Algoritmo de IA automatiza el análisis de EEG para detectar epilepsia con alta precisión
Actualizado el 01 Oct 2024
La epilepsia es uno de los trastornos neurológicos más comunes, afectando a 50 millones de personas en todo el mundo. Las convulsiones epilépticas son consecuencia de una actividad cerebral anormal y pueden provocar pérdida de conciencia, movimientos incontrolados y diversos deterioros visuales y cognitivos. En la actualidad, alrededor del 70 % de los pacientes con epilepsia experimentan el cese de las convulsiones mediante terapia médica o intervención quirúrgica. Para diagnosticar la epilepsia con precisión y prescribir el tratamiento adecuado, los médicos se basan en la identificación de los señales epilépticas en los registros de EEG. Sin embargo, este proceso requiere mucho tiempo, ya que los registros de EEG de un solo paciente pueden durar de horas a días Además, distinguir las señales específicas de la epilepsia de otras actividades cerebrales requiere una gran experiencia clínica y conocimientos especializados. Ahora, los científicos han desarrollado un algoritmo que supera los métodos automatizados existentes para detectar la epilepsia en los registros de EEG. El enfoque combina dos técnicas (un clasificador no supervisado y una red neuronal entrenable) con el objetivo de automatizar el análisis de EEG y simplificar el proceso de detección de la epilepsia.
Un equipo de científicos, incluidos investigadores de la Universidad Federal Báltica Immanuel Kant (Kaliningrado, Rusia), ha creado un método automatizado para detectar la actividad cerebral correspondiente a las crisis epilépticas en los registros de EEG. Para ello, han empleado un sistema de detección en dos etapas mediante la integración de dos enfoques diferentes. En la primera etapa, un algoritmo sencillo y no supervisado, conocido como clasificador, identifica las "emisiones", es decir, señales con intensidades que superan la actividad cerebral normal. Estas emisiones pueden representar crisis epilépticas, ruido externo o actividad cerebral atípica, como los husos del sueño. El clasificador produce una marca que incluye tanto las crisis epilépticas reales como varios falsos positivos.
En la segunda etapa, una red neuronal más compleja, basada en el aprendizaje automático, examina los registros de EEG "sospechosos" marcados por el clasificador. Esta red neuronal, específicamente un tipo convolucional que se utiliza a menudo en el análisis de imágenes, evalúa los datos de EEG como una imagen completa en lugar de señales individuales, identificando patrones asociados con la epilepsia. De esta manera, la red neuronal imita la forma en que un médico examina las señales y los espectros de EEG en busca de marcadores específicos de convulsiones epilépticas. Los investigadores probaron tanto el sistema de dos etapas como sus componentes individuales utilizando datos de EEG de 83 pacientes con epilepsia durante episodios de convulsiones y estados de calma.
Según los resultados publicados en la revista IEEE Access, la sensibilidad (capacidad de detectar señales de EEG anormales) del clasificador y la red neuronal individualmente fue del 90 % y el 96 %, respectivamente. Sin embargo, su especificidad, o capacidad de diferenciar la actividad epiléptica de otros tipos de señales cerebrales anormales, fue baja con un 12 % y 13 %. El sistema de dos etapas, aunque ligeramente menos sensible, del 84 %, tuvo una especificidad mucho más alta, del 57 %, lo que indica una reducción significativa de los falsos positivos. Esto hace que el enfoque combinado sea más adecuado para el uso clínico que cualquiera de los métodos por separado.
“El resultado obtenido promete la creación de un sistema automatizado de marcado de EEG epiléptico, que permite reducir significativamente las tareas rutinarias de los médicos epileptólogos, relacionadas con el marcado de registros largos”, dijo Alexander Hramov, jefe del proyecto e investigador en la Universidad Federal Báltica Immanuel Kant.
