevê-los quanto às suascaraterísticas no domínio do tempo e no domínio da frequência.

Neste capítulo serão apresentados conceitos de sinais e sistemas bem como, ferra-mentas para análise e para tratamento dos mesmos, como príncípios de filtragem desinais. Serão abordados também, conteúdos sobre sistemas determinísticos e estocás-ticos e correlação de sinais.

Estes conceitos são necessários para o entendimento dos métodos propostos paraidentificação e classificação de padrões durante a Interação Paciente-Ventilador (PVI)que serão apresentados e discutidos em capítulos adiante.

3.2 Sistemas

Um sistema pode ser definido como uma entidade que manipula um ou mais sinaispara realizar uma função, produzindo assim, novos sinais (Haykin e Van Veen, 2001;Oppenheim et al., 2010; Lathi, 2007).

Existem várias classificações para sistemas, mas o conceito de duas destas classessão importantes no contexto deste trabalho. São estes:

• Sistemas determinísticos: Nesta classe de sistema os sinais de saída são conheci-dos ao longo de todo tempo de acordo com as características do sistema dado umvalor de entrada;

• Sistemas Estocásticos: O resultado do sistema não depende apenas dos dadosde entrada, mas também de outros fatores, normalmente aleatórios descritosprobabilisticamente .

O sistema analisado neste trabalho é considerado estocástico. Segundo Suki (2002),os pulmões, assim como outros sistemas biológicos, apresentam comportamento es-

26 3 Ferramentas e Métodos

tocástico, onde a amplitude da variável de saída pode ser influenciada por perturba-ções/efeitos inesperados.

3.3 Identificação de Sistemas

A modelagem matemática é a área do conhecimento que estuda formas de desen-volver e implementar modelos matemáticos que representem sistemas reais (Aguirre,2015). Modelos podem ser elaborados a partir do conhecimento das características dosistema e suas relações matemáticas que descrevam os fenômenos envolvidos. Estaforma de modelagem é denominada caixa branca. Os modelos elaborador por meiodesta técnica podem ser classificados de acordo com os tipos de equação usadas na suaelaboração como linear, não linear, discreta ou contínua (Garcia, 2005).

Modelar fenômenos diversos de um processo pode ser inviável tecnicamente ouem relação ao tempo disponível. Alternativas a isto são as técnicas abordadas na áreade conhecimento de modelagem denominada identificação de sitemas e se aplicam asistemas lineares invariantes no tempo (SLIT). Uma das características destas técnicasé que pouco ou nenhum conhecimento prévio do sistemas é necessário tendo em mãosos dados coletados do processo (Aguirre, 2015). Os modelos oriundos destas técnicassão chamados de modelos caixa preta. As técnias para modelagem caixa branca e caixapreta podem ser utilizadas conjuntamente o que é denominado de modelagem caixacinza.

A identificação de sistemas possui diversos métodos que buscam determinar mo-delos matemáticos que expliquem de forma adequada a cada aplicação, a relação decausa e efeito contida em seus dados (Ljung, 1998; Coelho e Coelho, 2004; Aguirre,2015).

Esta área do conhecimento tem apliacação em predição de estados futuros de umsistema, análise de projeto de controle de plantas, supervisão de características opera-cionais de um sistema e otimização empregada na tomada de decisão sobre o mesmo(Coelho e Coelho, 2004).

O projeto de modelos por meio dos métodos de identificação de sistemas apresentabasicamente 5 etapas: teste e coleta de dados, seleção da representação matemática aser usada, determinação da estrutura do modelo, estimação de parâmetros, validaçãodo modelo. Estas etapas serão apresentadas nas abaixo:

• Teste e coleta de dados: Para a elaboração de um modelo que represente adequa-damente um sistema é necessário que os dados para a geração deste, contenhaminformação dinâmica relevante sobre o sistema. Tais dados devem excitar a plantaem sua faixa de frequência dominante. Os dados também necessitam ser correla-cionados, caso contrário não se justifica a busca por um modelo que as relacione(Corrêa, 2012) apud (Billings e Aguirre, 1995);

3.3 Identificação de Sistemas 27

• Seleção da representação matemática: Esta etapa do projeto de identificação desistemas consiste em escolher uma das diversas formas matemáticas possíveispara representar o sistema. Neste trabalho foram utilizadas duas formas paramé-tricas, as representações autorregressiva com entradas externas (ARX do inglêsAutoRegressive with eXogenous inputs).

y(k) = a1y(k − 1)+. . .+any y(k − ny) + b1u(k − 1)+. . .+bnuu(k − nu) + e(k), (3.1)

sendo y o sinal de saída, u o sinal de entrada e e o ruído e a segunda a representaçãonão linear autorregressiva com entradas externas (NARX do inglês NonlinearAutoRegressive with eXogenous inputs).

y(k) = Fl[(y(k − 1),. . . y(k − ny),u(k − τd),. . . u(k − nu)] + e(k), (3.2)

sendo que Fl representa uma função não linear do modelo com grau de nãolinearidade igual à l e sendo ny, ny e τd os maiores atrasos em y, u e tempo morto,respectivamente. A função Fl não é conhecida a princípio, desta forma a dinâmicado sistema pode ser reconstruída utilizando-se uma aproximação polinomial comgrau máximo igual à l;

• Determinação da estrutura do modelo: A escolha pela estrutura a ser utilizadana determinação de modelos não é uma tarefa trivial. Em muitos casos o pro-blema para se determinar uma boa representação para um sistema é realizadopor tentativa e erro (Aguirre, 2015).

• Estimação de Parâmetros: Nesse etapa é escolhido o algorítmo para a resolução doproblema de estimação dos parâmetros que completam a estrutura selecionada.Os algoritmos selecionados para esse fim serão apresentados em sub seção abaixo;

• Validação do Modelo: A definição sobre a qualidade do modelo é subjetiva,fazendo com que o processo de tentativa e erro seja uma regra relevante emidentificação de sistemas (Coelho e Coelho, 2004).

A cada modelo elaborado é possível a verificação de aderência deste em relaçãoao sinal de saída. Esta aderência pode ser observada diretamente nos gráficossobrepostos do modelo e sinal de saída. Uma forma quantitativa pode ser a com-paração do erro de predição dos modelos testados, adotando o modelo com menorErro Quadrático Médio (RMSE - do inglês Root Mean Square Error) expresso aseguir:


RMSE =

√∑Nk=1(y(k) − y(k))2

n, (3.3)

sendo y(k) o sinal medido, y(k) a simulação livre da saída do modelo e n o númerode dados contidos na série.

A validação do modelo deve ser feita com dados de entrada diferentes dos dadosutilizados na geração do modelo e deve se aplicar a simulação livre de passos àfrente para tal validação.

3.3.1 Estimação de Parâmetros

Após a definição da estrutura do modelo é necessário estimar-se os parâmetros quecompletam o mesmo. Uma forma de estimar os parâmetros de um modelo é por meiodo algoritmo de mínimos quadrados (MQ), que apresenta uma algébra relativamentesimples e que possivelmente o destaca como um dos mais populares algoritmos paraessa finalidade (Aguirre, 2015).

O estimador mínimos quadrados é atribuido à Carl Friedrich Gauss (1777-1855). Oselementos fundamentais deste método e apresentado em seus estudos astronômicospublicados no século XIX. A idéia básica de Gauss foi demonstrar que o melhor métodode determinar um parâmetro desconhecido de uma equação é minimizando a somados quadrados dos resíduos (Torres, 2012).

Os parâmetros de um sistema de equações podem ser encontrados conforme abaixo:

y = ψθ, (3.4)

sendo ψ ∈ Rnxn, y e θ ∈ Rnx1

θ = ψ−1y. (3.5)

As equações 3.4 e 3.5 representam um sistema com n número de equações e incógnitas.Quando o sistema de equações é sobrederminado, aplica-se o artifício abaixo:

ψT y = ψTψθ, (3.6)

θ = [ψTψ]−1ψT y. (3.7)

O estimador de parâmetros (θ) MQ é utilizado neste trabalho e as equações abaixo orepresentam:

3.4 Análise no domínio da frequência 29

y = ψθ + ξ, (3.8)

sendo que ξ = y − Xθ é o vetor de resíduo,

θ = [ψTψ]−1ψT y (3.9)

θ = ψ∗y,

sendo que ψ∗ é a pseudoinversa de ψ. A forma genérica é exposta abaixo:

y = ψθ + ξ, (3.10)

sendo ψ a matriz de regressores de entrada e saída de um sistema.Neste trabalho também foi utilizado uma forma recurssiva de estimação de parâme-

tros de um sistema denomina de algoritmo recurssivo de mínimos quadrados (RMQ).Esta técnica é utilizada para atualizar o vetor de parâmetros à medida que novos dadossão coletados. Ou seja, o modelo é ajustado às alterações os sistema ao longo do tempo.Este algoritmo é apresentado abaixo:

kk =pk−1ψk

ψTk Pk−1ψk + λ

(3.11)

θk = θk−1 + Kk

[y(k) − ψT

k θk−1

]Pk =

1λ

(Pk−1 −

Pk−1ψkψTk Pk−1

ψTk Pk−1ψk + λ

).

O elemento kk é matriz de ganho calculada na iteração k, θk é o vetor de parâmetroscalculados até a iteração k, ψk representa os regressores com informação até o instanteanterior k − 1, Pk é a matriz de covariância calculada na iteração k e λ é o fator deesquecimento dos dados de entrada. A parcela [y(k) − ψT

k θk−1] é o erro de prediçãocalculado na iteração k denominado inovação (Aguirre, 2015).

3.4 Análise no domínio da frequência

O objetivo da Análise Espectral é descrever a distribuição das frequências contidasem um sinal baseando-se em um conjunto finito de amostras. Este tipo de análisepossibilita a obtenção de informações sobre sistemas lineares invariantes no tempo


(SLIT) estudados em termos de unidades de frequência ao invés de unidades de tempo.Algumas características dos sinais apresentam conveniência de observação no domínioda frequência, sendo assim, as ferramentas de análise neste domínio são de sumaimportância para caracterização destes sinais.

3.4.1 A transformada de Fourier

Uma função pode ser convertida do domínio do tempo para o da frequência usandoum operador matemático. Um exemplo é a transformada de Fourier.

A Transformada de Fourier que pode representar um sinal não periódico no domínioda frequência (Oppenheim et al., 2010). A Transfomada de Fourier (FT) é uma ferra-menta largamente utilizada em processamento de sinais de sons, imagens, filtragem deruídos e análise de vibração gerando o espectro. Esta abordagem é exemplificada naFigura 3.1.

Figura 3.1: Sinal representado no domínio do tempo e da frequência. De cima parabaixo: representação no domínio do tempo da soma de cossenoides de 45, 60 e 120 Hz,e espectro da soma das cossenoides.

Neste trabalho a FT em tempo discreto foi utilizada como elemento fundamentalda ferramenta que será abordada na Seção 4.3. A Tranformada de Fourier em tempodiscreto de um sinal qualquer x[n], bem como sua tranformada inversa são expressasabaixo (Oppenheim et al., 2010):

3.4 Análise no domínio da frequência 31

X(e jω) =

+∞∑n=−∞

x[n]e− jωn, (3.12)

x[n] =1

2π

∫2π

X(e jω)e jωndω, (3.13)

em que j =√−1, n ∈ Z e ω ∈ R.

Cooley e Tukey (1965) propuseram um algoritmo para o cálculo eficiente e rápidopara a Transformada de Fourier em tempo discreto denominada Transformada Rápidade Fourier (FFT do inglês Fast Fourier Transform). Algoritmos de FFT são utilizados emsoftwares de cálculo numérico atuais.

3.4.2 Densidade Espectral de Potência - PSD e Periodograma

Quando propõe-se a analisar os sinais de um processo estocástico no domínio dafrequência, deve-se partir para o uso de uma extensão estatística da análise espectralchamada de Densidade Espectral de Potência (PSD do inglês Power Spectral Density).A PSD tem como função descrever como a variância de um processo aleatório estádistribuída em relação às suas frequências, onde a área sob a curva representa a potênciado sinal (Marple, 1987; Kay, 2006).

Stoica e Moses (2005) citam duas definições para densidade espectral de potência. Aprimeira é a Transformada de Fourier em Tempo Discreto da sequência de covariânciar[k] de um sinal:

φ[ω] =

∞∑k=−∞

r[k]e− jωk. (3.14)

A segunda definição é:

φ[ω] = limN→∞

E

1N

∣∣∣∣∣∣∣N∑

k=1

x[k]e− jωk

∣∣∣∣∣∣∣2 , (3.15)

em que E indica a esperança matemática.Para a utilização da PSD é necessário que um sinal x seja estacionário no sentido

amplo (WSS do inglês Wide Sense Stationary), que implica que sua média e covariânciasejam (Kay, 2006):

µx[k] = µ (constante), (3.16)

covx[k] = E[X[n]X[n + k]] − E[X[n]]E[X[n + k]], (3.17)


sendo µ é a média do sinal que deve ser constante no intervalo analisado e X é umavariável aleatória.

A PSD pode ser estimada de forma paramétrica e não paramétrica. A forma nãoparamétrica utiliza o sinal diretamente e apresenta duas formas. A primeira é a trans-formada discreta de Fourier da FAC de x(k), k = 0,1,. . . ,N (Aguirre, 2015):

Φx[ω] =1

N + 1

N∑i=0

N∑k=0

x[i]x[k]e− jω(k−1). (3.18)

A segunda forma não paramétrica foi utilizada neste trabalho e esta é definida peloquadrado do módulo da tranformada de Fourier do sinal. O quadrado do módulo daFT de uma série temporal é uma função conhecida como periodograma, que foi origi-nalmente proposta por Franz Arthur Friedrich Schuster (1851-1934) para determinarperiodicidades em dados com caraterísticas aleatórias (Kay, 2006; Aguirre, 2015).

A PSD pode ser estimada por meio do periodograma como (Kay, 2006):

Px[ω] =1N

∣∣∣∣∣∣∣N−1∑k=0

x[k]e− jωk

∣∣∣∣∣∣∣2

. (3.19)

As duas formas não paramétricas citadas acima apresentam diferenças conceituais esão distintas. O peridograma não é um estimador estatisticamente consistente da PSD.Contudo, este é uma ferramenta útil na estimação espectral onde a relação sinal-ruídoé alta (SNR do inglês Signal-to-Noise Ratio), e especialmente quando a série de dados élonga (site MATLAB Webserver, 2017).

O estimador peridograma pode ser desenvolvido por meio de métodos refinadosque reduzem as flutuações apresentadas pelo mesmo. Um desses métodos é o deBartlett, que subdivide as N amostras em janelas iguais não sobrepostas, calcula-se operiodograma para cada e calcula-se a média desses periodogramas (Stoica e Moses,2005; Kay, 2006). O método de Bartlett diminui a variância da estimação com o aumentodo número de janelas.

As formas paramétricas de estimação da PSD requerem a estimação de parâmetrosde modelos a partir dos quais, se obtém uma estimativa da PSD (Stoica e Moses, 2005).

3.5 Correlação de Sinais

A correlação é uma medida que varia no intervalo de -1 até +1 que visa quantificar ograu de relacionamento linear entre variáveis quantitativas, ou seja, quanto os valoressão afetados mutuamente em suas ocorrências. Valores próximos de +1 indicam fortecorrelação direta entre as variáveis enquanto que valores próximos de -1 indicam fortecorrelação inversa. Valores em torno de zero indicam ausência de correlação entre asvariáveis (Montgomery e Runger, 2011). O coeficiente de correlação do sinais é:

3.5 Correlação de Sinais 33

ρ(u,y) =cov[u,y]

SuSy, (3.20)

sendo cov[u,y] a covariância entre u e y e Su e Sy seus desvios padrão, respectivamente.O coeficiente de correlação de Peason é definido como:

r =

∑ni=1(xi − x)(yi − y)√∑n

i=1(xi − x)2√∑n

i=1(yi − y)2, (3.21)

sendo x a média aritmética do sinal x e y a média aritmética do sinal y.Uma forma de verificação da correlação entre sinais é por meio do gráfico de dis-

persão, onde os pontos apresentados são formados pelas variáveis coordenadas P(x,y),no exemplo para dois sinais. Quando os pontos gerados tendem a ajustar-se a umareta, diz-se que há correlação direta ou inversa, ou seja, as retas apresentam inclinaçãopositiva ou negativa, respectivamente. Enquanto que uma alta dispersão aparentedestes pontos, indica uma baixa ou nenhuma correlação entre as variáveis. Exmplossão apresentados nas Figuras 3.2 e 3.3.

Figura 3.2: Gráfico de dispersão com correlação direta

Figura 3.3: Gráfico de dispersão com correlação inversa

Capítulo 4

Classificação de Padrões de InteraçãoPaciente-Ventilador

4.1 Introdução

Neste capítulo serão apresentados dois procedimentos numéricos para identificar eclassificar cenários de PVI, em VM invasiva.

Uma primeira abordagem que busca realizar a classificação é por meio da identifica-ção de um modelo matemático capaz de explicar o comportamento dinâmico implícitoem dados de entrada e saída de um determinado sistema (Ljung, 1998; Aguirre, 2015),no caso deste trabalho, o sistema é um paciente sob ventilação mecânica invasiva. As-sim, foi usado o método de Mínimos Quadrados (MQ), em batelada para estimação dosparâmentros durante a etapa de escolha de uma estrutura de modelo mais adequadaà aplicação. Posteriormente, o algoritmo Recursivo de Mínimos Quadrados (RMQ) foiusado para estimação dos parâmetros do modelo.

O segundo método aplicado para classificação de PVI é baseado na densidadeespectral de potência (PSD do inglês Power Spectral Density) dos sinais de fluxo epressão fornecidos pelo ventilador e o índice de correlação entre as estimativas da PSD,obtidas calculando-se o periodograma.

O uso de informação no domínio de frequência dos sinais é vantajoso, especialmentepara distinguir a ocorrência de assincronias, principalmente utilizando-se a estimativade correlação das funções no domínio de frequência.

O procedimento proposto foi testado em 480 minutos de dados respiratórios oriun-dos de quatro pacientes (120 minutos cada), com casos clínicos distintos.

Os dados clínicos utilizados neste estudo foram coletados na UTI do Hospital Riso-leta Tolentino Neves (Belo Horizonte, Brasil), após a aprovação do Comitê de Ética local(CAAE-26626214.0.0000.5149), e após o consentimento por escrito de um representantelegal do paciente. Os dados foram coletados a partir de ventilador mecânico do modeloEVITA XL do fabricante Dräger em quatro pacientes e com taxa de amostragem de 125ou 100 Hz e reamostrados posteriormente, em 15 Hz.

Neste estudo, foram definidos três cenários específicos de PVI durante ventilaçãomecânica invasiva controlada à pressão:

• Cenário I - caracterizado pela ausência de esforços inspiratórios espontâneos(ventilação mecânica controlada). Portanto, os mesmos padrões de fluxo de

36 4 Classificação de Padrões de Interação Paciente-Ventilador

ar, pressão e volume são repetidos em cada ciclo respiratório. Este cenário écaracterizado por grande regularidade nos sinais, como visto na Figura 4.12 comsinais de volume e pressão e 4.25 com sinais de fluxo e pressão;

• Cenário II - Apresenta sincronismo entre o estímulo respiratório do paciente eo auxílio subsequente do ventilador. Neste cenário pode haver diferenças deintervalos de duração do ciclo e entre ciclos, como visto na Figura 4.13 com sinaisde volume e pressão e 4.26 com sinais de fluxo e pressão;

• Cenário III - Esforços inspiratórios estão presentes como no cenário II, mas nemsempre suportados pelo ventilador mecânico, como mostrado no destaque dasFigura 4.14 com sinais de volume e pressão e 4.27 com sinais de fluxo e pressão.

A pré-classificação dos dados quanto aos cenários de PVI foi procedida por profis-sional especialista em ventilação mecânica e são analisados nas seções abaixo.

4.2 Identificação de Sistemas: Classificação de PVI

Nesta seção apresenta-se um método computacional que busca a classificação au-tomática de cenários de interação paciente-ventilador, durante ventilação mecânicainvasiva, obtido por meio de técnicas de identificação de sistemas. Utiliza-se a estima-ção recursiva de mínimos quadrados na busca de distinção entre os três cenários deinteração paciente-ventilador estudados neste trabalho. O procedimento foi aplicadousando dados de volume e pressão de ventilador mecânica de quatro pacientes emestados clínicos distintos.

4.2.1 Caracterização do Sistema e Sinais

O sistema é caracterizado como paciente e máquina, onde o ventilador atua comuma pressão controlada de entrada e o volume respiratório é a saída do sistema. Osdados deste estudo foram coletados em ventilador mecânico do modelo EVITA XL dofabricante Dräger atuando no modo onde a variável controlada é a pressão fornecidaao paciente.

Os componentes básicos de um ventilador mecânico são a unidade de controle,interface homem-máquina, válvulas de troca de gases, sensores de pressão e fluxo,alarmes, mangueiras e tubos para os circuitos de gases (Martelo, 2015).

Apresenta-se abaixo um esquema do sistema identificado na Figura 4.1, o qualpossui uma entrada e uma saída (SISO - do inglês Single Input and Single Output).

4.2 Identificação de Sistemas: Classificação de PVI 37

Figura 4.1: Representação esquemática do sistema de ventilação mecânica com pressãode entrada e volume de saída.

4.2.2 Identificação do Sistemas: Desenvolvimento

Os dados utilizados neste trabalho são a pressão de entrada como u e a saída dosistema é o volume respiratório como y. Inicialmente, foi selecionada a representa-ção matemática denominada autorregressiva com entradas externas (ARX do inglêsAutoRegressive with eXogenous inputs).

Logo em seguida foi procedida a determinação de uma estrutura, o que não é umatarefa trivial e em muitas vezes o problema para se determinar uma boa representaçãopara um determinado sistema é realizado por tentativa e erro (Aguirre, 2015). Destaforma, o modelo foi incrementado quanto à sua ordem e atrasos por meio de tentativasconsecutivamente testadas. Ou seja, o modelo foi testado a partir de um regressor deentrada e um de saída, bem como a ordem dos atrasos.

A cada nova configuração do modelo, este era testado em batelada de dados com MQpara uma estimação dos parâmetros do mesmo e em seguida, validado com simulaçãolivre, que consiste em simular o sistema com predição de vários passos à frente. Avalidação com simulação livre é uma forma adequada para validação de modelos,sendo que a aplicação de MQ de 1 passo a frente, promove o ajuste do próximo passodo modelo com relação ao erro contigo no passo simulado.

Grupos de dados diferentes foram usados para teste e validação. Desta forma, asconfigurações elaboradas para os modelos foram comparadas entre si quanto aos seusdesempenhos utilizando-se como indicador, o erro quadrático médio (RMSE do inglêsRoot Mean Square Error) na equação 3.3 e também comparando-se a aderência do sinalde saída ao modelo visualmente pelos gráficos.

A cada novo incremento de regressores, os modelos se mostraram mais ajustadosao sinal real de saída. Verificou-se que após a colocação de 3 regressores de entrada e 3de saída, os modelo não apresentou melhoras com relação ao RMSE e aderência visual.

As etapas de seleção de estrutura, estimação de parâmetros, e validação dos modelosconforme descritas acima podem ser verificadas nas Tabelas 4.1, 4.2, 4.3, 4.4 e Figuras4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 4.10 abaixo.


Tabela 4.1: Valores de erro médio quadrático em litros (L) dos modelos em relação aocenários de PVI do paciente P02

Modeloscom estruturas ARX

Cenáriode PVI - Paciente P02

I II IIIregressores: 1 Saída e 1 Entrada

com atrasos [-1] e [-1] 0,065 0,065 0,133

regressores: 2 Saída e 1 Entradacom atrasos [-1 -2] e [-1] 0,045 0,058 0,100

regressores: 3 Saída e 3 Entradacom atrasos [-1 -2 -4] e [-1 -2 -3] 0,023 0,055 0,066

regressores: 4 Saída e 3 Entradacom atrasos [-1 -2 -3 -4] e [-1 -2 -3] 0,023 0,055 0,066




I II IIIregressores:1 Saída e 1 Entrada

com atrasos [-1] e [-1] 0,065 0,073 0,118

regressores:2 Saída e 1 Entradacom atrasos [-1 -2] e [-1] 0,052 0,055 0,105

regressores:3 Saída e 3 Entradacom atrasos [-1 -2 -4] e [-1 -2 -3] 0,043 0,042 0,094

regressores:4 Saída e 3 Entradacom atrasos [-1 -2 -3 -4] e [-1 -2 -3] 0,043 0,042 0,094





com atrasos [-1] e [-1] 0,129 0,090 0,055









com atrasos [-1] e [-1] 0,089 0,080 0,155




Figura 4.2: Sinais do cenário I do paciente P02 com estrutura ARX com 1 regressor desaída e 1 de entrada. De cima para baixo: volume, pressão utilizados para estimaçãode parâmetros, nova janela de dados para validação com volume e sinal do modelo empontilhado vermelho apresentando RMSE igual a 0,065L e por último, sinal de pressãoda janela de dados para validação.


Figura 4.3: Sinal de volume do cenário I do paciente P02 e sinal do modelo com estruturaARX com 2 regressores de saída e 1 de entrada em pontilhado vermelho apresentandoRMSE igual a 0,045L.

Figura 4.4: Sinal de volume do cenário I do paciente P02 e sinal do modelo com estruturaARX com 3 regressores de saída e 3 de entrada em pontilhado vermelho apresentandoRMSE igual a 0,023L.


Figura 4.5: Sinais do cenário II do paciente P02 com estrutura ARX com 1 regressor desaída e 1 de entrada. De cima para baixo: volume, pressão utilizados para estimaçãode parâmetros, nova janela de dados para validação com volume e sinal do modelo empontilhado vermelho apresentando RMSE igual a 0,065L e por último, sinal de pressãoda janela de dados para validação.

Figura 4.6: Sinal de volume do cenário II do paciente P02 e sinal do modelo comestrutura ARX com 2 regressores de saída e 1 de entrada em pontilhado vermelhoapresentando RMSE igual a 0,058L.


Figura 4.7: Sinal de volume do cenário II do paciente P02 e sinal do modelo comestrutura ARX com 3 regressores de saída e 3 de entrada em pontilhado vermelhoapresentando RMSE igual a 0,055L.

Figura 4.8: Sinais do cenário III do paciente P02 com estrutura ARX com 1 regressor desaída e 1 de entrada. De cima para baixo: volume, pressão utilizados para estimaçãode parâmetros, nova janela de dados para validação com volume e sinal do modelo empontilhado vermelho apresentando RMSE igual a 0,133L e por último, sinal de pressãoda janela de dados para validação.


Figura 4.9: Sinal de volume do cenário III do paciente P02 e sinal do modelo comestrutura ARX com 2 regressores de saída e 1 de entrada em pontilhado vermelhoapresentando RMSE igual a 0,100L.

Figura 4.10: Sinal de volume do cenário III do paciente P02 e sinal do modelo comestrutura ARX com 3 regressores de saída e 3 de entradas em pontilhado vermelhoapresentando RMSE igual a 0,066L.

Por meio das etapas acima, chegou-se à estrutura ARX abaixo com 6 regressores,sendo esta, a qual apresentou modelos mais aderente aos cenários estudados:


y(k) = θ1y(k − 1) + θ2y(k − 2) + (4.1)

θ3y(k − 4) + θ4u(k − 1) +

θ5u(k − 2) + θ4u(k − 3).

A estrutura em 4.1 foi alterada posteriormente, também por tentativa e erro, parauma estrutura não linear autorregressiva com entradas externas (NARX do inglêsNonlinear AutoRegressive with eXogenous inputs) Nesta estrutura, o regressor u(k − 1) foisubstituído por u(k − 1)2:

y(k) = θ1y(k − 1) + θ2y(k − 2) + (4.2)

θ3y(k − 4) + θ4u(k − 1)u(k − 1) +

θ5u(k − 2) + θ4u(k − 3).

Foi feita uma comparação entre os modelos gerados com MQ utilizando as estrutu-ras 4.1 e 4.2, ambos se apresentaram aderentes ao sinal de saída em condições de sinaisde amplitudes regulares. Contudo quando os sinais apresentavam picos de amplitudesrelativamente grandes, o modelo 4.2 foi capaz de seguir picos no sinal de saída melhorque o modelo 4.1, como pode ser visto na Figura 4.11.


Figura 4.11: Sinais dos modelos 4.1 e 4.2. De cima para baixo: volume juntamentecom sinal do modelo 4.1 em vermelho pontilhado, volume juntamente com sinal domodelo 4.2 em vermelho pontilhado. Os dois últimos gráficos são o sinal de volume epor último, sinal de pressão utilizados na geração dos modelos citados acima por meiodo algoritmo de MQ.

Os gráficos contendo os sinais do sistema e o sinais do modelo 4.2 dos cenários I, II eIII, utilizando o algoritmo de MQ podem ser vistos nas Figuras 4.12, 4.13 e 4.14 abaixo.


Figura 4.12: Sinais correspondentes ao Cenário I. De cima para baixo: volume jun-tamente com sinal do modelo em 4.2 em vermelho pontilhado e abaixo a pressão.A regularidade na morfologia dos sinais e no período é a principal assinatura destecenário.

Figura 4.13: Sinais correspondentes ao Cenário II. De cima para baixo: volume junta-mente com sinal do modelo em 4.2 em vermelho pontilhado e abaixo a pressão. Nestecenário há uma visível variabilidade tanto na morfologia dos sinais de volume e pressãocomo no período.


Figura 4.14: Sinais correspondentes ao Cenário III. De cima para baixo: volume jun-tamente com sinal do modelo em 4.2 em vermelho pontilhado e abaixo a pressão.Assincronismo entre o esforço respiratório do paciente e o suporte do ventilador (emdestaque) é a principal assinatura deste cenário.

O modelo 4.2 gerado por meio do algoritmo de MQ mostrou-se o mais aderentedentre os testados. Desta forma, sua estrutura foi utilizada no algoritmo de RMQ comfator de esquecimento λ 0,99, que também se mostrou o mais adequado ao estudo. Ofator de esquecimento λ foi observado e selecionado entre os valores 0,80 e 0,99.

Por meio do algoritmo RMQ 3.11, os parâmetros θi e a inovação do modelo forammonitorados ao longo do tempo no intuito de identificar mudanças nestes valores, osquais permitissem uma classificação dos cenários de PVI. O elemento kk é um vetor deganho calculado na iteração k, θk é o vetor de parâmetros na iteração k e ψk representaos regressores com informação até o instante anterior k − 1, a inovação é:

η(k) = y(k) − ψTk θk−1. (4.3)

Quanto mais aderente for o modelo em relação à saída medida, menor será o valorde inovação, ou seja, menor será o erro de predição do modelo. A inovação serámenos autocorrelacionada. A fim de realizar a classificação usando a inovação 4.3,foi elaborado um índice que é a soma dos valores absolutos da inovação em janelasdeslizantes de 250 amostras, que correspondem a aproximadamente 16 segundos dedados respiratórios. Isso foi possível devido ao baixo nível de ruído nos dados. Esteíndice foi denominado índice de inovação:


η1(i) =

n=250∑k=1

∣∣∣η(k)∣∣∣ janela = 1,2. . . i. (4.4)

As janelas foram avaliadas ao longo dos dados citados acima, os quais representamos cenários I, II e III de PVI nos 4 pacientes do estudo.

4.2.3 Identificação do Sistemas: Resultados

Durante os trabalhos desenvolvidos para identificação e classificação de cenáriosde PVI utilizando técnicas de identificação de sistemas, verificou-se que o modelogerado com o algoritmo de MQ utilizando a estrutura 4.2 apresenta maior aderênciaao cenário I, apresenta aderência intermediária para o cenário II e por fim, apresenta amenor aderência relativa aos demais para o cenário III como pode ser visto nas Figuras4.12, 4.13 e 4.14. O erro médio quadrático conforme 3.3 é apresentado na Tabela 4.5.

Tabela 4.5: Erro médio quadrático (RMSE) em litros (L), do modelo 4.2 como parâmetrosestimados pelo algoritmo de MQ.

PacienteCenáriode PVI

I II IIIP02 0,011 0,034 0,091P03 0,039 0,056 0,082P04 0,038 0,054 0,078P07 0,037 0,097 0,117

Durante a estimação de parâmetros do modelo para a estrutura 4.2 utilizando oalgoritmo recursivo de mínimos quadrados (RMQ), verificou-se a possibilidade declassificar os cenários usando a variação dos parâmetros. Também se observou avariação nas magnitudes da inovação ao longo do tempo devido às características deaderência dos modelos com 4.2 e MQ quando em cada cenário de PVI. Verificou-se queas magnitudes da inovação, ou seja, o erro apresentado pelo modelo é pequeno parao cenário I, intermediário para o cenário II e maior para o cenário III em relação aosdemais.

Os parâmetros monitorados na abordagem com RMQ apresentaram variações quandoos cenários de PVI também variavam. Contudo, não apresentaram faixas de valoresdistintas para cada cenário, não permitindo assim, uma distinção entre estes por meiode seus parâmetros. Tal constatação pode ser verificada nas Figuras 4.15, 4.16, 4.17,4.18 e 4.19. É possível observar nos histogramas abaixo, que para cada parâmetro,por exemplo θ1, este apresenta faixas de valores que se sobrepõem considerando os 3cenários analisados. Os histogramas nas Figuras 4.15 e 4.16 foram gerados com os pa-


râmetros estimados em cada uma das 36.000 iterações pelo algoritmo MQR utilizandoa estrutura NARX 4.2.

Figura 4.15: Histogramas dos parâmetros θ1, θ2 e θ3 dos cenários I, II e III estimadospelo algoritmo MQR utilizando a estrutura NARX 4.2.

Figura 4.16: Histogramas dos parâmetros θ4, θ5 e θ6 dos cenários I, II e III estimadospelo algoritmo MQR utilizando a estrutura NARX 4.2.


Figura 4.17: Sinais dos cenários I, II, III e I do paciente P02, aplicados no algoritmoMQR com estrutura NARX. De cima para baixo: volume, pressão e parâmetros θ1 e θ2.




A inovação e o índice de inovação apresentaram-se sensíveis à variação entre oscenários de PVI como se observa na Figura 4.20. Contudo não foram observadasfaixas destas magnitudes que fossem referência para cada cenário independente dopaciente analisado e quanto ao momento de avaliação deste paciente. As magnitudesse apresentaram crescentes quanto aos cenários I, II e III para os 4 pacientes do estudo,contudo as faixas de valores destes cenário de PVI se sobreporam entre pacientes comose pode verificar na Tabela 4.6.

Apesar de o método obter uma diferenciação dos cenário de PVI limitada ao pacientee num curto espaço de tempo, os fatos citados acima evidenciam uma impossibilidadede uso generalizado para qualquer paciente. Tal impossibilidade também pode seapresentar para um paciente em um longo espaço de tempo quando considerado queas condições respiratórias desse, podem alterar.

O índice de inovação foi verificado em 36.000 amostras equivalentes a 40 minutosde dados respiratórios de cada cenário I, II e III totalizando 120 minutos de cada 1 dos 4pacientes. Os valores mínimos, máximos e médias do índice 4.4 em janelas deslizantesde 250 amostras são apresentados na Tabela 4.6.

Na Figura 4.20 é possível verificar o comportamento da inovação e de seu índice. Aconstatação é que há um aumento consistente dessas grandezas em relação aos cenáriosde I para III. A consistência do crescimento dessas grandezas aos cenários de I para IIIé enfatizada pela média de cada cenários também exposta na Figura 4.20.


Tabela 4.6: Valores mínimos, máximos e médias do índice de inovação em litros (L)para os cenários I, II e III de 4 pacientes.

PacienteCenário

PVI mín máx média

P02I 0,90 1,34 1,13II 0,91 3,39 1,54III 1,17 6,00 1,98

P03I 0,97 2,35 1,26II 0,98 3,11 1,69III 0,79 6,32 2,84

P04I 1,13 2,18 1,63II 0,95 2,47 1,64III 1,35 11,40 3,10

P07I 0,78 1,75 1,17II 1,93 3,14 2,47III 1,43 5,61 2,69

Figura 4.20: De cima para baixo: sinal de volume, sinal de pressão, índice de inovaçãocalculado em 4.4 e suas médias em cada cenário em vermelho pontilhado e por último ainovação calculada em 4.3. Em estaque estão os cenários I, II, III e novamente a porçãode cenário I com fator de esquecimento de 0,99.

O fator de esquecimento contido em 3.11 foi testado com valores de 0,80 a 0,99.O algoritmo apresentou-se sensível às variações do sinais com estes valores testados.Contudo, quanto menor o fator de esquecimento, maior é a magnitude e importância


da inovação pontual em detrimento a um padrão de inovação apresentado em umcenário de PVI. Portanto, o fator de esquecimento de 0,99 foi selecionado como omais adequado para fins de classificação dos cenários estudados. Sendo que este,proporciona ao algoritmo RMQ, a consideração do histórico do padrão de inovaçãoapresentado pelo cenário de PVI e ainda assim, é sensível às transições de cenárioscomo pode ser visto nas Figuras 4.20, 4.21, 4.22 e 4.23.





4.3 Densidade Espectral de Potência e Periodograma: Classificação de PVI 55

Durante os testes, quando os parâmetros para o cenário I foram estimados pormeio do RMQ, foi constatada uma tendência de crescimento no valor de inovaçãoe por consequência, em seu índice. Segundo Abreu et al. (2016), algoritmos como outilizado neste estudo podem apresentar problemas, levando à sua divergência, quandose tem um sinal de entrada sem persistência de excitação. A tendência de crescimentoidentificado pode ser observado de forma destacada no gráfico do índice de inovaçãona Figura 4.24.

Figura 4.24: O índice de inovação calculado em 4.4. referente ao cenário I.

Apesar da tendência observada durante os testes, este não compromete o estudoapresentado sendo que as janelas foram avalidas em séries relativamente pequenasfrente à apresetada na Figura 4.24, mas deve se atentar para a utilização desta aborda-gem nos moldes adotados quando em longas séries temporais do cenário I devido àregularidade de seus sinais.

4.3 Densidade Espectral de Potência e Periodograma: Clas-sificação de PVI

Nesta seção apresenta-se um método computacional para classificação automáticade cenários de interação paciente-ventilador (PVI), durante ventilação mecânica inva-siva. Utiliza-se a estimativa da densidade espectral de potência (PSD) dos sinais depressão e fluxo respiratório por meio do periodograma, analisados juntamente coma correlação das mesmas. Essa abordagem permite uma análise gráfica e tambémquantitativa na distinção dos três cenários de PVI analisados neste estudo.

4.3.1 Periodograma: Desenvolvimento

Como foi dito anteriormente, os dados utilizados neste estudo foram os de fluxo epressão de 4 pacientes com casos clínicos distintos, apresentando cada um, os cenáriosdescritos acima, sendo cada cenários estudado, um intervalo de 40 minutos (36.000amostras). Ou seja, foram estudados 120 minutos de cada paciente. Os dados foramanalisados por meio da estimativa da PSD em janelas deslizantes de 250 dados em 15Hz cada, o que corresponde a aproximadamente 16 segundos de dados ventilatórios.


Para cada janela de 250 dados, a PSD foi estimada por meio do periodogramautilizando a equação 3.19 sendo este, o quadrado da magnitude da transformada deFourier em tempo discreto. A densidade espectral de potência é essencialmente o valorda potência média esperada de um sinal em um intervalo de frequências (Kay, 2006).

Foi utilizado um filtro passa alta nos sinais de fluxo e pressão a partir da frequência0,05 Hz. O periodograma da pressão sem aplicação de filtragem apresenta um pico depotência próximo de 0,0 em frequência normalizada de 0 aπ, relativamente muito maiorque todos os demais, e sem correspondente para o fluxo. Neste sentido, os valores decorrelação entre os periodogramas dos sinais são comprometidos pela comparação defaixas de frequências sem a possibilidade de correlação.

No intuito de se verificar faixas de frequências que podem apresentar semelhança,a comparação dos periodogramas é feita em frequência normalizada considerando-seos sinais originais acima de 0,05 Hz.

A PSD de cada sinal foi estimada computacionalmente, utilizando a função perio-dogram do Matlab em intervalos relativamente curtos afim de manter-se o critério deamplo senso de estacionariedade WSS. A função periodogram utiliza a equação 3.19.

Os periodogramas dos sinais de fluxo e pressão por frequência normalizada, refe-rente aos cenários são apresentados nas Figuras 4.25, 4.26, onde os periodogramas depressão e fluxo apresentam potência de magnitudes semelhantes e nas mesmas faixasde frequência. Na Figura 4.27 os periodogramas apresentam potências concentradasem faixas de frequências distintas.

Figura 4.25: Sinais correspondentes ao Cenário I. De cima para baixo: fluxo, pressãoe respectivos periodogramas em azul e vermelho. A regularidade na morfologia dossinais e no período é a principal assinatura deste cenário.


Figura 4.26: Sinais correspondentes ao Cenário II. De cima para baixo: fluxo, pres-são e respectivos periodogramas em azul e vermelho. Neste cenário há uma visívelvariabilidade tanto na morfologia dos sinais de fluxo e pressão como no período.

Figura 4.27: Sinais correspondentes ao Cenário III. De cima para baixo: fluxo, pressãoe respectivos periodogramas em azul e vermelho. Assincronismos entre o esforçorespiratório do paciente e o suporte do ventilador (em destaque) é a principal assinaturadeste cenário. Tal assincronismo é claramente revelado pelo periodograma dos sinais.

Após o cálculo dos periodogramas de fluxo e pressão em cada janela de 250 dados,calculou-se o índice de correlação de Pearson. A correlação em 3.20 dos periodogramas


em janelas de 250 amostras foi calculada e em seguida foi verificado o valor apresentadofrente a cada cenário de PVI. Na Figura 4.28 são apresentados os sinais de fluxo, pressãoe correlação, calculada conforme acima, onde de 1 a 750 é cenário I, de 751 a 1500, cenárioII, de 1501 a 2250, cenário III e novamente cenário I da amostra 2251até à amostra 3000.destas conforme abaixo:

Figura 4.28: De cima para baixo: sinal de fluxo, sinal de pressão dos cenários I, II,III e I novamente e o índice de correlação entre os periodogramas calculado usando aequação 3.21.

4.3.2 Periodograma: Resultados

Durante os testes para identificação e classificação de cenários de PVI utilizando adensidade espectral de potência estimada por meio do periodograma foram registradosos valores de mínimos, máximos e médias das correlações do periodogramas do fluxoe pressão para cada cenário e estes são apresentados na Tabela 4.7.

Observando a Tabela 4.7 pode-se verificar que os valores mínimos e máximos dascorrelações dos periodogramas de fluxo e pressão são elevadas para os cenários I eII em relação ao cenário III. Pode-se observar que os cenários I, II e III apresentamvariabilidade crescente respectivamente.


Tabela 4.7: Valores mínimos, máximos e médias das correlações conforme equação 3.21dos periodogramas do fluxo e pressão por cenário.

PacienteCenário

PVI mín máx média

P02I 0,966 0,993 0,982II 0,914 0,999 0,968III 0,177 0,826 0,548

P03I 0,957 1,000 0,990II 0,915 1,000 0,966III 0,218 0,973 0,857

P04I 0,908 0,965 0,924II 0,953 1,000 0,996III 0,547 0,898 0,865

P07I 0,901 0,975 0,925II 0,964 0,999 0,990III 0,255 0,871 0,549

Também é possível observar que todas as médias para o cenários III são tambéminferiores às médias dos cenários I e II para os 4 pacientes estudados.

Para que se observe a correspondência dos gráficos dos periodogramas do fluxoe pressão com o índice de correlação desses sinais, as Figuras 4.25, 4.26 e 4.27 foramgeradas com as mesmas amostras que geraram os gráficos na Figura 4.28 nas janelasde 2500 a 2750 com correlação de 0,982 (Cenário I na Figura 4.25), 1000 a 1250 comcorrelação de 0,985 (Cenários II na Figura 4.26) e 1750 a 2000 com correlação de 0,494(Cenário III na Figura 4.27).

A partir de observação dos dados, definiu-se os critério de classificação dos cenárioscomo:

• Cenário I - máximo 2 picos dos periodogramas da pressão e fluxo em frequênciassobrepostas e com correlação entre elas acima de 0,90;

• Cenário II - mais que 2 picos dos periodogramas estimadas da pressão e fluxo emfrequências sobrepostas e com correlação entre elas acima de 0,90;

• Cenário III - independente do número de picos dos periodogramas, esses nãoestão em frequências sobrepostas e a correlação entre esses é abaixo de 0,90.

Definiu-se como pico de potência, para fins de referência, a representação nosgráficos dos periodogramas acima de 0,1 na escala de potência normalizada em cadana janela deslizante de 250 amostras. O número de picos de potências nas janelasdeslizante foi verificado em toda extensão dos cenáros I e II dos 4 pacientes desteestudo.


O cenário I apresentou alta correlação entre os periodogramas dos sinais de fluxoe pressão e também, por ter um intervalo de tempo constante dos ciclos e entre eles,apresentou predominância das potências em uma mesma faixa de frequência e com nomáximo 2 picos de potência conforme Figura 4.25 e 4.28.

O cenário II também apresentou alta correlação dos periodogramas, contudo, pornão haver um intervalo constante dos ciclos e entre eles, a potência dos sinais apresentou-se em pontos de frequências espalhados, ou seja, houve um espalhamento do espectrosempre com mais de 3 picos de potência. Mesmo desta forma, os periodogramas seaprentaram correlacionados conforme Figura 4.26 e 4.28.

O cenário III pode apresentar ou não um espalhamento das potências dos sinais,contudo os periodogramas do fluxo e pressão apresentaram picos de frequências emfaixas distintas e por consequência, baixa correlação dos periodogramas conformeFigura 4.27 e 4.28.

A classificação dos cenários de PVI ocorreu corretamente frente à referência pré-classificada e aos critérios acima, em 100% das janelas analisadas, com execeção do ce-nário III do paciente P03. Verificou-se que tal paciente apresentou assincronismo de dis-paro ineficiente com picos de fluxo de magnitude relativamente pequenos comparando-se a Figura 4.29 com a Figura 4.27. A assincronia de disparos ineficientes foi captadapelo índice de correlação em 57,7% das janelas testadas no cenário III do paciente P03.A sintese dessas ocorrências pode ser observada na Figura 4.30.


Figura 4.29: Sinais correspondentes ao cenário III do paciente P03. De cima parabaixo: fluxo, pressão e respectivos periodogramas em azul e vermelho com índicede correlação de 0,969. Em destaque assincronismos entre o esforço respiratório dopaciente e o suporte do ventilador.

Figura 4.30: Índices de Correlação do cenário III do paciente P03 em janelas de 250amostras cada. O índice de correlação não foi capaz de detectar a assincronia, segundoos critérios acima em 61 das 144 janelas.

Conforme se pode observar na Tabela 4.7 e na Figura 4.28, o índice de correlação


entre os periodogramas se mostrou sensível como forma quantitativa para deteccão docenário III de PVI com exceção do cenário III do paciente P03.

Capítulo 5

Conclusão

5.1 Considerações Finais

Os métodos propostos neste trabalho buscam a classificação dos cenários de PVI, emcurtos intervalos de tempo. Estes utilizaram janelas de dados de aproximadamente 16segundos para cada classificação de cenário. Apesar de ser possível alterar o tamanhodos intervalos, este se mostrou adequado à aplicação deste estudo. Não foi avaliado ointervalo mínimo de dados que quando utilizado nas duas abordagens deste trabalho,permitiria a extração da informação para a classificação do PVI dos paciente estudados.

Outro propósito deste trabalho é a busca por métodos computacionais que nãonecessitem de parametrização ou ajustes para uso de paciente para paciente. O modeloidentificado apresentou comportamento similar frente aos cenários dos dados dosquatro pacientes testados. Também observou-se uma robustez do modelo frente aruído apresentando um ajuste rápido e automático de seus parâmetros como visto naFigura 4.11.

Afim de avaliar-se o comportamento e a abrengência do uso do modelo identificado,recomenda-se a aplicação de testes num número mais amplo de pacientes que osdisponíveis neste estudo, considerando a idade, capacidades, frequências respiratórias,doença de base etc.

O método utilizando o algoritmo de mínimos quadrados recursivos (RMQ) e aestrutura NARX selecionada mostrou-se sensível aos cenários de PVI. Os maioresíndices de inovação evidenciaram o cenário III, enquanto os índices de correlação dosperiodogramas abaixo de 0,90, com exceção de algumas janelas avaliadas do pacienteP03 são classificados como o mesmo. É possível verificar uma comparação destesíndices na Figura 5.1.

64 5 Conclusão

Figura 5.1: Cenários I, II, III e I novamente. De cima para baixo: sinal de fluxo, sinalde pressão, o índice de correlação entre os periodogramas calculado usando a equação3.21 e por fim, o índice de inovação usando a equação 4.4 e o algoritmo RMQ com aestrutura NARX selecionada.

Apesar da sensibilidade apresentada pelo índice de inovação avaliando os cenáriosde PVI de um mesmo paciente, este não se apresentou em faixa de valores distintos paraclassificação de um cenários quando avaliado em qualquer paciente. Tal constataçãopode ser feita na Tabela 4.6.

O método utilizando a PSD estimada por meio do periodograma e a correlaçãomostou-se eficiente na classificação dos cenários de PVI, apresentando característicasdistintas em cada um deles independentemente do paciente analisado. Contudo apre-sentou fragilidade na detecção de assincronia quando esta, foi de baixa magnitudecomparando o cenário III do paciente P03 com o mesmo cenário dos demais. Avalia-seque são necessários estudos sobre a sensibilidade de detecção de assincronia por meiodo periodograma em relação a magnitude das assincronias, bem como a sensibilidadede outros métodos de estimação da PSD.

Apesar deste fato, avalia-se que esta forma de análise pode ser amplamente aplicada

5.1 Considerações Finais 65

sem necessidade de ajuste para uso em todo paciente. A classificação é efetuadaanalisando diretamente a potência contida numa faixa de frequência inerente aos sinaisde fluxo e pressão, onde por fim, verifica-se não a potência em uma faixa de frequência,mas sim, a posição relativa entre estas.

Os dois métodos utilizados neste trabalho para a classificação de PVI analisamapenas dados coletados durante a aplicação do ventilador mecânico na forma conven-cional, o que promove praticidade clínica e menores riscos para o paciente evitandoprocedimentos clínicos extras.

A observação direta dos sinais no ventilador mecânico por profissionais de saúdeé aplicável, contudo, é sensível às condições físicas e a critérios subjetivos de aná-lise do profissional avaliador. Os métodos computacionais propostos neste trabalhobuscam automatizar a classificação de PVI e detecção de assincronia eliminando talsensibilidade, inerente ao ser humano.

5.1.1 Classificação por meio de Modelo Identificado

O modelo identificado para a finalidade de classificação dos cenários de interaçãopaciente-ventilador (PVI), foi investigado. Este apresentou aderência aos sinais testa-dos e também robustez a ruído como visto na Seção 4.2. O modelo mostrou-se maisaderente ao cenário I em seguida menos aderente ao II e por fim, com uma aderênciarelativamente menor que os últimos, para o cenário III.

Por este fato, o índice de inovação mostrou-se sensível para a classificação doscenários estudados de PVI. Este, mostrou comportamento consistente com relação aoesperado frente aos cenários, destacando os erros de predição do modelo identificado.

Como a busca por classificação é baseado no erro de estimação, avalia-se que sinaiscom artefatos e ruidosos possam ser confundidos com o cenário III.

Uma classificação é conseguida de forma relativa pelos fatos expostos acima, ouseja, os valores de erro de predição aumentam ou abaixam relativamente à um cenárioatual. Mas não se pode afirmar de qual cenário se trata devido à não observação defaixa de valores distintas para o índice de inovação entre os cenários e para qualquerpaciente estudado como se pode observar na Tabela 4.6.

Não foi possível realizar uma classificação diretamente usando os parâmetros domodelo estimados com o algoritmo de mínimos quadrados recursivos (RMQ). Estestambém não apresentaram ao longo do tempo, faixas de valores distintos entre oscenários para os 4 paciente estudado.

A abordagem também se mostrou com baixo custo computacional e com atuali-zações em períodos relativamente curtos de tempo, que no caso deste trabalho é deaproximadamente a cada 16 segundos.

Conclui-se que o trabalho desenvolvido para classificação dos cenários de PVIutilizando o modelo identificado é promissor, mas apresenta pontos frágeis tais como:

• Tendência de crescimento no valor de inovação;

66 5 Conclusão

• Falta de uma referência numérica para distinção entre cenário de PVI nos pacien-tes estudados;

• Distinção entre sinal ruidoso e cenário III de PVI.

5.1.2 Classificação por meio do Periodograma

O método para classificação de cenários de PVI utilizando a estimativa da densidadeespectral de potência (PSD) por meio do periodograma mostrou-se eficiente quanto aoscenários estudados, onde cada um destes apresenta características distintas na formagráfica, quando visualizados os periodogramas dos sinais de fluxo e pressão. E tambémde forma quantitativa por meio do índice de correlação entre estas.

Quando o gráfico dos periodogramas é associado à medida de correlação, os cená-rios de PVI passam a ter também uma discriminação quantitativa como já dito, a qualse apresenta mais evidente para o cenário III.

Desta forma, sendo o cenário III a condição indesejada de PVI é possível com o usodos valores da correlação entre os periodogramas, a busca por controle automático dosequipamentos de ventilação mecânica no intuito de se evitar tal cenário.

O método abordado é uma observação direta de características contidas nos sinais eneste contexto, a classificação se deu 100% correta dentro das características observadas.Ou seja, as características selecionadas para se observar são discriminatórios quantoaos cenários estudado, com execeção do cenário III do paciente P03. A assincronia dedisparos ineficientes foi captada pelo índice de correlação em 57,7% das janelas testadasno cenário III do paciente P03 devido à baixa magnitude da assincronia em relação aosencontrados nos outros 3 pacientes.

A abordagem também se mostrou com baixo custo computacional necessitandoapenas da filtragem passa alta e cálculo da Transformada Rápida de Fourier (FFT) dossinais de fluxo e pressão. Tal fato proporciona uma conveniência quanto às atualizaçõesde informação, que são feitos em períodos relativamente curtos de tempo de aproxima-damente a cada 16 segundos para cada classificação. Isso promove a possibilidade deuma verificação pontual numa curta escala de tempo traduzindo-se num histórico deinformações detalhado para a importante avaliação clínica frente à ventilação mecânicainvasiva.

Avalia-se o método como consistente e de promissora aplicação técnica em equipa-mentos de ventilação mecânica invasiva. Sendo que analisa-se não a potência em umafaixa de frequência, mas sim, a posição relativa entre estas.

Avalia-se que a utilização da representação gráfica é uma abordagem de simples edireto entendimento para os profissionais de saúde na aplicação de ventilação mecânicabem como a utilização do índice de correlação no contexto de assincronia entre pacientee ventilador.

5.2 Sugestões para Trabalhos Futuros 67

5.2 Sugestões para Trabalhos Futuros

Durante o desenvolvimento e coleta de resultados, identificou-se pontos que podemtrazer avanços no contexto da classificação de cenários de PVI e robustez a pontosfragéis, que podem ser tratados em trabalhos futuros. Estas indicações seguem abaixo:

• Pesquisa de modelo com maior aderências aos sinais de saída dos cenários e quedesta forma evidenciem os cenários e em especial o cenário III como a condiçãoindesejada;

• Verificação de classificação dos cenários utilizando a dinâmica dos parâmetros domodelo, por meio de recursos de aprendizagem de máquinas como redes neuraise máquinas de vetores de suporte (SVM);

• Estudo de algoritmos que possam tratar a tendência de crescimento observadoem longas séries dos sinais do cenário I. Considerando o exposto por Abreu et al.(2016), de que algoritmos como os utilizados neste trabalho podem apresentardivergência do sinal quando não há persistência de excitação dos dados.

• Estudo e desenvolvimento de controle automático utilizando o índice de correla-ção para tratamento da falta de sincronismo em paciente e ventilador mecânicodenominado cenário III;

• Estudo para classificação automática de tipos de assincronia;

• Comparação entre métodos de estimação de densidade espectral de potência(PSD), quanto à sensibilidade de detecção de assincronia entre paciente e venti-lador.

Referências Bibliográficas

Abreu, P. E. O. G. B., Teixeira, B. O. S., e Mesquita, A. R. (2016). Estimação recursivade parâmetros variantes no tempo para sistemas com sinal de entrada com excitaçãointermitente. In Anais do XXI Congresso Brasileiro de Automática, Vitória.

Aguirre, L. A. (2015). Introdução à Identificação de Sistemas - Técnicas lineares e Não-lineares:Teoria e Aplicação. Editora UFMG, Belo Horizonte, 4 edição.

Andrade, G. R. (2012). Aspectos Históricos da Ventilação Mecânica: Revisão da Literatura.Dissertação de mestrado, Sociedade Brasileira de Terapia Intensiva, São Paulo.

Barbas, C. S. V., Ísola, A. M., Farias, A. M. d. C., Cavalcanti, A. B., Gama, A. M. C.,Duarte, A. C. M., Vianna, A., Serpa Neto, A., Bravim, B. d. A., Pinheiro, B. d. V.,Mazza, B. F., Carvalho, C. R. R. d., Toufen J A, C., David, C. M. N., Taniguchi, C.,Mazza, D. A. D. d. S., Dragosavac, D., Toledo, D. O., Costa, E. L., Caser, E. B., Silva,E., Amorim, F. F., Saddy, F., Galas, F. R. B. G., Silva, G. S., Matos, G. F. J. d., Emmerich,J. C., Valiatti, J. L. d. S., Teles, J. M. M., Victorino, J. A., Ferreira, J. C., Prodomo,L. P. d. V., Hajjar, L. A., Martins, L. C., Malbouisson, L. M. S., Vargas, M. A. d. O.,Reis, M. A. S., Amato, M. B. P., Holanda, M. A., Park, M., Jacomelli, M., Tavares, M.,Damasceno, M. C. P., Assunção, M. S. C., Damasceno, M. P. C. D., Youssef, N. C. M.,Teixeira, P. J. Z., Caruso, P., Duarte, P. A. D., Messeder, O., Eid, R. C., Rodrigues,R. G., Jesus, R. F. d., Kairalla, R. A., Justino, S., Nemer, S. N., Romero, S. B., e Amado,V. M. (2014). Recomendações brasileiras de ventilação mecânica 2013. parte i. RevistaBrasileira de Terapia Intensiva, 26:89 – 121.

Barreto, S. M. (2002). Volumes pulmonares. Jornal Brasileiro de Pneumologia, 28:83–94.

Bassuoni, A. S., Elgebaly, A. S., Eldabaa, A. A., e Elhafz, A. A. A. (2012). Patient-ventilator asynchrony during daily interruption of sedation versus no sedation pro-tocol. Anesthesia, Essays and Researches, 6:151–156.

Billings, S. A. e Aguirre, L. A. (1995). Effects of the sampling time on the dynamicsand identification of nonlinear models. Internacional Journal of Bifurcation and Chaos,5:1541–1556.

70 REFERÊNCIAS BIBLIOGRÁFICAS

Blanch, L., Villagra, A., Sales, B., Montanya, J., Lucangelo, U., Luján, M., García-Esquirol, O., Chacón, E., Estruga, A., Oliva, J., Hernández-Abadia, A., Albaiceta,G., Fernández-Mondejar, E., Fernández, R., Lopez-Aguilar, J., Villar, J., Murias, G.,e Kacmarek, R. (2015). Asynchronies during mechanical ventilation are associatedwith mortality. Intensive Care Med, páginas 633–641.

Bonassa, J. (2000). Princípios Básicos dos Ventiladores Artificiais. In: Carvalho CRR. Venti-lação Mecânica-Volume I-Básico. Editora Atheneu, São Paulo, 1 edição.

Caminal, P., Vallverdu, M., Giraldo, B., Benito, S., Vazquez, G., e Voss, A. (2005).Optimized symbolic dynamics approach for the analysis of the respiratory pattern.IEEE Transactions on Biomedical Engineering, 52(11):1832–1839.

Cardoso, A., Carvalho, N. C., Beda, A., e Aguirre, L. A. (2017). Classification of patternsduring patient-ventilator interaction by power spectral density. In Anais do I Simpósiode Inovação em Engenharia Biomédica - SABIO, páginas 1–4, Recife.

Carvalho, C. R. R. d., Toufen Junior, C., e Franca, S. A. (2007). Ventilação mecânica:princípios, análise gráfica e modalidades ventilatórias. Jornal Brasileiro de Pneumologia,33:54 – 70.

Chao, D. C., Scheinhorn, D. J., e Stearn-Hassenpflug, M. (1997). Patient-ventilatortrigger asynchrony in prolonged mechanical ventilation. Chest, páginas 1592–1599.

Chatburn, R. L. (2003). Mechanical Ventilation: A short course on the theory and applicationof mechanical ventilation. Mandu Press Ltda, Cleveland, 1 edição.

Coelho, A. A. R. e Coelho, L. S. (2004). Identificação de Sistemas Dinâmicos Lineares.Editora UFSC, Florianópolis, 1 edição.

Cooley, J. W. e Tukey, J. W. (1965). An algorithm for the machine calculation of complexfourier series. Mathematics of Computation, 19:297–301.

Corrêa, M. V. (2012). Identificação de Sistemas Dinâmicos Não-Lineares Utilizando ModelosNARMAX Racionais - Aplicação a Sistemas Reais. Dissertação de mestrado, Universi-dade Federal de Minas Gerais - UFMG, Belo Horizonte.

de Wit, M., Miller, K., Green, D., Ostman, H., Gennings, C., e Epstein, S. (2009).Ineffective triggering predicts increased duration of mechanical ventilation. CriticalCare Medicine, 37:2740–2745.

Dräger (2008). Instruções de utilização - evita xl. [Ventilador de cuidados intensivos -Software 7.0n].

Drinker, P. e Shaw, L. A. (1929). An apparatus for the prolonged administration of artifi-cial respiration: I. a design for adults and children. The Journal of Clinical Investigation,7(2):229–247.

REFERÊNCIAS BIBLIOGRÁFICAS 71

Eckmann, J.-P., Kamphorst, S. O., e Ruelle, D. (1987). Recurrence plots of dynamicalsystems. EPL (Europhysics Letters), 4(9):973–977.

Fadel, P., Barman, S., Phillips, S., e Gebber, G. (2004). Fractal fluctuations in humanrespiration. Journal of Applied Physiology, 97(6):2056–2064.

Garcia, C. (2005). Modelagem e Simulação de Processos Industriais e de Sistemas Eletromecâ-nicos. Editora USP, São Paulo, 2 edição.

Haykin, S. e Van Veen, B. (2001). Sinais E Sistemas. Bookman, Porto Alegre, 1 edição.

Júnior, M. H. V., Amato, M. B. P., Yoneyama, T., e H., T. (2016). Non-invasive estimationof respiratory muscle effort in patients under pressure support ventilation. Anais -XXV Congresso Brasileiro de Engenharia Biomédica, páginas 1598–1601.

José, A., Petrohilos, S., Dias, E., Oliveira, L., Baldini, D., Lobo, M., Pacheco, E., eChiavone, P. (2005). Bird mark 7: Avaliação e evolução clínica durante sua utilização.RBTI - Revista Brasileira Terapia Intensiva, páginas 94–97.

Kay, S. (2006). Intuitive probability and random processes using MATLAB®. SpringerScience & Business Media.

Lathi, B. (2007). Sinais e Sistemas Lineares. Bookman, Porto Alegre, 2 edição.

Ljung, L. (1998). System identification. Prentice Hall.

Marple, S. L. (1987). Digital Spectral Analysis : with applications. Englewood Cliffs, N.J. :Prentice-Hall.

Martelo, P. J. M. P. (2015). Ventiladores Pulmonares: Definição do Método de Calibração /Ensaio, Aplicação Regulamentar e Estudo da Situação Atual. Dissertação de mestrado,Instituto Superior de Engenharia do Porto - ISEP, Porto.

Mellott, K., Grap, M., Munro, C., Sessler, C., Wetzel, P., Nilsestuen, J., e Ketchum, J.(2014). Patient ventilator asynchrony in critically ill adults: Frequency and types.Heart and Lung: Journal of Acute and Critical Care, páginas 231–243.

Montgomery, D. C. e Runger, G. C. (2011). Applied Statistics and Probability for Engineers,volume 5. John Wiley and Sons, Hoboken.

Oppenheim, A., Willsky, A., e Nawab, S. (2010). Sinais e sistemas. Pearson, São Paulo, 2edição.

Públio, S. C. e Martins, J. A. (2010). Interação paciente ventilador nas diferentes fasesdo ciclo ventilatório em ventilação por pressão de suporte. Revista Médica de MinasGerais, 20:55–65.

72 REFERÊNCIAS BIBLIOGRÁFICAS

Pádua, A. e Martinez, J. (2001). Modos de assistência ventilatória. Medicina (RibeiraoPreto. Online), 34(2):133–142.

Rabarimanantsoa, H., Achour, L., Letellier, C., Cuvelier, A., e Muir, J.-F. (2007). Re-currence plots and shannon entropy for a dynamical analysis of asynchronisms innoninvasive mechanical ventilation. Chaos, 17(1):013115.

Sammon, M., Romaniuk, J. R., e Bruce, E. N. (1993). Bifurcations of the respiratorypattern associated with reduced lung volume in the rat. Journal of Applied Physiology,75(2):887–901.

Silverthorn, D. U. (2010). Fisiologia Humana: Uma abordagem integrada. Artmed EditoraS.A, Porto Alegre, 5 edição.

Sinderby, C., Liu, S., Colombo, D., Camarotta, G., Slutsky, A., Navalesi, P., e Beck, J.(2013). An automated and standardized neural index to quantify patient-ventilatorinteraction. Critical Care, páginas 17–R239.

site Fisioterapia em Terapia Intensiva (2017). Ventilador mecânico bird mark7. http://www.fisioterapiaemterapiaintensiva.blogspot.com.br/2008/12/bird-mark-7-descrio-do-aparelho.html. [Online; acessado em 06-agosto-2017].

site MATLAB Webserver (2017). Performance of the periodogram.http://matlab.izmiran.ru/help/toolbox/signal/spectra7.html. [Online; acessadoem 05-setembro-2017].

site Medicina Intensiva (2017). Ventilador mecânico pulmão de aço.http://www.medicinaintensiva.com.br/pulmao-aco-historia-fotos.htm. [Online; aces-sado em 06-agosto-2017].

Stoica, P. e Moses, R. (2005). Spectral Analysis of Signals. Prentice Hall, New Jersey, 1edição.

Suki, B. (2002). Fluctuations and power laws in pulmonary physiology. American journalof respiratory and critical care medicine, 166:133–7.

Tallo, F. S., Vendrame, L. S., Lopes, R. D., e Lopes, A. C. (2013). Ventilação mecânicainvasiva na sala de emergência: uma revisão para o clínico. Revista da SociedadeBrasileira de Clínica Médica, páginas 48–54.

Thille, A., Rodriguez, P., Cabello, B., Lellouche, F., e Brochard, L. (2006). Patient-ventilator asynchrony during assisted mechanical ventilation. Intensive Care Med,páginas 1515–1522.

Torres, L. H. S. (2012). Modelagem, identificação e controle adaptativo de sistema de bombeiomecânico para poços de petróleo. Dissertação de Mestrado, Universidade Federal daBahia, Salvador.

REFERÊNCIAS BIBLIOGRÁFICAS 73

Tortora, G. J. e Derrickson, B. (2012). Corpo Humano - Fundamentos de Anatomia e Fisiologia.Artmed Editora S.A, Porto Alegre, 8 edição.

West, J. B. (2012). Respiratory Physiology. Wolters Kluwer, Filadelfia, 9 edição.

Zhang, X. e Bruce, E. (2000). Fractal characteristics of end-expiratory lung volume inanesthetized rats. Annals of Biomedical Engineering, páginas 94–101.

Documents

Classiﬁcação de padrões e detecção de assincronia durante