Automated Detection of Seizures in Rodents: Use of Artificial Intelligence (AI) to Improve Racine Score Scoring

La epilepsia es una afección en la que las señales eléctricas del cerebro fallan, provocando movimientos repentinos y no controlados o cambios en la conciencia. Para comprender cómo tratar esto en las personas, los científicos suelen estudiarlo en animales pequeños como ratones, que comparten suficiente similitud genética para servir como modelos fiables. En estos experimentos, los investigadores observan de cerca a los animales para calificar la gravedad de sus convulsiones. Utilizan un sistema estándar llamado escala de Racine, que asigna un número a diferentes tipos de comportamiento, desde un tic en la nariz hasta una convulsión de todo el cuerpo. Durante décadas, esta calificación se ha realizado mediante observadores humanos que ven grabaciones de video. Aunque es necesario, este proceso manual es lento, agotador y propenso al error humano, ya que diferentes personas podrían interpretar el mismo movimiento de manera distinta. Esta inconsistencia puede dificultar saber si un nuevo medicamento está funcionando realmente o si el cambio en el comportamiento fue simplemente una cuestión de quién estaba observando.

Un equipo de investigadores de la Universidad de Punjab y la Universidad Minhaj en Pakistán ha comenzado a cambiar la forma en que se realiza este trabajo enseñando a las computadoras a observar los videos. Desarrollaron un sistema que utiliza inteligencia artificial para detectar automáticamente a los ratones en un video, seguir sus movimientos y clasificar la gravedad de sus convulsiones sin ayuda humana. Los investigadores comenzaron con grabaciones de video registradas originalmente para probar un nuevo tratamiento de origen vegetal para la epilepsia. Introdujeron estos videos en un programa informático diseñado para reconocer objetos, entrenándolo específicamente para encontrar a los ratones. Una vez que la computadora pudo encontrar a los animales de manera fiable, añadieron una segunda capa de software para realizar un seguimiento de cada ratón individual a medida que se movía por la jaula, asegurando que el sistema supiera qué estaba haciendo cada ratón, incluso si se cruzaban entre sí.

El sistema informático demostró ser bastante capaz de realizar su tarea. Identificó con éxito la presencia de un ratón en los fotogramas del video con un alto grado de confianza. Más importante aún, aprendió a distinguir entre un ratón que se comportaba normalmente y uno que estaba sufendo una convulsión. El sistema fue particularmente bueno detectando dos cosas específicas: un estado normal y tranquilo, y una etapa de convulsión severa en la que el ratón se levanta sobre sus patas traseras y las extiende rígidamente. También funcionó bien al identificar una etapa en la que las patas traseras del ratón están completamente extendidas. Aunque el sistema fue menos seguro sobre las etapas iniciales y sutiles de una convulsión, manejó los movimientos claros y dramáticos con una gran precisión. Los investigadores descubrieron que la computadora podía identificar correctamente estos comportamientos específicos aproximadamente el 77 por ciento de las veces en promedio, un resultado prometedor para un modelo de aprendizaje automático que trabaja con movimientos biológicos complejos.

El estudio también destacó los límites prácticos de este nuevo enfoque. La computadora tuvo algunas dificultades con los signos más tempranos de una convulsión porque esos movimientos son muy pequeños y difíciles de ver, y rara vez detectó las etapas de convulsión más extremas en las grabaciones disponibles. Los investigadores señalaron que el sistema tardaba una cantidad significativa de tiempo en procesar los videos, requiriendo más de tres segundos para analizar un solo fotograma en equipos estándar. Esto significa que observar un experimento de una hora tomaría mucho más tiempo que el propio experimento. Sin embargo, el equipo cree que con computadoras más rápidas y mejores configuraciones de grabación de video, estos obstáculos pueden superarse. Al automatizar la puntuación, los investigadores pretenden eliminar la conjetura y la fatiga del proceso, proporcionando una forma consistente y objetiva de medir qué tan bien funcionan los tratamientos para la epilepsia. Este cambio de los ojos humanos al análisis digital podría conducir a resultados más fiables en el desarrollo de fármacos, ayudando a los científicos a encontrar mejores formas de controlar las convulsiones tanto para animales como para personas.