Inteligencia artificial mejora la precisión en la interpretación del EEG de pacientes de la UCI

Las lecturas de electroencefalografía (EEG) son cruciales para detectar cuándo los pacientes inconscientes pueden estar experimentando o corren riesgo de sufrir convulsiones. Los EEG implican colocar pequeños sensores en el cuero cabelludo para medir las señales eléctricas del cerebro, que se visualizan como líneas que fluctúan en un gráfico. Durante una convulsión, estas líneas exhiben picos dramáticos similares a los de un sismógrafo durante un terremoto, lo que las hace fáciles de reconocer. Sin embargo, otras anomalías significativas pero más sutiles, conocidas como eventos similares a convulsiones, son más difíciles de identificar. Ahora, un modelo de aprendizaje automático de asistencia puede mejorar significativamente la forma en que los profesionales médicos interpretan los gráficos EEG de pacientes en entornos de cuidados intensivos.

Investigadores de la Universidad de Duke (Durham, Carolina del Norte, EUA) utilizaron algoritmos de aprendizaje automático "interpretables" para desarrollar esta herramienta computacional. A diferencia de los modelos típicos de aprendizaje automático, que a menudo son "cajas negras" que hacen imposible comprender cómo se llegó a las conclusiones, los modelos interpretables están diseñados para revelar los procesos detrás de sus conclusiones. El equipo comenzó analizando muestras de EEG de más de 2700 pacientes, y más de 120 expertos identificaron características clave en los gráficos, clasificándolas como convulsiones, uno de los cuatro tipos de eventos similares a convulsiones u "otros". Estos eventos aparecen en los gráficos de EEG como formas o patrones distintos, pero la variabilidad de estos gráficos significa que las señales pueden quedar oscurecidas por el ruido o mezclarse en gráficos confusos.

Debido a la ambigüedad de estos gráficos, el modelo fue entrenado para colocar sus decisiones dentro de un continuo en lugar de en contenedores separados bien definidos. Visualmente, este continuo puede compararse con una estrella de mar multicolor que evade a un depredador, y cada color representa un tipo diferente de evento similar a una convulsión. Cada brazo de diferente color representa un tipo de evento similar a una convulsión que el EEG podría representar. Cuanto más cerca coloca el algoritmo un gráfico específico hacia la punta de un brazo, más seguro está de su decisión, mientras que aquellos colocados más cerca del cuerpo central están menos seguros. Además, el algoritmo resalta los patrones de ondas cerebrales específicos que analizó para llegar a sus conclusiones y compara el gráfico en cuestión con tres ejemplos diagnosticados profesionalmente.

Este enfoque permite a los profesionales médicos centrarse rápidamente en secciones relevantes del EEG, evaluar si los patrones identificados son precisos o determinar si el análisis del modelo es incorrecto. Esta herramienta puede ser de gran ayuda incluso para aquellos con experiencia limitada en la lectura de EEG a tomar decisiones más informadas. Para validar la eficacia de esta tecnología, un equipo de ocho profesionales médicos con experiencia relevante clasificó 100 muestras de EEG en seis categorías, con y sin asistencia de IA. Su precisión mejoró significativamente con la IA, pasando del 47 % al 71 %, y superando a aquellos que utilizaron un algoritmo de "caja negra" más opaco en estudios anteriores. Los hallazgos se publicaron en la revista NEJM AI el 23 de mayo de 2024.

"Por lo general, la gente piensa que los modelos de aprendizaje automático de caja negra son más precisos, pero para muchas aplicaciones importantes, como ésta, simplemente no es cierto", dijo Cynthia Rudin, profesora Earl D. McLean, Jr. de Ciencias de la Computación y Eléctrica y Ingeniería Informática en Duke. “Es mucho más fácil solucionar problemas en los modelos cuando son interpretables. Y en este caso, el modelo interpretable era en realidad más preciso. También proporciona una vista panorámica de los tipos de señales eléctricas anómalas que ocurren en el cerebro, lo cual es realmente útil para el cuidado de pacientes críticamente enfermos”.

Enlaces relacionados:
Universidad de Duke