Investigadores internacionales presentan avances en la detección de trastornos neurológicos con tecnología accesible.
El blefaroespasmo (BSP) es un trastorno neurológico que provoca contracciones involuntarias de los párpados, afectando la visión y la calidad de vida de quienes lo padecen. Su diagnóstico temprano es un desafío debido a la naturaleza episódica de los síntomas, lo que a menudo retrasa el tratamiento adecuado. Un estudio reciente publicado en npj Digital Medicine journal propone una solución innovadora: un modelo de artificial intelligence (AI) que analiza vídeos grabados con smartphones para detectar y evaluar la gravedad y frecuencia del BSP.
El estudio, desarrollado por investigadores de varias instituciones chinas y estadounidenses, utiliza un marco de aprendizaje profundo or deep learning llamado Dual Cross-Attention Video Vision Transformer (DCA-ViViT). Este modelo combina el análisis de características temporales en vídeos faciales con datos de landmarks faciales o puntos clave del rostro, evitando la pérdida de información crítica que ocurre en otros métodos.
Los resultados mostraron que el modelo alcanzó una alta precisión en la evaluación de la gravedad (0.828) y la frecuencia (0.82) del BSP, mientras que su desempeño en el diagnóstico fue moderado (0.674). Una ventaja destacable es su capacidad para identificar fragmentos específicos de los vídeos que contribuyen al diagnóstico, lo que mejora la interpretabilidad de las decisiones de la AI.
Además, en una evaluación prospectiva con 179 pacientes, se observó que la asistencia de la AI mejoró la precisión diagnóstica de oftalmólogos junior hasta en un 18.5%, demostrando su potencial como herramienta de apoyo en entornos clínicos.
Este avance representa un paso significativo hacia el diagnóstico temprano y accesible del BSP, especialmente en regiones con limitado acceso a especialistas. La integración de tecnología cotidiana, como los teléfonos inteligentes, con modelos de AI sofisticados abre nuevas posibilidades para la telemedicine y la atención neurológica.
Aunque el estudio tiene limitaciones, como el tamaño reducido de la muestra y la necesidad de validación externa, sienta las bases para futuras investigaciones en el campo de los trastornos del movimiento. En un futuro, esta tecnología podría extenderse a otros trastornos neurológicos con manifestaciones faciales, mejorando la calidad de vida de más pacientes.
