Deep Learning for Automated Tic Detection and Prediction in Tourette Syndrome Using Electromyography and Video

El síndrome de Tourette es una afección neurológica caracterizada por movimientos o sonidos repentinos e involuntarios llamados tics. Para las personas que viven con este trastorno, estos tics pueden variar desde un rápido parpadeo hasta un complejo encogimiento de hombros o un estallido vocal. Aunque la afección es bien conocida, medirla con precisión en un entorno clínico sigue siendo difícil. Actualmente, los médicos dependen de que los pacientes o los cuidadores recuerden con qué frecuencia ocurren los tics durante la última semana, o bien observan breves clips de video grabados en un consultorio. Ambos métodos son imperfectos; la memoria humana es falible y una breve visita al consultorio podría no captar el panorama completo de la experiencia diaria de un paciente. Debido a que los tics fluctúan en intensidad y pueden suprimirse temporalmente, capturarlos de manera objetiva requiere una herramienta que pueda observar y escuchar continuamente sin fatigarse.

Los investigadores están recurriendo cada vez más a la tecnología para resolver este problema, utilizando sensores para registrar la actividad muscular y cámaras para registrar el movimiento. Uno de estos esfuerzos proviene de un equipo de la Universidad de Florida, que se propuso construir un sistema informático capaz de detectar tics en tiempo real. Querían saber si la inteligencia artificial podía aprender a distinguir entre una persona en reposo, moviendo sus músculos de forma voluntaria y teniendo un tic, utilizando únicamente las señales eléctricas de sus músculos y grabaciones de video de su cuerpo. Su objetivo era crear una forma fiable de monitorear la afección, lo que eventualmente podría ayudar a los médicos a ajustar los tratamientos o incluso a activar terapias automáticamente cuando esté a punto de ocurrir un tic.

El equipo recopiló datos de dieciséis adultos diagnosticados con el síndrome de Tourette. Cada persona visitó una clínica en múltiples ocasiones durante tres meses, durante las cuales los investigadores registraron su actividad muscular utilizando ocho pequeños sensores colocados en sus brazos y cuello. Al mismo tiempo, una cámara de alta definición filmó sus movimientos. Para asegurar que la computadora aprendiera las lecciones correctas, cuatro expertos revisaron las grabaciones de video y marcaron exactamente cuándo ocurría un tic, cuándo la persona estaba en reposo y cuándo se movía voluntariamente. Los investigadores luego introdujeron estos datos emparejados —señales musculares y etiquetas de video— en tres tipos diferentes de modelos informáticos diseñados para reconocer patrones. Probaron estos modelos de dos maneras: primero, pidiéndoles que identificaran qué estaba sucediendo en el momento actual, y segundo, pidiéndoles que predijeran qué sucedería en el siguiente momento.

Una parte clave del estudio consistió en probar cuánto tiempo necesitaba la computadora ver antes de poder tomar una decisión. Los investigadores inicialmente suponían que, debido a que los tics son muy breves, la computadora funcionaría mejor si observaba segmentos de tiempo muy cortos, quizás de solo un segundo. Probaron ventanas de uno, cinco y diez segundos. Los resultados los sorprendieron. Cuando la tarea consistía en detectar un tic que ya estaba ocurriendo, la computadora funcionó mejor cuando observaba una ventana de cinco segundos. El modelo pudo identificar los tics con un AUC de 0.79 en este marco de tiempo más largo, lo que sugiere que la firma eléctrica de un tic se desarrolla a lo largo de unos pocos segundos y se beneficia de un poco de contexto para ser reconocida claramente. En contraste, cuando la computadora intentaba predecir un tic antes de que ocurriera, funcionó mejor con la ventana más corta, de un segundo. Esto indica que las señales de advertencia de un tic inminente son muy recientes y fugaces, lo que requiere que el sistema se concentre en el pasado inmediato en lugar de en un historial más largo.

El estudio encontró que los modelos informáticos eran generalmente mejores para detectar un tic mientras ocurría que para predecirlo antes de que sucediera. El modelo más exitoso para la detección, que utilizó un tipo específico de red neuronal diseñada para datos basados en el tiempo, alcanzó un AUC de 0.79. Si bien este es un resultado sólido, los investigadores señalaron que el sistema aún no es perfecto. Los modelos tuvieron más dificultades con la predicción de tics futuros, y su rendimiento varió dependiendo de la longitud de la ventana de tiempo que analizaron. El equipo también observó que los modelos informáticos aprendían mejor cuando eran entrenados con datos donde las señales musculares se correspondían con las etiquetas de video de los expertos, en lugar de depender únicamente de las señales musculares.

Los investigadores fueron cuidadosos al señalar los límites de su trabajo. Los datos provinieron de un grupo específico de pacientes que ya habían sido sometidos a una cirugía de estimulación cerebral profunda, lo que podría hacer que sus señales musculares sean diferentes de las de la población general. Los sensores se colocaron en los brazos y el cuello, lo que significa que el sistema no podía detectar tics vocales o tics faciales que no involucraran esos músculos específicos. Además, los expertos que etiquetaron los datos de video no siempre estuvieron de acuerdo perfectamente sobre cuándo comenzaba o terminaba exactamente un tic, lo que introduce una pequeña cantidad de incertidumbre en el proceso de entrenamiento. A pesar de estas limitaciones, el estudio proporciona un punto de referencia claro de lo que es posible. Sugiere que para la detección de tics, un sistema necesita unos pocos segundos de datos para estar seguro, pero para la predicción, debe reaccionar instantáneamente a las señales más recientes.

Este trabajo sienta las bases para futuras herramientas que podrían monitorear el síndrome de Tourette de manera continua y objetiva. En lugar de depender de la memoria o de breves visitas al consultorio, un sistema construido sobre estos hallazgos podría potencialmente rastrear la condición de una persona durante días o semanas, proporcionando una imagen completa de sus síntomas. Aunque los modelos actuales aún no están listos para el uso diario, el estudio demuestra que combinar sensores musculares con análisis de video e inteligencia artificial ofrece un camino prometedor. Al comprender exactamente cuánto tiempo necesita la computadora para ver un tic y cómo difiere de un movimiento voluntario, los científicos pueden comenzar a diseñar sistemas que ayuden a gestionar la afección de manera más efectiva, acercándose a un futuro donde el tratamiento pueda ajustarse basándose en datos en tiempo real en lugar de estimaciones.