{"id":46511,"date":"2024-06-14T10:50:54","date_gmt":"2024-06-14T16:50:54","guid":{"rendered":"https:\/\/saluddigital.com\/?p=46511"},"modified":"2025-10-18T15:51:28","modified_gmt":"2025-10-18T21:51:28","slug":"investigadores-se-apoyan-en-ia-para-leer-electroencefalografias-de-pacientes-en-cuidados-intensivos","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/investigadores-se-apoyan-en-ia-para-leer-electroencefalografias-de-pacientes-en-cuidados-intensivos\/","title":{"rendered":"Investigadores se apoyan en IA para leer electroencefalograf\u00edas de pacientes en cuidados intensivos"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Una nueva investigaci\u00f3n demuestra que la IA puede ser una herramienta importante para leer gr\u00e1ficos de electroencefalograf\u00edas de pacientes con riesgo de convulsi\u00f3n o eventos similares.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores de Duke University publicaron un art\u00edculo en NEJM AI<\/em>, en el cual detallan el desarrollo de un modelo de machine learning o aprendizaje autom\u00e1tico, que mejora la capacidad de los profesionales m\u00e9dicos para leer gr\u00e1ficos de electroencefalograf\u00eda (EEG) de pacientes de cuidados intensivos.<\/p>

Cabe destacar que las lecturas de EEG, son el \u00fanico m\u00e9todo para saber cu\u00e1ndo los pacientes inconscientes est\u00e1n en riesgo de sufrir una convulsi\u00f3n o est\u00e1n experimentando eventos similares. La inteligencia artificial (IA), en espec\u00edfico el machine learning, ser\u00eda clave para ayudar a salvar miles de vidas anualmente de personas en cuidados intensivos y adem\u00e1s evitar da\u00f1o cerebral.<\/p>

Los EEG funcionan a trav\u00e9s de peque\u00f1os sensores que se adhieren al cuero cabelludo de los pacientes para medir se\u00f1ales el\u00e9ctricas del cerebro. Este m\u00e9todo produce una larga l\u00ednea de garabatos hacia arriba y hacia abajo, sin embargo, cuando un paciente se est\u00e1 convulsionando, las l\u00edneas van de arriba a abajo con mayor frecuencia. Esta se\u00f1al es f\u00e1cil de identificar, pero existen otras anomal\u00edas m\u00e9dicamente relevantes denominadas eventos similares a convulsiones que son m\u00e1s complejas de reconocer.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cLa actividad cerebral que estamos observando existe a lo largo de un continuo, donde las convulsiones est\u00e1n en un extremo, pero todav\u00eda hay muchos eventos en el medio que tambi\u00e9n pueden causar da\u00f1o y requerir medicaci\u00f3n\u201d, dijo el Dr. Brandon Westover, profesor asociado de neurolog\u00eda en el Hospital General de Massachusetts y la Facultad de Medicina de Harvard. En este sentido, los patrones de EEG causados por eventos similares a convulsiones son m\u00e1s dif\u00edciles de categorizar con seguridad o incluso para los neur\u00f3logos m\u00e1s experimentados.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El desarrollo del algoritmo fue posible gracias al trabajo colaborativo con el laboratorio de Cynthia Rudin, profesora de Ciencias de la Computaci\u00f3n e Ingenier\u00eda El\u00e9ctrica e Inform\u00e1tica en Duke. Los investigadores recopilaron muestras de EEG de m\u00e1s de 2,700 pacientes y m\u00e1s de 120 especialistas seleccionaron las caracter\u00edsticas relevantes de los gr\u00e1ficos clasific\u00e1ndolas como:\u00a0 convulsi\u00f3n, uno de los cuatro tipos de eventos similares a una convulsi\u00f3n u \u201cotros\u201d. Cada clasificaci\u00f3n aparece en los gr\u00e1ficos de EEG en formas o repeticiones de l\u00edneas onduladas.<\/p>

Debido a la ambig\u00fcedad de los gr\u00e1ficos, el modelo fue entrenado para colocar sus decisiones dentro de un continuo en lugar de en contenedores separados bien definidos, explic\u00f3 el Dr. Stark Guo, miembro del laboratorio.<\/p>

El gr\u00e1fico en forma de estrella, es la representaci\u00f3n visual de c\u00f3mo el algoritmo de IA ayuda a los profesionales de la atenci\u00f3n m\u00e9dica a leer los patrones de EEG de pacientes en peligro de sufrir da\u00f1o cerebral debido a convulsiones o eventos similares a convulsiones. \u201cCada brazo de diferente color representa un tipo de evento similar a una convulsi\u00f3n que el EEG podr\u00eda representar. Cuanto m\u00e1s cerca el algoritmo coloca un gr\u00e1fico espec\u00edfico hacia la punta de un brazo, m\u00e1s seguro est\u00e1 de su decisi\u00f3n, mientras que aquellos colocados m\u00e1s cerca del cuerpo central son menos seguros\u201d, explican los autores.<\/p>

El algoritmo no solo permite esta clasificaci\u00f3n visual, sino que tambi\u00e9n se\u00f1ala patrones en las ondas cerebrales que utiliz\u00f3 para tomar su determinaci\u00f3n y proporciona tres ejemplos de gr\u00e1ficos diagnosticados profesionalmente que considera similares. Esto permite a un profesional m\u00e9dico mirar r\u00e1pidamente las secciones importantes y estar de acuerdo en que los patrones est\u00e1n ah\u00ed o decidir que el algoritmo est\u00e1 fuera de lugar”, dijo Alina Barnett, investigadora asociada postdoctoral en el laboratorio de Rudin.<\/p>

Para probar el algoritmo el equipo colaborativo hizo que ocho profesionales m\u00e9dicos con experiencia importante clasificaran 100 muestras de EEG en seis categor\u00edas, una con la ayuda de IA y otra sin ella. El rendimiento de todos los participantes mejor\u00f3 de manera significativa y su precisi\u00f3n general aument\u00f3 del 47% al 71%.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

DUKE<\/strong><\/p>

https:\/\/pratt.duke.edu\/news\/ai-eeg-seizure-model\/<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Una nueva investigaci\u00f3n demuestra que la IA puede ser una herramienta importante para leer gr\u00e1ficos de electroencefalograf\u00edas de pacientes con riesgo de convulsi\u00f3n o eventos similares. Investigadores de Duke University publicaron un art\u00edculo en NEJM AI, en el cual detallan el desarrollo de un modelo de machine learning o aprendizaje autom\u00e1tico, que mejora la capacidad de los profesionales m\u00e9dicos para leer gr\u00e1ficos de electroencefalograf\u00eda (EEG) de pacientes de cuidados intensivos. Cabe destacar que las lecturas de EEG, son el \u00fanico m\u00e9todo para saber cu\u00e1ndo los pacientes inconscientes est\u00e1n en riesgo de sufrir una convulsi\u00f3n o est\u00e1n experimentando eventos similares. La inteligencia artificial (IA), en espec\u00edfico el machine learning, ser\u00eda clave para ayudar a salvar miles de vidas anualmente de personas en cuidados intensivos y adem\u00e1s evitar da\u00f1o cerebral. Los EEG funcionan a trav\u00e9s de peque\u00f1os sensores que se adhieren al cuero cabelludo de los pacientes para medir se\u00f1ales el\u00e9ctricas del cerebro. Este m\u00e9todo produce una larga l\u00ednea de garabatos hacia arriba y hacia abajo, sin embargo, cuando un paciente se est\u00e1 convulsionando, las l\u00edneas van de arriba a abajo con mayor frecuencia. Esta se\u00f1al es f\u00e1cil de identificar, pero existen otras anomal\u00edas m\u00e9dicamente relevantes denominadas eventos similares a convulsiones que son m\u00e1s complejas de reconocer. \u201cLa actividad cerebral que estamos observando existe a lo largo de un continuo, donde las convulsiones est\u00e1n en un extremo, pero todav\u00eda hay muchos eventos en el medio que tambi\u00e9n pueden causar da\u00f1o y requerir medicaci\u00f3n\u201d, dijo el Dr. Brandon Westover, profesor asociado de neurolog\u00eda en el Hospital General de Massachusetts y la Facultad de Medicina de Harvard. En este sentido, los patrones de EEG causados por eventos similares a convulsiones son m\u00e1s dif\u00edciles de categorizar con seguridad o incluso para los neur\u00f3logos m\u00e1s experimentados. El desarrollo del algoritmo fue posible gracias al trabajo colaborativo con el laboratorio de Cynthia Rudin, profesora de Ciencias de la Computaci\u00f3n e Ingenier\u00eda El\u00e9ctrica e Inform\u00e1tica en Duke. Los investigadores recopilaron muestras de EEG de m\u00e1s de 2,700 pacientes y m\u00e1s de 120 especialistas seleccionaron las caracter\u00edsticas relevantes de los gr\u00e1ficos clasific\u00e1ndolas como:\u00a0 convulsi\u00f3n, uno de los cuatro tipos de eventos similares a una convulsi\u00f3n u \u201cotros\u201d. Cada clasificaci\u00f3n aparece en los gr\u00e1ficos de EEG en formas o repeticiones de l\u00edneas onduladas. Debido a la ambig\u00fcedad de los gr\u00e1ficos, el modelo fue entrenado para colocar sus decisiones dentro de un continuo en lugar de en contenedores separados bien definidos, explic\u00f3 el Dr. Stark Guo, miembro del laboratorio. El gr\u00e1fico en forma de estrella, es la representaci\u00f3n visual de c\u00f3mo el algoritmo de IA ayuda a los profesionales de la atenci\u00f3n m\u00e9dica a leer los patrones de EEG de pacientes en peligro de sufrir da\u00f1o cerebral debido a convulsiones o eventos similares a convulsiones. \u201cCada brazo de diferente color representa un tipo de evento similar a una convulsi\u00f3n que el EEG podr\u00eda representar. Cuanto m\u00e1s cerca el algoritmo coloca un gr\u00e1fico espec\u00edfico hacia la punta de un brazo, m\u00e1s seguro est\u00e1 de su decisi\u00f3n, mientras que aquellos colocados m\u00e1s cerca del cuerpo central son menos seguros\u201d, explican los autores. El algoritmo no solo permite esta clasificaci\u00f3n visual, sino que tambi\u00e9n se\u00f1ala patrones en las ondas cerebrales que utiliz\u00f3 para tomar su determinaci\u00f3n y proporciona tres ejemplos de gr\u00e1ficos diagnosticados profesionalmente que considera similares. Esto permite a un profesional m\u00e9dico mirar r\u00e1pidamente las secciones importantes y estar de acuerdo en que los patrones est\u00e1n ah\u00ed o decidir que el algoritmo est\u00e1 fuera de lugar”, dijo Alina Barnett, investigadora asociada postdoctoral en el laboratorio de Rudin. Para probar el algoritmo el equipo colaborativo hizo que ocho profesionales m\u00e9dicos con experiencia importante clasificaran 100 muestras de EEG en seis categor\u00edas, una con la ayuda de IA y otra sin ella. El rendimiento de todos los participantes mejor\u00f3 de manera significativa y su precisi\u00f3n general aument\u00f3 del 47% al 71%. BIBLIOGRAF\u00cdA DUKE https:\/\/pratt.duke.edu\/news\/ai-eeg-seizure-model\/<\/p>","protected":false},"author":1,"featured_media":46513,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-46511","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/46511","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=46511"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/46511\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/46513"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=46511"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=46511"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=46511"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}