Una revisión publicada en The Lancet Digital Health documenta avances en detección de espigas, crisis epilépticas y pronóstico en pacientes críticos, aunque persisten barreras para su implementación generalizada.
Un equipo internacional liderado por Sándor Beniczky, del Centro Epiléptico Danés y la Universidad de Copenhague, publicó en The Lancet Digital Health la primera de dos revisiones sobre inteligencia artificial (IA) y epilepsia, en la que analiza el estado actual de los modelos de IA aplicados a la interpretación del electroencefalograma (EEG). El documento reúne evidencia sobre detección automatizada de descargas epileptiformes interictales, clasificación de EEG completos, detección de crisis en distintos escenarios clínicos y aplicaciones en evaluación prequirúrgica.
Los autores explican que la interpretación visual del EEG, realizada por personal altamente capacitado, enfrenta limitaciones importantes debido al volumen creciente de datos generados por monitoreos prolongados y a la baja concordancia entre observadores. Uno de los modelos más consolidados, llamado SpikeNet2, alcanzó un área bajo la curva ROC de 0.942 a nivel de descarga individual y redujo la tasa de falsos positivos de un promedio de 52 a nueve por hora, manteniendo una sensibilidad de 90%. Otro sistema, SCORE-AI, entrenado con más de 30 mil EEG de rutina y validado en múltiples centros internacionales, logró un desempeño equiparable al de expertos humanos para clasificar los registros como normales o anormales, y distinguir entre patrones focales, generalizados o difusos.
En el ámbito de cuidados intensivos, el modelo SPaRCNet, entrenado con datos de 2,711 pacientes, igualó o superó el desempeño de expertos en la identificación de crisis y patrones similares a crisis, con áreas bajo la curva de hasta 96% según la categoría evaluada. Otro sistema, el puntaje 2HELPS2B, permitió estratificar el riesgo de crisis en pacientes hospitalizados a partir de una hora de registro, con un área bajo la curva de 0.819, información que puede orientar la duración óptima del monitoreo continuo.
La revisión también documenta el uso de IA en evaluación prequirúrgica de epilepsia, donde redes neuronales convolucionales han mostrado buen desempeño para detectar espigas en registros intracraneales, con áreas bajo la curva de hasta 0.996, y para diferenciar oscilaciones de alta frecuencia patológicas de aquellas fisiológicas, lo que podría mejorar la predicción de resultados quirúrgicos según la cantidad de tejido generador de estas señales que se retire durante la cirugía.
Pese a estos avances, los autores señalan que la principal limitación para la adopción clínica generalizada sigue siendo la alta tasa de falsos positivos en los sistemas completamente automatizados, lo que ha llevado a priorizar enfoques semiautomatizados en los que un experto revisa y valida los hallazgos del modelo. También advierten sobre la falta de estándares comunes para validar y reportar el desempeño de estos algoritmos, la escasez de bases de datos abiertas y multicéntricas con anotaciones de múltiples expertos, y las barreras regulatorias y de costo que limitan el acceso a los paquetes de software ya aprobados por agencias como la FDA en Estados Unidos y la marca CE en la Unión Europea.
Los investigadores concluyen que, si bien la IA ya ha demostrado utilidad en la detección de descargas epileptiformes, la interpretación automatizada de EEG de rutina, la vigilancia de pacientes críticos y el apoyo a la evaluación prequirúrgica, se requiere colaboración entre investigadores, entidades reguladoras e industria para establecer estándares de validación y facilitar el acceso a estas herramientas en entornos con recursos limitados.
