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

En el panorama de la informática sanitaria, que evoluciona rápidamente, la IA ha surgido como una fuerza crucial para ayudar a los profesionales sanitarios a ser más eficientes y eficaces. La adopción de la IA en el campo médico ha dependido 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 la 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.¹

Las aplicaciones de la IA en neurología son muchas, desde permitir la cirugía robótica autónoma y la predicción de los resultados de la cirugía de epilepsia, hasta la clasificación automática de imágenes para los neurooncólogos.² Sin embargo, dentro del campo de la IA en neurología, que avanza rápidamente, algunos de los mayores beneficios provienen del uso de la IA para la interpretación de EEG. 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 reduce los costes a la vez que 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 alguna forma de clasificación de EEG³. Mediante la rápida identificación de las posibles anomalías, los algoritmos tradicionales llevan tiempo ayudando a neurólogos y a equipos de atención neurológica a priorizar los casos críticos, lo que permite intervenir más oportunamente 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. Los algoritmos avanzados actuales se entrenan con enormes conjuntos de datos validados, que entrenan a las herramientas para reconocer anomalías sutiles en las formas de onda de un EEG que la observación humana tal vez pasaría por alto. La IA en neurología es particularmente valiosa en situaciones de monitorización a largo plazo, donde identificar tendencias o cambios a lo largo del tiempo es esencial.⁴ Al señalar automáticamente las desviaciones de los patrones iniciales, los algoritmos garantizan que los neurólogos puedan abordar con prontitud incluso afecciones neurológicas que evolucionan rápidamente. Además, los algoritmos de aprendizaje profundo y las redes neuronales entrenadas correctamente con grandes conjuntos de datos debidamente anotados pueden reducir significativamente el tiempo que los equipos de atención neurológica dedican a la interpretación y el análisis de EEG.

Específicamente, se espera que las herramientas de IA en neurología para EEG reduzcan el tiempo y aumenten la eficiencia en varias áreas importantes, incluyendo:

• 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 y, más concretamente, de los algoritmos de aprendizaje profundo. Las revisiones sistemáticas sobre el uso de la IA para la descodificación neuronal de señales de EEG han mostrado un gran potencial, ya que los algoritmos de aprendizaje profundo sobresalen en el reconocimiento de patrones intrincados en conjuntos de datos grandes y complejos, identificando correlaciones ocultas en modelos de redes neuronales que los métodos tradicionales de interpretación de EEG suelen pasar por alto.⁵

• 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 más rápidamente que los métodos tradicionales. El aprendizaje profundo ha demostrado ser altamente competente en la detección de convulsiones epilépticas; por ejemplo, reduce significativamente el tiempo dedicado a revisar las grabaciones de EEG, que puede tardar 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 exactitud los eventos convulsivos, incluso en grabaciones ruidosas o complejas.⁶
  

• Categorización de las fases del sueño. Los algoritmos de IA se están entrenando en conjuntos de datos etiquetados que contienen grabaciones de EEG correspondientes a diferentes fases del sueño, como REM y NREM. Las herramientas de IA pueden reconocer patrones espectrales y temporales únicos asociados con cada fase del sueño ⁷. Al analizar las características de frecuencia y amplitud de las señales de EEG a lo largo del tiempo, estos algoritmos pueden clasificar y seguir con exactitud las transiciones entre las fases del sueño.

• Monitorización continua. Un estudio realizado en 2020 demostró que la tecnología de IA tiene el potencial de proporcionar monitorización en tiempo real de los datos de EEG, identificando cambios sutiles en los patrones de EEG que podrían indicar el inicio de eventos críticos y enviando alertas inmediatas a los equipos de atención neurológica⁸. La detección temprana durante la monitorización continua permite intervenciones más oportunas y eficaces, a la vez que minimiza el posible daño al paciente. Dado que los algoritmos de IA pueden identificar de inmediato patrones de EEG individualizados que se correlacionan con afecciones específicas o respuestas al tratamiento, los médicos pueden crear planes de tratamiento aún más personalizados, adaptados al perfil neurológico único de cada paciente, lo que ayuda a garantizar que no se pasen por alto eventos críticos, incluso durante periodos en los que el personal médico tal vez no esté revisando activamente los datos. Para las afecciones que requieren una monitorización a largo plazo, los algoritmos de IA pueden rastrear los cambios en los patrones de EEG a lo largo del tiempo y proporcionar información sobre el progreso de la enfermedad. Este análisis longitudinal facilita la planificación y el ajuste del tratamiento.

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. Para tareas de alta complejidad, como el análisis de EEG, la IA tiene el potencial de mejorar enormemente los resultados si se utiliza para aumentar y respaldar las capacidades humanas. Una vez que se establece la confianza entre los equipos de atención neurológica 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.⁹

La colaboración entre humanos y máquinas también requiere prestar mucha atención a los bucles de retroalimentación continua. La IA continúa aprendiendo a medida que recibe nuevos datos, mientras que la retroalimentación humana ayuda a perfeccionar y acelerar el rendimiento de los algoritmos. Así se logra una mejora de la capacidad para detectar patrones sutiles y eventos en tiempo real, una disminución del tiempo dedicado a tareas más repetitivas de interpretación de EEG y un aumento de las tasas de exactitud. Cuando se dispone de escasa pericia, las herramientas de IA pueden reducir significativamente el tiempo de diagnóstico, lo que mejora el acceso a la atención neurológica en comunidades remotas y desatendidas.

La integración de la IA en el análisis de EEG acelera procesos que tradicionalmente podían 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 IA continúa evolucionando, la colaboración entre humanos y máquinas definirá el futuro de la interpretación y el análisis de EEG, creando un enfoque más exacto, eficiente y centrado en el paciente para la atención 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/