Una nueva investigación demuestra que la IA puede ser una herramienta importante para leer gráficos de electroencefalografías de pacientes con riesgo de convulsión o eventos similares.
Investigadores de Duke University publicaron un artículo en NEJM AI, en el cual detallan el desarrollo de un modelo de machine learning o aprendizaje automático, que mejora la capacidad de los profesionales médicos para leer gráficos de electroencefalografía (EEG) de pacientes de cuidados intensivos.
Cabe destacar que las lecturas de EEG, son el único método para saber cuándo los pacientes inconscientes están en riesgo de sufrir una convulsión o están experimentando eventos similares. La inteligencia artificial (IA), en específico el machine learning, sería clave para ayudar a salvar miles de vidas anualmente de personas en cuidados intensivos y además evitar daño cerebral.
Los EEG funcionan a través de pequeños sensores que se adhieren al cuero cabelludo de los pacientes para medir señales eléctricas del cerebro. Este método produce una larga línea de garabatos hacia arriba y hacia abajo, sin embargo, cuando un paciente se está convulsionando, las líneas van de arriba a abajo con mayor frecuencia. Esta señal es fácil de identificar, pero existen otras anomalías médicamente relevantes denominadas eventos similares a convulsiones que son más complejas de reconocer.
“La actividad cerebral que estamos observando existe a lo largo de un continuo, donde las convulsiones están en un extremo, pero todavía hay muchos eventos en el medio que también pueden causar daño y requerir medicación”, dijo el Dr. Brandon Westover, profesor asociado de neurología 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 más difíciles de categorizar con seguridad o incluso para los neurólogos más experimentados.
El desarrollo del algoritmo fue posible gracias al trabajo colaborativo con el laboratorio de Cynthia Rudin, profesora de Ciencias de la Computación e Ingeniería Eléctrica e Informática en Duke. Los investigadores recopilaron muestras de EEG de más de 2,700 pacientes y más de 120 especialistas seleccionaron las características relevantes de los gráficos clasificándolas como: convulsión, uno de los cuatro tipos de eventos similares a una convulsión u “otros”. Cada clasificación aparece en los gráficos de EEG en formas o repeticiones de líneas onduladas.
Debido a la ambigüedad de los gráficos, el modelo fue entrenado para colocar sus decisiones dentro de un continuo en lugar de en contenedores separados bien definidos, explicó el Dr. Stark Guo, miembro del laboratorio.
El gráfico en forma de estrella, es la representación visual de cómo el algoritmo de IA ayuda a los profesionales de la atención médica a leer los patrones de EEG de pacientes en peligro de sufrir daño cerebral debido a convulsiones o eventos similares a convulsiones. “Cada brazo de diferente color representa un tipo de evento similar a una convulsión que el EEG podría representar. Cuanto más cerca el algoritmo coloca un gráfico específico hacia la punta de un brazo, más seguro está de su decisión, mientras que aquellos colocados más cerca del cuerpo central son menos seguros”, explican los autores.
El algoritmo no solo permite esta clasificación visual, sino que también señala patrones en las ondas cerebrales que utilizó para tomar su determinación y proporciona tres ejemplos de gráficos diagnosticados profesionalmente que considera similares. Esto permite a un profesional médico mirar rápidamente las secciones importantes y estar de acuerdo en que los patrones están ahí o decidir que el algoritmo está 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 médicos con experiencia importante clasificaran 100 muestras de EEG en seis categorías, una con la ayuda de IA y otra sin ella. El rendimiento de todos los participantes mejoró de manera significativa y su precisión general aumentó del 47% al 71%.
