Una crisis epiléptica puede durar apenas unos segundos, pero detectarla dentro de un electroencefalograma que registra horas de actividad cerebral exige revisar enormes cantidades de información.
En ese desafío se centra una investigación paraguaya que mejoró la capacidad de una inteligencia artificial para reconocer estos episodios a partir de señales cerebrales sin filtrar. El modelo logró una precisión del 86,59%, más de cinco puntos porcentuales por encima del resultado obtenido con las características tradicionales.
Édgar Heriberto Ayala, estudiante del Doctorado en Ciencias de la Computación de la Facultad Politécnica UNA, posgrado cofinanciado por el Consejo Nacional de Ciencia y Tecnología (Conacyt), logró una publicación científica internacional en el campo de la inteligencia artificial aplicada a la salud.
El trabajo reúne investigadores la Facultad de Ciencias Médicas, el Hospital Central del IPS y la Universidad Kwangwoon de Corea del Sur.
El equipo probó 25 características de las señales cerebrales que habían sido poco exploradas para este tipo de detección. Trece de ellas, según los autores, no tenían antecedentes documentados de uso para identificar crisis epilépticas en este tipo de estudios.
Para comprobar si estas nuevas características podían ayudar, los investigadores analizaron registros de pacientes con epilepsia de una base de datos internacional. Las señales fueron divididas en períodos de 10 segundos y la inteligencia artificial aprendió a distinguir entre momentos en los que ocurría una crisis y aquellos en los que no. Para hacer la prueba más exigente, se aseguró que los datos de un mismo paciente no aparecieran tanto en el entrenamiento como en la evaluación.
El resultado mostró que incorporar estas nuevas características mejoró la capacidad del sistema para detectar las crisis. Con las características tradicionales, el modelo alcanzó una precisión del 81,46 %. Al sumar las nuevas variables, el resultado subió a 86,59%. Utilizadas solas, las características menos exploradas también alcanzaron un 84,63% de precisión.
En otros términos, el sistema consiguió reconocer mejor los cambios que aparecen en la actividad eléctrica del cerebro durante una crisis.
También quisieron saber qué señales eran más importantes para que la inteligencia artificial tomara una decisión. El análisis mostró que 12 de las 20 características que más influyeron pertenecían al grupo de variables nuevas. Entre ellas se destacó una medida relacionada con la forma en que la actividad cerebral mantiene patrones a lo largo del tiempo.
Los autores destacan el carácter novedoso del trabajo atendiendo a que ‘‘presenta la primera evaluación sistemática y rigurosa de un conjunto de 25 características temporales” aplicadas a la detección de crisis epilépticas mediante electroencefalograma y bajo una evaluación que separa estrictamente a los pacientes.
Otro aspecto que resaltan es que el sistema trabaja directamente con las señales obtenidas del cerebro, sin necesidad de aplicarles previamente una serie de filtros.
“El marco propuesto opera directamente sobre señales sin filtrar, elimina las dependencias del preprocesamiento y ofrece interpretabilidad basada en SHAP (método)”, señalan.
Aunque los resultados son alentadores, el estudio todavía requiere nuevas pruebas antes de pensar en una aplicación clínica. La investigación se desarrolla bajo la tutoría del Prof. Dr. Diego P. Pinto-Roa y forma parte del proyecto EpilexIA, orientado al desarrollo de una herramienta de apoyo al diagnóstico de la epilepsia para IPS.
