Deep learning based reconstruction of central ABP waveforms from peripheral measurements for critical care patient monitoring

Background: The accurate assessment of a patient's hemodynamic status is a cornerstone of critical care. However, peripheral arterial blood pressure (ABP), which is standard to measure, is not equivalent to central aortic blood pressure (cABP), the true hemodynamic load experienced by the heart. This discrepancy is dangerously magnified in critically ill patients, particularly those in septic shock, who develop severe vascular dysfunction not uniform across the arterial tree leading to vascular decoupling and reversed pulse pressure amplification. The objective of this work is to evaluate the feasibility and accuracy of reconstructing central ABP from peripheral measurements in critically ill subjects. The reliability of such algorithm would pave the way for a safer, more informed and personalised haemodynamic management. Methods: We evaluated standard approaches, such as the Generalized Transfer Function (GTF), and proposed a deep learning-based solution: a one-dimensional U-Net architecture trained to perform waveform-to-waveform translation. The model was developed using a robust dataset of invasive, paired aortic and femoral ABP waveforms from animal sepsis experiments. The model's applicability to humans was enhanced using simulated human data to develop an age-dependent bias correction Results: The results challenged the validity of conventional methods, such as the GTF, in critical care settings, where patients' hemodynamic conditions are highly unstable and heterogeneous, making them unsuitable for tracking with a generalized population-based transfer function. On the contrary, the proposed U-Net model demonstrated high-fidelity reconstruction, achieving a mean R score of 0.9431 on the test set. It generalized well to external animal (R=0.8471) and simulated human (R=0.87) datasets. The model's estimates of key hemodynamic parameters were superior to standard clinical assumptions. Notably, it estimated central Mean Arterial Pressure (MAP) with a negligible bias of -0.065 mmHg and over 70\% tighter Limits of Agreement, compared to the common practice of using peripheral MAP as a surrogate for central MAP that had a much larger bias of -4.445 mmHg. The U-Net model also provided superior accuracy in estimating central systolic pressure and Pulse Pressure Amplification (PPA). Finally, it proved to be robust to wide variations in signal sampling frequency and quantization. Its clinical applicability was demonstrated by successfully tracking drug-induced cardiovascular changes in an external experimental dataset, and by classifying a subset of septic shock patients as "responders" or "non-responders" to therapy based on PPA trends. Conclusion: The proposed deep learning system successfully provides a reliable, real-time estimation of cABP waveform from peripheral signals in conditions where conventional methods are unreliable, such as critically ill conditions. This work paves the way to safer, more informed, real-time haemodynamic management and sepsis progression tracking systems at the ICU bedside.

Contesto: Una accurata valutazione dello stato emodinamico è fondamentale nei pazienti critici tipici della terapia intensiva. Tuttavia, la pressione arteriosa periferica (ABP), che è quella tipicamente misurata secondo la prassi clinica, non è equivalente alla pressione arteriosa aortica centrale (cABP), che rappresenta il reale afterload a cui è sottoposto il cuore. Questa discrepanza è soprattutto amplificata nei pazienti in condizioni critiche, in particolare quelli in shock settico, che sono spesso caratterizzati da un'importante disfunzione vascolare non uniforme nel sistema arterioso che tipicamente porta a fenomeni quali un disaccoppiamento vascolare e un’inversione dell’amplificazione della pressione pulsatoria. L’obiettivo di questo lavoro è valutare la fattibilità e l’accuratezza della ricostruzione della pressione arteriosa centrale a partire da misure periferiche in soggetti critici. L’affidabilità di tale algoritmo aprirebbe la strada a una gestione emodinamica del paziente più personalizzata ed efficace. Metodi: In questo lavoro abbiamo valutato approcci standard, come la Generalized Transfer Function (GTF), e proposto una nuova soluzione basata su deep learning: un'architettura U-Net unidimensionale addestrata per eseguire la ricostruzione dell'intera forma d'onda pressoria centrale da quella periferica. Il modello è stato sviluppato utilizzando un robusto set di dati di forme d'onda pressoria misurate in modo invasivo sia in aorta sia in arteria femorale durante diversi esperimenti animali di sepsi. L'applicabilità del modello all'uomo è stata migliorata utilizzando dati umani simulati per sviluppare una correzione del bias dipendente dall'età Risultati: I risultati hanno messo in discussione la validità dei metodi convenzionali, come la GTF, in contesti quali la terapia intensiva, dove le condizioni emodinamiche dei pazienti sono altamente instabili ed eterogenee, rendendole inadatte a essere tracciate tramite una funzione di trasferimento generalizzata su base popolazionale. Al contrario, il modello U-Net ha dimostrato un'ottima performance nella riconstruzione della forma d'onda pressoria centrale, raggiungendo un valore medio di R-score di 0,9431 sul test set. Le performance sono risultate accettabili anche su dataset esterni sia di esperimenti animali (R-score=0,8471) sia di dati umani simulati (R-score=0,87). Inoltre, la stima di alcuni parametri emodinamici chiave ottenuta con il modello è risultata superiore alla stima degli stessi utilizzando metodi clinici standard. In particolare, la pressione arteriosa media centrale (MAP) è stata stimata dal modello con un bias trascurabile di -0,065 mmHg e limiti di concordanza più stretti di oltre il 70\%, rispetto alla pratica comune di utilizzare la MAP periferica come surrogato di quella centrale, che è risultata invece meno precisa, con un bias più elevato di -4,445 mmHg. Il modello ha inoltre fornito una maggiore accuratezza nella stima della pressione sistolica centrale e dell'amplificazione della pressione pulsatoria (PPA). Infine, si è dimostrato robusto a variazioni ampie della frequenza di campionamento e della quantizzazione del segnale. La sua applicabilità clinica è stata dimostrata tracciando con successo le variazioni cardiovascolari indotte da farmaci in un dataset sperimentale esterno e classificando un sottoinsieme di pazienti in shock settico come “responder” o “non-responder” alla terapia sulla base delle variazioni della PPA. Conclusione: Il sistema di deep learning proposto è in grado di fornire una stima affidabile e in tempo reale della forma d'onda della pressione centrale a partire dai segnali periferici in condizioni in cui i metodi convenzionali risultano inaffidabili, come nei pazienti critici. Questo lavoro apre nuove prospettive per la gestione emodinamica e lo sviluppo di sistemi di monitoraggio bedside dei pazienti critici in terapia intensiva promuovendo una pratica clinica più personalizzata ed ottimizzata sul paziente.