In silico optimization of deep brain stimulation to enhance cognitive control: Improving performance and practicality with a continuous rolling arena

Para algunos pacientes con afecciones psiquiátricas graves y resistentes al tratamiento, el propio cableado del cerebro parece estar atrapado en un bucle de angustia que la medicación no puede romper. En estos casos, los médicos recurren a veces a un procedimiento llamado estimulación cerebral profunda, donde se colocan diminutos electrodos en lo profundo del cerebro para enviar pulsos eléctricos suaves a áreas específicas. Uno de tales objetivos es una región cerca del centro del cerebro conocida como la cápsula ventral y el estriado ventral, que desempeña un papel en cómo gestionamos nuestros pensamientos y emociones. Si bien esta terapia alberga una gran promesa, encontrar los ajustes adecuados para el dispositivo ha sido tradicionalmente un proceso lento y frustrante. Los médicos deben depender de que los pacientes describan cómo se sienten después de cada ajuste, un método que es subjetivo y puede tardar semanas o meses en lograrse correctamente. El desafío central es que el cerebro es complejo y los ajustes que mejor funcionan no son obvios; deben descubrirse mediante pruebas cuidadosas y repetidas.

Un nuevo estudio explora una forma de acelerar este proceso de descubrimiento permitiendo que el propio comportamiento del cerebro guíe los ajustes en tiempo real. En lugar de esperar a que un paciente diga que se siente mejor, los investigadores propusieron un sistema que observa qué tan rápido y con qué precisión realiza una persona una tarea mental mientras la estimulación está encendida. Se centraron en una tarea de control cognitivo específica, un tipo de ejercicio mental que requiere que una persona ignore la información distractora y se concentre en un objetivo. La idea era que, si los pulsos eléctricos estaban ayudando al cerebro, la persona completaría la tarea más rápido y con menos errores. Al medir estos tiempos de reacción directamente, el sistema podría decirle instantáneamente qué ajustes de los electrodos estaban funcionando mejor y cuáles no, sin necesidad de adivinar o esperar un informe subjetivo.

Para probar esta idea, los investigadores no comenzaron con pacientes humanos, sino que construyeron una simulación computacional detallada de un paciente sometido a esta terapia. Crearon un entorno virtual donde podían ejecutar miles de ensayos para ver cómo diferentes programas de computadora manejarían la búsqueda de los mejores ajustes. En esta simulación, compararon su nuevo enfoque con métodos más antiguos que intentaban adivinar el estado interno del cerebro basándose en los datos. El nuevo método, que llaman una arena de rotación continua, se salta el juego de las adivinanzas por completo. Toma la velocidad bruta de la reacción de la persona y la introduce directamente en un algoritmo adaptativo: un programa de computadora inteligente diseñado para aprender de la experiencia. Este programa trata la búsqueda del mejor contacto del electrodo como un juego en el que debe elegir la puerta correcta para abrir, aprendiendo de cada clic para evitar las puertas equivocadas y encontrar la mejor lo más rápido posible.

Los resultados de estas simulaciones mostraron que este enfoque directo era mucho más confiable que los métodos más antiguos y complejos. Cuando los investigadores intentaban estimar el estado oculto del cerebro a partir de los datos, el sistema se confundía por el ruido natural en las mediciones, lo que provocaba errores de juicio. Al eliminar ese paso intermedio y observar únicamente los tiempos de reacción brutos, el sistema evitaba amplificar ese ruido. En las simulaciones, este cambio redujo la tasa de error al elegir los ajustes correctos de los electrodos de casi un tercio de las veces a aproximadamente uno de cada diez. Además, al mantener las pruebas continuas en lugar de reiniciarlas cada día, el sistema pudo construir una historia más sólida de lo que funcionaba, lo que le permitió recuperarse rápidamente incluso si la condición del paciente cambiaba inesperadamente durante una sesión.

El estudio también abordó un problema práctico: la mayoría de los dispositivos tienen muchos contactos de electrodos, pero probarlos todos uno por uno tomaría demasiado tiempo. Los investigadores introdujeron un mecanismo que permitía al sistema concentrar su búsqueda en un grupo más pequeño de contactos a la vez, estrechando efectivamente el campo sin perder precisión. En sus pruebas, este enfoque logró gestionar con éxito la búsqueda de los mejores ajustes entre ocho contactos diferentes, probando activamente solo un grupo de cuatro en cualquier momento dado. Esta escalabilidad hizo que el proceso fuera lo suficientemente eficiente como para ajustarse a los límites del hardware médico del mundo real. Los hallazgos sugieren que un sistema construido sobre estos principios podría eventualmente permitir a los médicos programar estos dispositivos en una fracción del tiempo que les toma actualmente, utilizando tareas conductuales estándar en lugar de equipos especializados y costosos. El trabajo demuestra que, al escuchar directamente las señales de rendimiento del cerebro y eliminar capas innecesarias de interpretación, es posible crear un camino más robusto y práctico hacia la terapia cerebral personalizada.