Neurociencia e IA médica · us
La retroalimentación de los pacientes enseña a la IA a detectar crisis epilépticas: un estudio con 13 personas explora la monitorización bidireccional del EEG
Mediante conversaciones por teléfono móvil, los pacientes pueden consultar su EEG, comunicar síntomas e indicar si las alertas son precisas. Un pequeño estudio hospitalario muestra que esta retroalimentación ayuda a reducir las falsas alarmas en simulaciones; aún queda por validar si puede mejorar la atención cotidiana.
El electroencefalograma (EEG) puede registrar la actividad eléctrica durante una crisis epiléptica, pero no necesariamente refleja lo que siente el paciente en ese momento. Si, después de emitir una alerta, un sistema de monitorización pudiera preguntar «¿Acabas de tener síntomas?», ¿podría la respuesta del paciente ayudarlo a aprender a detectar las crisis con mayor precisión? Un pequeño estudio publicado en *Nature Medicine* comienza a incorporar esta interacción bidireccional a la monitorización de la epilepsia.
Un equipo de la Universidad de Pensilvania, en Estados Unidos, reclutó a 13 pacientes adultos hospitalizados sometidos a monitorización continua mediante video-EEG: 11 con EEG de superficie y 2 con EEG intracraneal. Fue un estudio observacional de un solo centro que no modificó el tratamiento habitual; la mediana de participación fue de aproximadamente 4,9 días y su principal objetivo fue comprobar si el sistema podía funcionar y cómo lo utilizaban los pacientes.
La plataforma conecta la adquisición del EEG, el análisis seguro en la nube y una IA conversacional en el teléfono móvil. Algoritmos especializados analizan primero señales como la probabilidad de crisis y el sueño; después, la interfaz conversacional permite a los pacientes consultar datos, revisar tendencias o comunicar síntomas. El estudio analizó un total de 1.307 mensajes intercambiados. Según la Facultad de Medicina de la Universidad de Pensilvania, las interacciones abarcaron crisis, sueño, estado de ánimo y estado mental, lo que permite complementar los registros fisiológicos con la experiencia subjetiva de los pacientes.
La prueba clave consistió en determinar si estas respuestas podían mejorar el detector. Con los datos recopilados, los investigadores simularon la actualización del modelo en orden cronológico y evaluaron su rendimiento con datos posteriores que aún no se habían utilizado. En los 6 pacientes que aportaron anotaciones sobre las alertas del móvil, los resultados de la simulación tras ajustar el modelo con esa retroalimentación mostraron una reducción de la tasa de falsas alarmas y un aumento de la puntuación F1, una medida conjunta del rendimiento de detección. Esto respalda la viabilidad de la participación de los pacientes en una monitorización personalizada, pero la mejora del modelo se validó mediante un análisis simulado y no puede interpretarse directamente como un beneficio clínico a largo plazo.
La reducción de las falsas alarmas tampoco demuestra por sí sola que el sistema sea fiable. El artículo también informó de que, entre las alertas móviles en tiempo real que pudieron evaluarse, solo 8 de las 58 correspondían a crisis confirmadas clínicamente, mientras que en ese mismo periodo se confirmaron 59 crisis en total. Los pacientes pueden no responder, hacerlo con retraso o no percibir algunas crisis; por ello, sus anotaciones pueden aportar información para el aprendizaje, pero siguen sin sustituir la interpretación profesional.
La vista previa pública de un comentario publicado el 16 de octubre en *Nature Medicine* valoró positivamente la participación de los pacientes mediante conversaciones para ayudar a ajustar los detectores, y señaló que el reto más difícil es lograr que la IA responda de forma adecuada. Cuando el sistema habla de EEG y síntomas, reconocer las señales es solo una parte del proceso; cómo explicar los resultados inciertos y cuándo se necesita la intervención de profesionales sanitarios también influyen en la seguridad de su uso real.
El siguiente paso es pasar de las pruebas hospitalarias de corta duración a la vida cotidiana. El equipo de la Universidad de Pensilvania indicó que posteriormente evaluará el uso ambulatorio y resultados como la frecuencia de las crisis, la calidad de vida y las visitas a urgencias. Por ahora, este estudio ofrece una vía que puede someterse a validación: convertir la experiencia de los pacientes en datos de aprendizaje para el sistema de monitorización. Si esto puede aliviar la carga de la enfermedad es una cuestión que aún deberán responder estudios más amplios y prolongados.