⚛️ biophysics

Impact of Axon Model Complexity on Deep Brain Stimulation: A Comparative Analysis of MRG and Cohen Double-Cable Models

Este estudio demuestra que, si bien tanto el modelo de axón de doble cable de McIntyre-Richardson-Grill (MRG) como el de Cohen predicen eficazmente los resultados de la estimulación cerebral profunda, el modelo de Cohen, al ser más detallado, exhibe una mayor excitabilidad, umbrales de activación más bajos y una precisión predictiva superior, particularmente en lo que respecta a las respuestas dependientes de la frecuencia.

Autores originales: Bartels, R., Vinke, S., Rijpma, A., Nadimi, M.

Publicado 2026-08-27

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bartels, R., Vinke, S., Rijpma, A., Nadimi, M.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

La estimulación cerebral profunda es un tratamiento médico que utiliza pulsos eléctricos diminutos y precisos para calmar las señales caóticas de un cerebro enfermo, ofreciendo alivio para afecciones como la enfermedad de Parkinson. Imagine a un cirujano colocando un hilo delgado en lo profundo del cerebro y enviando una corriente suave y rítmica a través de él. Esta corriente actúa como un botón de reinicio para los circuitos neuronales, suavizando los temblores y la rigidez que atormentan a los pacientes. Sin embargo, encontrar los ajustes perfectos para esta corriente es un arte delicado. Si la señal es demasiado débil, no hace nada; si es demasiado fuerte, puede causar efectos secundarios no deseados. Para resolver este rompecabezas, los científicos construyen modelos computacionales del cableado del cerebro. Estos modelos actúan como laboratorios virtuales donde pueden probar miles de configuraciones eléctricas diferentes sin siquiera tocar a un paciente. La clave de estas simulaciones es comprender cómo el pulso eléctrico viaja a lo largo de los cables microscópicos del sistema nervioso, conocidos como axones, y cómo los despierta para que se disparen.

Durante años, los investigadores han dependido de un modelo computacional estándar para predecir cómo responden estos axones a la estimulación. Este modelo, conocido como el modelo MRG, trata el aislamiento alrededor de la fibra nerviosa como una barrera simple, asumiendo que la electricidad fluye principalmente a través del centro del cable. Pero descubrimientos recientes en biología han revelado una realidad más compleja. Los científicos descubrieron que el espacio entre la fibra nerviosa y su vaina de mielina aislante no es solo un espacio vacío o sellado, sino que es un canal conductor estrecho que permite que la electricidad fluya también a lo largo del exterior del cable. Este descubrimiento llevó a la creación de un nuevo modelo más detallado llamado modelo de Cohen, que incluye esta vía oculta. La pregunta seguía siendo: ¿realmente cambia este nivel adicional de detalle biológico las predicciones que los médicos usan para programar los estimuladores cerebrales, o es suficiente con el modelo más antiguo y simple?

Un equipo de investigadores del Centro Médico de la Universidad de Radboud se propuso responder a esto realizando una comparación directa de los dos modelos. No probaron esto en un nuevo grupo de pacientes, sino que utilizaron escaneos cerebrales de alta resolución de un único individuo que ya había recibido un estimulador cerebral profundo. Utilizando estos escaneos, construyeron una réplica digital precisa del cerebro de esa persona, incluyendo la ubicación exacta del electrodo y los haces específicos de fibras nerviosas, conocidos como la vía hiperdirecta, que conectan la corteza motora del cerebro con el área objetivo. Luego simularon el campo eléctrico generado por el dispositivo y lo hicieron pasar tanto por el viejo modelo MRG como por el nuevo modelo de Cohen para ver cómo predecían la reacción de los nervios.

Los resultados mostraron que, si bien ambos modelos coincidían en el comportamiento general de los nervios, el nuevo modelo predecía que los nervios eran significativamente más sensibles al pulso eléctrico. Cuando los investigadores aplicaron una corriente estándar de 2 miliamperios, el modelo más antiguo sugería que la estimulación activaría fibras nerviosas hasta a 6 milímetros de distancia del electrodo. El nuevo modelo, sin embargo, predijo que la misma corriente alcanzaría y activaría fibras hasta a 10 milímetros de distancia. En casi todos los casos que probaron, el nuevo modelo requería menos potencia eléctrica para despertar a las fibras nerviosas que el modelo antiguo. Esto sugiere que el canal conductor oculto en el aislamiento juega un papel real en ayudar al nervio a dispararse, haciendo que el cerebro sea más receptivo al tratamiento de lo que se pensaba anteriormente.

Los dos modelos también discreparon sobre cómo reaccionaban los nervios cuando cambiaba la velocidad de los pulsos eléctricos. Cuando los investigadores aumentaron la frecuencia de los pulsos, el nuevo modelo mostró que los nervios se volvían más difíciles de activar, requiriendo más potencia para seguir disparándose. Este comportamiento se alinea con lo que sucede en el tejido biológico real, donde los nervios necesitan un momento para recuperarse entre pulsos. En contraste, el modelo más antiguo mostró la tendencia opuesta, sugiriendo que los pulsos más rápidos hacían que los nervios fueran ligeramente más fáciles de activar. Esta diferencia es crucial porque implica que el modelo más antiguo podría no predecir con precisión cómo responderá un paciente si el médico cambia la velocidad de la estimulación para controlar los síntomas.

Para dar sentido a estas interacciones complejas, los investigadores entrenaron programas informáticos para aprender la relación entre los ajustes de estimulación y la respuesta nerviosa. Estos programas fueron alimentados con datos sobre qué tan lejos estaba el nervio del electrodo, cuánto duraba cada pulso y qué tan rápido se repetían los pulsos. Los programas aprendieron a predecir el umbral de activación —la potencia mínima necesaria para disparar el nervio— con una precisión notable. El nuevo modelo resultó ser ligeramente más fácil de predecir para la computadora, con sus resultados coincidiendo más estrechamente con los datos de la simulación que el modelo anterior. Esto indica que el comportamiento del nuevo modelo es más consistente y, quizás, más fiable para la planificación futura.

El estudio concluye que, si bien el modelo más antiguo sigue siendo una herramienta útil para estimar el área general de activación cerebral, el nuevo modelo ofrece una imagen más realista de cómo viaja la electricidad a través del cableado del cerebro. Los investigadores encontraron que la distancia entre el electrodo y la fibra nerviosa es el factor más importante para determinar si un nervio se disparará, superando con creces los efectos de la velocidad o la longitud del pulso. Sin embargo, los detalles estructurales del aislamiento del nervio sí importan. Al incluir el canal conductor debajo de la mielina, el nuevo modelo captura un nivel de verdad biológica que el modelo más antiguo pasa por alto. Para los médicos e ingenieros que diseñan futuros tratamientos, esto significa que, si bien el modelo simple puede proporcionar un buen punto de partida, el modelo más detallado puede ser necesario para ajustar la terapia con el fin de asegurar que sea tanto efectiva como segura para cada paciente individual.

Resumen Técnico: Impacto de la Complejidad del Modelo de Axón en la Estimulación Cerebral Profunda

Planteamiento del Problema
El modelado de la estimulación cerebral profunda (DBS, por sus siglas en inglés) se basa en modelos de neuronas biofísicas para estimar los umbrales de activación neural y predecir el volumen de tejido activado (VTA). Aunque el modelo de McIntyre–Richardson–Grill (MRG) ha sido durante mucho tiempo el estándar para simular las respuestas de los axones mielinizados, este trata la vía submielínica como mayormente pasiva y no cuantifica las resistividades periaxonal y paranodal. Un trabajo experimental reciente realizado por Cohen et al. sugiere que los espacios periaxonal y paranodal forman un nanocircuito conductor que permite el flujo de corriente longitudinal bajo la mielina, una característica ausente en las formulaciones clásicas. Este estudio aborda la brecha en la comprensión de cómo estas diferencias estructurales y electrofisiológicas entre el ampliamente adoptado modelo MRG y el modelo de doble cable más detallado de Cohen afectan los resultados previstos de la DBS, específicamente en lo que respecta a la excitabilidad, los umbrales de activación y la sensibilidad a los parámetros de estimulación.

Metodología
El estudio empleó un marco computacional específico para un paciente para comparar dos modelos axonales bajo las mismas condiciones de DBS:

Datos del Paciente e Imagenología: Una única paciente con la enfermedad de Parkinson (mujer de 69 años) se sometió a una DBS bilateral del núcleo subtalámico (STN). Se adquirieron imágenes multimodales (T1, T2 y difusión ponderada por gradiente) intraoperatorias y preoperatorias. El flujo de trabajo incluyó la extracción del cerebro, la segmentación de la materia gris/blanca y del STN, y la tractografía para reconstruir la vía hiperdirecta (HDP).
Modelado del Campo Bioeléctrico: Se construyó un modelo de elementos finitos (FEM) de un electrodo direccional Boston Scientific DB-2202 y el tejido cerebral circundante utilizando Gmsh y resuelto mediante Elmer FEM. El modelo incluyó una capa de encapsulación para tener en cuenta el tejido fibrótico. Las distribuciones de potencial eléctrico se computaron bajo una aproximación cuasiestática.
Modelos Axonales:
- Modelo I (MRG): Un modelo de doble cable estándar con 21 nodos de Ranvier, que trata el internodo como eléctricamente aislado con propiedades de mielina pasivas.
- Modelo II (Cohen): Un modelo de doble cable biofísicamente detallado que incorpora un nanocircuito periaxonal conductor (~53.7 Ω·cm) y una conductancia de mielina finita, derivada de registros de patch-clamp y de colorantes sensibles al voltaje.
Protocolo de Simulación: Se simularon 100 trayectorias axonales de la HDP utilizando el entorno NEURON. Ambos modelos fueron sometidos a pulsos bifásicos asimétricos con carga balanceada a través de diversas distancias (2–10 mm), anchos de pulso (60–120 μs) y frecuencias (80–300 Hz). La activación se definió por la generación de cinco potenciales de acción consecutivos.
Análisis: Se entrenaron regresores de aprendizaje automático (Regresión Lineal, Random Forest, Gradient Boosting) para predecir los umbrales de activación basados en la distancia, el ancho de pulso y la frecuencia. El acuerdo entre los modelos se evaluó mediante regresión lineal y análisis de Bland-Altman.

Contribuciones Clave

Comparación Sistemática: El estudio proporciona una comparación directa y controlada de los modelos MRG y Cohen dentro del mismo marco de simulación de DBS específico de un paciente, aislando el impacto del flujo de corriente submielínica en las métricas de activación.
Cuantificación de las Diferencias de Excitabilidad: Cuantifica cómo la inclusión de un nanocircuito periaxonal conductor altera los umbrales de activación y los patrones de reclutamiento espacial, demostrando que los detalles estructurales influyen significativamente en la eficacia prevista de la DBS.
Comportamiento Dependiente de la Frecuencia: La investigación destaca una divergencia crítica en la respuesta de frecuencia entre los dos modelos, desafiando la suposición de que todos los modelos de doble cable se comportan de manera similar bajo estimulación de alta frecuencia.
Modelado Predictivo: El estudio valida el uso de aprendizaje automático para predecir los umbrales de activación a partir de los parámetros de estimulación, mostrando que el modelo de Cohen, más complejo, ofrece métricas predictivas ligeramente superiores.

Resultados

Distancia de Activación y Umbrales: A 2 mA, el modelo de Cohen (Modelo II) alcanzó una distancia de activación de 10 mm, en comparación con los 6 mm del modelo MRG (Modelo I), lo que indica una mayor excitabilidad. En tractos de fibras emparejados, el modelo de Cohen requirió umbrales de activación más bajos en el 97.7% de los casos, con diferencias de umbral que oscilaron entre −1.40 mA y 0.27 mA.
Sensibilidad de los Parámetros: Ambos modelos mostraron una fuerte relación inversa entre el ancho de pulso y el umbral de activación. Sin embargo, exhibieron tendencias opuestas respecto a la frecuencia: el modelo de Cohen mostró un aumento de los umbrales a frecuencias más altas (1.23 mA a 80 Hz a 1.51 mA a 300 Hz), mientras que el modelo MRG mostró una ligera disminución (1.96 mA a 1.82 mA).
Desempeño del Aprendizaje Automático: El Gradient Boosting proporcionó la mejor precisión predictiva. El modelo de Cohen logró un $R^2$ de 0.986 (RMSE = 0.045 mA) en el conjunto de prueba, superando al modelo MRG ( $R^2$ = 0.977; RMSE = 0.089 mA).
Acuerdo de los Modelos: Si bien los modelos mostraron una fuerte correlación ( $R^2$ = 0.780, $r$ de Pearson = 0.883), se observó un sesgo sistemático donde el modelo MRG predijo umbrales más altos (sesgo medio de 0.631 mA).

Significancia y Afirmaciones
Los autores concluyen que, si bien ambos modelos estiman la activación inducida por DBS de manera confiable, las diferencias estructurales —específicamente la presencia de un nanocircuito periaxonal conductor en el modelo de Cohen— afectan significativamente la excitabilidad y el comportamiento dependiente de la frecuencia. El estudio afirma que el modelo de Cohen ofrece una representación más realista físicamente del flujo de corriente submielínica, lo que conduce a umbrales de activación más bajos y a una respuesta de frecuencia consistente con las reducciones observadas en la actividad neuronal a frecuencias más altas.

El artículo sostiene que cualquiera de los dos modelos puede utilizarse para derivar distancias de activación y estimar el volumen de tejido activado en simulaciones específicas de pacientes, siempre que se comprendan sus respectivas fortalezas y limitaciones. Enfatiza que la distancia del electrodo sigue siendo el determinante principal de la activación, mientras que el ancho de pulso y la frecuencia ejercen efectos secundarios. Los autores sugieren que la selección del modelo debe equilibrar la eficiencia computacional con el realismo biofísico según los requisitos de la aplicación específica, señalando que es necesaria una validación adicional con cohortes de pacientes más grandes y datos in vivo para avanzar en el modelado de DBS específico para cada paciente.

Más como este