EEG Microstate Aggregate Conditional Entropy Derived from Markov Modelling as a AD-Specific Biomarker: Differentiating Alzheimer’s Disease from Frontotemporal Dementia and Healthy Controls

Resumen Técnico: Entropía Condicional Agregada de Microestados de EEG como Biomarcador Específico para la Enfermedad de Alzheimer

Planteamiento del Problema
El cerebro en reposo opera cerca de una transición de fase crítica, un régimen asociado con la capacidad máxima de procesamiento de información y la flexibilidad dinámica. Las desviaciones de este régimen, caracterizadas por estructuras de transición restringidas en la dinámica neural, están implicadas en trastornos neurodegenerativos como la enfermedad de Alzheimer (EA). Aunque las métricas existentes para cuantificar la diversidad de la estructura de transición dependen fuertemente de la resonancia magnética funcional (fMRI), estos métodos son costosos, lentos y carecen de la resolución temporal requerida para el cribado en el punto de atención, particularmente en entornos de bajos recursos. Aunque los microestados de EEG ofrecen una ventana de alta resolución temporal hacia la dinámica cerebral a gran escala, ningún estudio previo ha aplicado el modelado de Markov basado en la teoría de la información a las secuencias de transición de microestados para derivar una métrica interpretable y fundamentada en la física capaz de diferenciar la EA de controles sanos (HC) y otras demencias como la demencia frontotemporal (DFT).

Metodología
El estudio utilizó datos de EEG en estado de reposo de 85 participantes (27 HC, 35 EA, 23 DFT) recuperados del conjunto de datos OpenNeuro ds004504. El flujo de trabajo de análisis consistió en:

1. Preprocesamiento: Filtrado de banda paso (1–40 Hz), re-referenciación de promedio e Independiente de Componentes (ICA) para el rechazo de artefactos utilizando MNE-Python.
2. Extracción de Microestados: Identificación de picos de Potencial de Campo Global (GFP) seguidos de un agrupamiento (clustering) de k-means modificado (K=4) para asignar etiquetas de microestados discretos (A–D) a las series temporales de EEG.
3. Modelado de Markov: Construcción de una matriz de probabilidad de transición empírica de primer orden ($T$) para cada participante. La validez del supuesto de Markov de primer orden fue confirmada mediante pruebas de razón de verosimilitud y el Criterio de Información Bayesiano (BIC) en una submuestra.
4. Derivación de la Métrica: Cálculo de la Entropía Condicional Agregada (ACE) de la matriz de transición, definida como la entropía condicional de Shannon promediada por filas:
   $$ACE(T) = \frac{1}{K} \sum_{i} H(X_{t+1} | X_t = i) = -\frac{1}{K} \sum_{i} \sum_{j} T_{ij} \log_2 T_{ij}$$
   Los autores demuestran formalmente que bajo el marco de Máxima Entropía (MaxEnt), donde la restricción de la distribución estacionaria se deriva de la propia matriz empírica, la matriz empírica $T$ es analíticamente la solución de máxima entropía. Por lo tanto, el cálculo directo de ACE($T$) es necesario y suficiente, sin requerir optimización numérica.
5. Análisis Estadístico: Las diferencias entre grupos se evaluaron mediante pruebas de Kruskal-Wallis y pruebas de permutación post-hoc (10,000 iteraciones) con corrección de Holm-Bonferroni. El rendimiento diagnóstico se evaluó mediante análisis de la curva ROC (AUC).

Contribuciones Clave

1. Pipeline Novedoso: Un flujo de trabajo de Python totalmente reproducible y de código abierto que traduce la extracción de microestados por k-means en una métrica ACE($T$) por participante con un fundamento de información teórica formal.
2. Fundamentación Teórica: Una derivación formal que confirma que ACE($T$) representa la entropía de la cadena de Markov máximamente aleatoria consistente con la ocupación observada de microestados, evitando la necesidad de aprendizaje profundo o procedimientos de ajuste complejos.
3. Diagnóstico Diferencial: Una demostración estadísticamente rigurosa de que la ACE($T$) diferencia la EA de los HC, con un enfoque específico en la especificidad de la enfermedad al incluir una cohorte de DFT.
4. Accesibilidad: Una implementación que no requiere infraestructura de RM ni software propietario, lo que la hace adecuada para el cribado neurológico escalable en entornos con recursos limitados.

Resultos

• Diferencias de Grupo: Se observó una diferencia significativa en la ACE($T$) entre los tres grupos (Kruskal-Wallis $H(2) = 7.464, p = 0.024$).
• EA vs. HC: Los participantes con EA exhibieron una reducción significativa de la ACE($T$) en comparación con los HC ($\Delta ACE = 0.067$ bits; Cohen's $d = 0.705$; Holm-corregido $p = 0.021$). Esta reducción corresponde a una estructura de transición de microestados más restringida. El AUC de clasificación para EA vs. HC fue de 0.691 (95% CI: 0.555–0.819).
• DFT vs. HC: Los participantes con DFT no difirieron significativamente de los HC ($p = 0.963$; AUC = 0.517). Los autores atribuyen este resultado nulo a una potencia estadística insuficiente ($n=23$) en lugar de una especificidad de enfermedad confirmada, señalando que el estudio carecía de potencia para detectar tamaños de efecto menores a $d=0.811$.
• EA vs. DFT: La EA mostró una ACE($T$) significativamente menor que la DFT ($\Delta ACE = -0.066$ bits; Holm-corregido $p = 0.042$).
• Benchmarking: La relación de potencia espectral theta/alpha superó a la ACE($T$) como clasificador univariante (AUC = 0.765 vs. 0.691). Las comparaciones con la Entropía de Permutación (PeEn) y la Entropía de Muestra (SampEn) se consideraron inconclusas debido a desajustes de parámetros en las condiciones de preprocesamiento optimizadas para la velocidad utilizadas en este estudio.
• Robustez: Los análisis de sensibilidad confirmaron que los resultados fueron estables a través de diferentes conteos de microestados ($K=3$ a $6$), umbrales de GFP y longitudes de época. Un análisis de control de la entropía de ocupación confirmó que la reducción de la ACE se debió a la restricción de la dinámica de transición y no a una ocupación desequilibrada de los microestados.

Significancia y Reivindicaciones
El artículo afirma que la entropía condicional agregada derivada de modelos de Markov de secuencias de microestados de EEG produce un biomarcador de diversidad de transición interpretable y fundamentado en la teoría. Su principal significancia radica en su capacidad para diferenciar la EA de los HC sin recurrir al aprendizaje profundo o a la infraestructura de RM. Los autores posicionan la ACE($T$) no como un reemplazo de los biomarcadores espectrales establecidos (que mostraron un AUC mayor en esta cohorte), sino como una métrica complementaria que ofrece una interpretabilidad superior y un vínculo directo con el concepto teórico de la dinámica neural restringida en la EA. El estudio enfatiza que los hallazgos son preliminares y requieren replicación en cohortes más grandes y multicéntricas con validación externa antes de que su utilidad clínica pueda ser plenamente evaluada. El trabajo evita explícitamente reclamar un mapeo formal a la teoría de la criticidad, enmarcando la conexión como conceptual en lugar de matemática.