← Volver al inicio

Dar voz a la monitorización cerebral: pacientes con epilepsia aportan información desde el móvil para ayudar a la IA a detectar crisis

Un estudio hospitalario con 13 personas conectó los datos de electroencefalografía a una interfaz conversacional para que los pacientes pudieran consultar cambios en su estado y señalar falsas alarmas del sistema. Los resultados preliminares respaldan la mejora conjunta de la detección entre personas y máquinas, pero aún no hay respuesta sobre si puede reducir las crisis epilépticas o mejorar la vida cotidiana.

By SURL BioNews

La monitorización electroencefalográfica permite registrar la actividad eléctrica del cerebro de los pacientes con epilepsia, pero no necesariamente responde de inmediato a sus preguntas: ¿el malestar que acaban de sentir estuvo acompañado de señales anormales? ¿Qué cambios hubo en el sueño? Un equipo de la Universidad de Pensilvania conectó los datos de monitorización a una interfaz conversacional en el móvil para intentar que los pacientes pudieran comprender sus propios datos y ayudar al sistema a aprender a partir de sus experiencias. Este estudio de prueba de concepto se publicó el 13 de octubre en *Nature Medicine*.

El estudio incluyó a 13 adultos sometidos a videoelectroencefalografía continua en una unidad de monitorización de epilepsia: 11 utilizaron electrodos en el cuero cabelludo y 2 recibieron monitorización intracraneal. Fue un estudio observacional de un solo centro que no modificó el tratamiento habitual. La plataforma conectó los datos electroencefalográficos del hospital, el análisis seguro en la nube y una aplicación móvil, con un modelo de lenguaje de gran tamaño que facilitaba la comunicación bidireccional. Por tanto, lo evaluado fue un prototipo de monitorización hospitalaria; su uso prolongado en el hogar aún debe validarse.

Los pacientes podían consultar tendencias de electroencefalografía y sueño, ver gráficos o registrar síntomas y sensaciones; el sistema, por su parte, podía enviar avisos y cuestionarios. Según Penn Medicine, el equipo analizó un total de 1,307 mensajes intercambiados, cuyo contenido se refería principalmente a las crisis, el sueño, las emociones y el estado mental. La función de la conversación no se limitaba a presentar datos, sino que también permitía incorporar experiencias subjetivas que los sensores no pueden obtener directamente.

Esta información aportada por los pacientes también sirvió como material para ajustar el modelo de detección de crisis. Los pacientes podían indicar qué avisos coincidían con sus experiencias y cuáles podían ser falsas alarmas, y el personal clínico podía revisar los eventos. El artículo informó de que, en un análisis que simulaba la actualización del modelo en orden cronológico, el ajuste fino con las anotaciones de los pacientes recogidas mediante la plataforma redujo las falsas alarmas en un 80.9%. Esto respalda que la información aportada puede ayudar a mejorar la detección, pero no puede interpretarse directamente como una reducción del número de crisis de los pacientes.

La capacidad de detección sigue presentando carencias claras. Entre los 11 pacientes que podían utilizar la función de anotación, el personal clínico confirmó 59 crisis, de las cuales los avisos del sistema original solo detectaron correctamente 8. Reducir las falsas alarmas y evitar que las crisis reales pasen inadvertidas son dos aspectos que deben evaluarse simultáneamente; las mejoras observadas en un pequeño estudio hospitalario tampoco bastan para demostrar que el sistema pueda emitir alertas de forma fiable en la vida cotidiana.

Otro fundamento del estudio son los datos que pueden verificarse. El conjunto de datos público de Pennsieve Discover abarca a los 13 participantes y enumera 597 archivos, con un total de 285.96 GB. Incluye registros electroencefalográficos continuos desidentificados, cronologías de las crisis, información comunicada por los pacientes, registros de sueño y medicación, así como las salidas del modelo y las métricas de evaluación antes y después del ajuste fino. El conjunto de datos se actualizó a su segunda versión el 13 de agosto y utiliza la licencia CC-BY-NC-SA-4.0, ofreciendo material para que otros investigadores reproduzcan y examinen los resultados.

El paso de la unidad hospitalaria al hogar requiere pruebas más prolongadas y con más pacientes. El artículo señala que, durante el estudio, personal del equipo revisaba diariamente las interacciones entre los pacientes y la IA; determinar si estas condiciones de supervisión pueden extenderse fuera del hospital es una cuestión importante para su implementación práctica. A continuación, el equipo evaluará la frecuencia y la gravedad de las crisis, la calidad de vida y el uso de servicios sanitarios. Por ahora, el resultado más claro es la creación de un canal para que los pacientes participen en la monitorización y la corrección del modelo; los beneficios clínicos aún deben demostrarse directamente.

References

  1. Penn Medicine
  2. Pennsieve Discover