Ventajas de eficiencia de la tecnología de IA en neurología para EEG

En un panorama de rápida evolución de las TI sanitarias, la IA ha surgido como una fuerza fundamental para ayudar a los profesionales de la salud a ser más eficientes. La adopción de la IA en el campo médico depende de la especialidad y la aplicación, con algunas áreas que avanzan más rápido que otras. Durante muchos años, la cardiología, por ejemplo, ha utilizado la IA para pruebas de ECG y adquisición de imágenes con el fin de detectar con mayor facilidad anomalías cardíacas sutiles y realizar evaluaciones más oportunas. Lo mismo ocurre en radiología y mamografía, donde el uso de la tecnología de IA se ha disparado en la última década.ⁱ

Las aplicaciones de la IA para la neurología son muchas, desde permitir la cirugía robótica autónoma y predecir los resultados de la cirugía de epilepsia, hasta la autoclasificación de imágenes para los neurooncólogos.ⁱⁱ Sin embargo, dentro del campo de la IA en neurología, que avanza con rapidez, algunos de los mayores beneficios proceden del uso de la IA para la interpretación de EEG.ⁱⁱⁱ A medida que estas herramientas evolucionan y pasan de algoritmos de aprendizaje automático más tradicionales a tecnologías que incorporan aprendizaje profundo, neurólogos, epileptólogos, personal de neurodiagnóstico y otros profesionales sanitarios están experimentando un notable aumento en la eficiencia que, a la vez que reduce los costes, mejora los resultados de salud.

Las grabaciones de EEG generan grandes cantidades de datos, por lo que no es de extrañar que durante las últimas cuatro décadas se haya utilizado el aprendizaje automático en algún tipo de clasificación de EEG.^iv Al identificar rápidamente las posibles anomalías, los algoritmos tradicionales han ayudado durante mucho tiempo a los neurólogos y equipos de cuidados neurológicos a priorizar los casos críticos, lo que permite intervenciones más oportunas en pacientes con trastornos neurológicos graves. Es muy útil que ya existan grandes cantidades de registros de EEG validados, lo que proporciona a las herramientas de IA una amplia información de la que aprender.

Confianza en la IA para la revisión del EEG

Los algoritmos avanzados actuales se entrenan con enormes conjuntos de datos validados, entrenando a las herramientas para reconocer anomalías sutiles en las formas de onda del EEG que podrían pasar desapercibidas en la observación humana. La IA en neurología es especialmente valiosa en escenarios de monitoreo a largo plazo, donde es esencial identificar tendencias o cambios a lo largo del tiempo.^v Al señalar automáticamente las desviaciones de los patrones de referencia, los algoritmos garantizan que los neurólogos puedan abordar con prontitud incluso aquellas afecciones neurológicas que evolucionan rápidamente.^vi

Además, los algoritmos de aprendizaje profundo y las redes neuronales entrenadas correctamente en grandes conjuntos de datos debidamente anotados pueden reducir significativamente el tiempo que los equipos de neurocuidado dedican a la interpretación del EEG como resultado de la monitorización a largo plazo (LTM), ambulatoria y rutinaria.

Se espera que las herramientas de IA para EEG reduzcan el tiempo y aumenten la eficiencia en varias áreas destacadas, entre ellas:

• Extracción de características. Las señales de EEG son complejas y contienen grandes cantidades de información, por lo que la extracción de características de las señales de EEG es un elemento crítico para el éxito del aprendizaje automático, concretamente, de los algoritmos de aprendizaje profundo. Las revisiones sistemáticas sobre el uso de la IA para la decodificación neuronal de las señales de EEG han demostrado ser muy prometedoras, ya que los algoritmos de aprendizaje profundo destacan en el reconocimiento de patrones intrincados dentro de conjuntos de datos grandes y complejos, identificando las correlaciones ocultas dentro de los modelos de redes neuronales que los métodos tradicionales de interpretación de EEG a menudo pasan por alto.^vii

• Detección de eventos específicos. Al ser capaces de analizar grandes cantidades de datos, reconocer patrones intrincados y hacer predicciones precisas, los algoritmos pueden identificar eventos específicos en las grabaciones de EEG con más rapidez que los métodos tradicionales. El aprendizaje profundo ha demostrado ser altamente competente en la detección de convulsiones epilépticas; por ejemplo, reduce significativamente el tiempo de revisión de las grabaciones de EEG, que puede ser de algunas horas o incluso días para un solo paciente con convulsiones. Gracias a la capacidad de extraer automáticamente características relevantes de los datos de EEG, los modelos de aprendizaje profundo, como las redes neuronales convolucionales o recurrentes, pueden detectar con mayor rapidez y precisión los eventos convulsivos, incluso en grabaciones ruidosas o complejas.^viii

• Seguimiento a largo plazo. Las herramientas de EEG basadas en IA son cada vez más valiosas para el seguimiento a largo plazo (LTM), en el que se generan grandes volúmenes de datos durante horas o días. Estos sistemas pueden identificar y priorizar automáticamente los eventos clínicamente relevantes, ayudando a los médicos a gestionar los registros prolongados de manera más eficiente y efectiva. Al reconocer patrones de EEG individualizados que se correlacionan con afecciones específicas o respuestas al tratamiento, la IA también puede respaldar planes de atención más personalizados adaptados al perfil neurológico de cada paciente. Esto garantiza que no se pasen por alto sucesos críticos, incluso cuando el personal no esté revisando activamente los datos.

Interacción colaborativa entre humanos e inteligencia artificial

La institución Brookings define el concepto de colaboración entre humanos y máquinas como una relación que consta de tres elementos: el ser humano, la máquina y las interacciones e interdependencias entre ellos. En tareas altamente complejas, como el análisis de EEG, la IA tiene el potencial de mejorar enormemente los resultados cuando se utiliza para aumentar y respaldar las capacidades humanas. Una vez que se establece la confianza entre los equipos de neuroasistencia y la tecnología de IA, esta asociación da lugar a un enfoque sinérgico que va mucho más allá de lo que cualquiera de los dos podría lograr por separado. Por otro lado, cuando escasea la experiencia humana, las herramientas de IA pueden reducir significativamente el tiempo de diagnóstico, mejorando el acceso a la atención neurológica en comunidades remotas y desatendidas.

Muchas herramientas de IA continúan aprendiendo a medida que reciben nuevos datos, utilizando la retroalimentación humana para perfeccionar y acelerar el rendimiento de los algoritmos. En el contexto de autoSCORE, sin embargo, el modelo utiliza un algoritmo validado, no de aprendizaje, que se mantiene constante a lo largo del tiempo para garantizar la fiabilidad y la reproducibilidad. El inmenso valor de autoSCORE radica en la aplicación de un marco coherente y validado para la detección automática de eventos, que el experto humano revisa, valida e interpreta. Esta división de funciones garantiza la eficiencia y la coherencia sin comprometer la supervisión o el juicio clínico.

La integración de la IA en el análisis de EEG acelera procesos que tradicionalmente podrían tardar muchas horas, lo que aumenta significativamente la eficiencia de los equipos de atención neurológica. De cara al futuro, las herramientas de IA para la neurología tienen un enorme potencial. Los avances en el aprendizaje profundo y el reconocimiento de patrones seguirán perfeccionando la detección de eventos y ayudarán a identificar anomalías aún más sutiles en intervalos de tiempo cada vez más cortos. A medida que la inteligencia artificial evoluciona, se configurará el futuro de la interpretación y el análisis de los electroencefalogramas, colaborando con los médicos para lograr un enfoque más preciso, eficiente y centrado en el paciente de la asistencia neurológica.

FUENTES

1. Dobkin PL. Art of medicine, art as medicine, and art for medical education. Can Med Educ J. 2020 Dec 7;11(6):e172-e175. doi: 10.36834/cmej.70298. PMID: 33349773; PMCID: PMC7749674.
2. Ganapathy Krishnan, Abdul Shabbir Syed, Nursetyo Aldilas Achmad. “Artificial intelligence in neurosciences: A clinician’s perspective” Neurology India 2018, Volume 66, Issue Number 4, Page 934-939
3. Saeidi M, Karwowski W, Farahani FV, Fiok K, Taiar R, Hancock PA, Al-Juaid A. Neural Decoding of EEG Signals with Machine Learning: A Systematic Review. Brain Sci. 2021 Nov 18;11(11):1525. doi: 10.3390/brainsci11111525. PMID: 34827524; PMCID: PMC8615531.
4. Varatharajah Y, Berry B, Cimbalnik J, Kremen V, Van Gompel J, Stead M, Brinkmann B, Iyer R, Worrell G. Integrating artificial intelligence with real-time intracranial EEG monitoring to automate interictal identification of seizure onset zones in focal epilepsy. Neural Eng. 2018 Aug;15(4):046035. doi: 10.1088/1741-2552/aac960. Epub 2018 Jun 1. PMID: 29855436; PMCID: PMC6108188.
5. Deep learning-based electroencephalography analysis: a systematic review. Yannick Roy5,1, Hubert Banville5,2,3, Isabela Albuquerque4, Alexandre Gramfort2, Tiago H Falk4 and Jocelyn Faubert1. Published 14 August 2019 • © 2019 IOP Publishing Ltd. Journal of Neural Engineering, Volume 16, Number 5Citation Yannick Roy et al 2019 J. Neural Eng. 16 051001DOI 10.1088/1741-2552/ab260c
6. He C, Liu J, Zhu Y, Du W. Data Augmentation for Deep Neural Networks Model in EEG Classification Task: A Review. Front Hum Neurosci. 2021 Dec 17;15:765525. doi: 10.3389/fnhum.2021.765525. PMID: 34975434; PMCID: PMC8718399.
7. Djanian S, Bruun A, Nielsen TD. Sleep classification using Consumer Sleep Technologies and AI: A review of the current landscape. Sleep Med. 2022 Dec;100:390-403. doi: 10.1016/j.sleep.2022.09.004. Epub 2022 Sep 22. PMID: 36206600.
8. Kent Jessica, HealthITAnalytics. (2020, June 30). Artificial intelligence detects epileptic seizures in real time. https://healthitanalytics.com/news/artificial-intelligence-detects-epileptic-seizures-in-real-time
9. Resnick, D., & Wessel, D. (2021, February 18). Building Trust in human-machine teams. Brookings. https://www.brookings.edu/articles/building-trust-in-human-machine-teams/

052217 RevC