Localising the Seizure Onset Zone from Routine Interictal and Ictal Scalp EEG Via a Factorised Spatiotemporal Ensemble Deep Learning Framework

La epilepsia es una afección en la que el cerebro experimenta tormentas eléctricas repentinas y no provocadas, lo que causa convulsiones. Para muchas personas, los medicamentos estándar no pueden detener estos eventos, dejándolas ante una difícil elección: vivir con el riesgo de sufrir convulsiones o someterse a una cirugía cerebral para extirpar el tejido específico que causa el problema. El éxito de esta cirugía depende enteramente de encontrar el punto de inicio exacto de la tormenta eléctrica, conocido como la zona de inicio de la convulsión. Actualmente, los médicos dependen del monitoreo hospitalario a largo plazo para captar una convulsión mientras ocurre, un proceso que puede tardar días, requiere que los pacientes suspendan su medicación y conlleva riesgos significativos. Alternativamente, utilizan electrodos invasivos colocados directamente en el cerebro, lo que implica una cirugía y posibles complicaciones. Debido a que capturar una convulsión es raro y difícil, los médicos a menudo tienen que adivinar dónde reside el problema basándose en los períodos de quietud entre las convulsiones, conocidos como períodos interictales. Estos períodos de quietud contienen picos eléctricos diminutos y fugaces que contienen pistas sobre el origen de la convulsión, pero estas señales suelen ser tenues y distorsionadas a medida que viajan a través del cráneo y el cuero cabelludo hasta los sensores en la superficie de la cabeza.

Un investigador ha desarrollado un nuevo sistema informático diseñado para leer estos períodos de quietud y localizar el probable lugar de origen de la convulsión sin la necesidad de una cirugía invasiva o de esperar a que ocurra una convulsión. Creó un marco de aprendizaje profundo, un tipo de inteligencia artificial que aprende por ejemplo, entrenado con miles de horas de grabaciones de ondas cerebrales de rutina de pacientes con epilepsia resistente a los fármacos. El sistema fue enseñado a reconocer los patrones sutiles de los picos eléctricos que ocurren entre las convulsiones y a mapearlos a una de las seis regiones principales del cerebro. Para hacer esto posible, el investigador construyó un modelo que trata el tiempo de la señal eléctrica y su ubicación en el cuero cabelludo como dos eventos separados pero conectados. Este diseño ayuda a la computadora a entender que una señal puede verse diferente dependiendo de dónde se mida, superando el desenfoque natural que ocurre cuando la electricidad pasa a través de la cabeza. El modelo fue probado en un gran grupo de pacientes y demostró ser altamente preciso, identificando correctamente la región cerebral involucrada en la gran mayoría de los casos. Funcionó bien incluso con datos de diferentes hospitales y en grabaciones de niños, lo que sugiere que puede manejar las variaciones naturales encontradas en la práctica médica del mundo real.

El investigador recopiló un conjunto de datos masivo que comprende más de 6,000 horas de grabaciones de ondas cerebrales de 100 pacientes. Limpió cuidadosamente estos datos, eliminando el ruido y estandarizando la forma en que se medían las señales, antes de introducirlos en su sistema. La computadora fue entrenada para buscar formas específicas de picos eléctricos que duran desde una fracción de segundo hasta unas pocas décimas de segundo. En lugar de intentar encontrar un único patrón perfecto, el sistema utiliza múltiples capas de análisis para captar estas señales a diferentes velocidades, de manera muy similar a como un patólogo podría examinar una muestra de tejido bajo diferentes aumentos para ver tanto los detalles finos como las estructuras más amplas. Una vez que el sistema identifica estas señales, utiliza un método especializado para decidir de qué parte del cerebro provienen. Lo hace separando la pregunta de "cuándo" ocurrió la señal de la pregunta de "dónde" fue registrada, lo que le permite rastrear la trayectoria de la actividad eléctrica con más claridad que los métodos anteriores.

Los resultados de este estudio son prometedores. Cuando se probó en un grupo de pacientes que nunca había visto, el sistema identificó correctamente la zona de inicio de la convulsión en casi el 89 por ciento de las sesiones. Este rendimiento fue significativamente mejor que el de los modelos informáticos existentes, que a menudo tienen dificultades para distinguir entre diferentes regiones cerebrales cuando trabajan con grabaciones estándar no invasivas. El sistema también mostró una fiabilidad notable cuando se probó en un grupo separado de pacientes de un hospital diferente, incluyendo a muchos niños, alcanzando una precisión de más del 84 por ciento. Quizás lo más importante es que el sistema no dio falsas alarmas cuando se probó en grabaciones de personas sanas sin antecedentes de epilepsia, identificando correctamente que no había actividad de convulsión que reportar. Esta capacidad para distinguir las señales cerebrales reales del ruido inofensivo es crucial para el uso clínico, ya que significa que la herramienta puede ser confiable para señalar solo los casos que realmente necesitan la atención de un médico.

Más allá de la precisión, el sistema ofrece una mejora drástica en la velocidad. Una grabación completa de 24 horas de actividad cerebral, que típicamente requiere que un equipo de expertos revise durante horas o incluso días de forma manual, puede ser procesada por este sistema en poco más de cuatro minutos. El tiempo real que la computadora pasa analizando las ondas cerebrales es de menos de ocho segundos; el resto del tiempo se dedica simplemente a leer los archivos de datos y prepararlos para el análisis. Esta velocidad sugiere que la herramienta podría utilizarse para evaluar rápidamente a los pacientes, resaltando las áreas de mayor preocupación para que un especialista las revise en detalle. El investigador enfatiza que este sistema no pretende reemplazar el juicio de un neurólogo, sino actuar como un poderoso asistente. Al reducir el área de búsqueda y proporcionar una sugerencia clara basada en datos de dónde podría comenzar la convulsión, podría ayudar a los médicos a planificar cirugías más precisas y reducir la necesidad de que los pacientes se sometan a un monitoreo prolongado y riesgoso o a procedimientos invasivos.

El estudio también exploró qué tan bien funciona el sistema cuando no tiene marcadores específicos que le indiquen exactamente cuándo ocurrió un pico, simulando un escenario del mundo real donde un médico podría no tener un registro perfecto de cada evento. Incluso en estas condiciones, el sistema mantuvo un alto nivel de precisión, identificando correctamente la región cerebral en aproximadamente dos tercios de los casos, lo que representa una mejora significativa respecto al azar. El investigador encontró que el sistema era particularmente bueno identificando convulsiones en los lóbulos frontal y temporal, que son los sitios más comunes de la epilepsia. Fue ligeramente menos preciso para el lóbulo occipital en la parte posterior de la cabeza, probablemente debido a la dificultad de detectar señales de esa área a través del cráneo, pero el sistema aun así logró identificar estos casos con más frecuencia que los métodos anteriores. El investigador también observó que el sistema aprendió a ignorar distracciones comunes, como movimientos musculares o parpadeos, que a menudo confunden a otros programas informáticos, porque se centró en la forma específica en que las señales eléctricas viajan a través del cerebro en lugar de solo en su forma.

Este trabajo representa un paso significativo hacia la realización de un tratamiento de la epilepsia más seguro y eficiente. Al demostrar que las grabaciones cerebrales rutinarias y no invasivas contienen suficiente información para localizar la fuente de las convulsiones con alta precisión, el investigador ha abierto un nuevo camino para el diagnóstico. La capacidad del sistema para generalizarse a través de diferentes grupos de pacientes, incluyendo niños y adultos de distintos hospitales, sugiere que podría ser una herramienta confiable para clínicas de todo el mundo. Si bien el investigador reconoce que se necesitan más pruebas para confirmar estos hallazgos en ensayos clínicos prospectivos, los resultados actuales ofrecen una base sólida para un futuro donde los pacientes puedan recibir diagnósticos más rápidos y precisos sin la necesidad de procedimientos invasivos. La herramienta sirve como un puente entre la realidad compleja y ruidosa de los datos de ondas cerebrales y la información clara y accionable que los médicos necesitan para ayudar a sus pacientes.