Reliable but Wrong? Automated Detection of Heart Rate Artifacts as a Source of Bias in Pediatric EEG Data

Resumen Técnico: ¿Fiable pero erróneo? Detección automatizada de artefactos de la frecuencia cardíaca como fuente de sesgo en datos de EEG pediátricos

Planteamiento del problema
Los procesos de procesamiento automatizados, como ICLABEL, se utilizan cada vez más para la detección de artefactos en la electroencefalografía (EEG) con el fin de estandarizar el análisis y reducir la subjetividad del investigador. Sin embargo, estos algoritmos están entrenados predominantemente con datos de EEG de adultos sanos. Este estudio aborda la brecha crítica de generalizabilidad al aplicar estas herramientas a poblaciones pediátricas, particularmente aquellas con antecedentes de alto riesgo o diferencias neurodesarrollamentales. El problema específico investigado es la clasificación errónea de los artefactos cardíacos (frecuencia cardíaca) en la EEG de estado de reposo pediátrica. Los artefactos cardíacos son de baja amplitud y se solapan espectralmente con las bandas de frecuencia de interés comunes en la EEG, específicamente theta (4–7 Hz) y beta (13–30 Hz), así como con la relación theta/beta (TBR). Mientras que los investigadores capacitados pueden identificar visualmente las ondas cardíacas, los procesos automatizados entrenados en adultos pueden no reconocer estos patrones en niños, lo que podría retener ruido que confunda las interpretaciones estadísticas posteriores.

Metodología
El estudio utilizó datos de un ensayo controlado aleatorizado (N=204 familias) que involucró a niños de 3 a 7 años vinculados al sistema de bienestar infantil. El análisis se centró en un subconjunto de 47 niños con datos completos de EEG de estado de reposo pre y post-intervención.

1. Recolección de datos: Los niños se sometieron a grabaciones de EEG de estado de reposo de 4 minutos (condiciones alternas de ojos cerrados y ojos abiertos) utilizando una red de sensores EGI Hydrocel Geodesic de 64 canales (o 256 mapeados a 64). Se registró simultáneamente un electrocardiograma (ECG).
2. Preprocesamiento: Se realizó un preprocesamiento estándar utilizando EEGLAB en MATLAB. Esto incluyó la interpolación de sensores defectuosos, la eliminación manual de grandes artefactos de movimiento y el Análisis de Componentes Independientes (ICA) para descomponer los datos en 64 componentes.
3. Identificación de artefactos:
   • Verdad fundamental manual (Manual Ground Truth): Investigadores capacitados inspeccionaron manualmente todos los componentes de ICA (topografía, serie temporal y espectros de potencia) para identificar artefactos cardíacos basados en criterios específicos: un dipolo sobre la cabeza, picos espaciados uniformemente en la actividad de la traza y formas características del espectro de potencia. Los componentes que cumplían al menos dos criterios fueron clasificados como artefactos cardíacos.
   • Clasificación automatizada: Los mismos componentes fueron procesados mediante ICLABEL, un algoritmo automatizado entrenado en datos de adultos. El estudio examinó las puntuaciones de probabilidad que ICLABEL asignó a cada componente, centrándose específicamente en la categoría "corazón" (heart).
4. Análisis comparativo: El estudio comparó los resultados de la EEG (potencia theta, potencia beta y TBR) entre dos condiciones:
   • Frecuencia cardíaca retenida: Datos donde los componentes cardíacos no fueron eliminados (simulando un proceso totalmente automatizado que falló en la detección del artefacto).
   • Frecuencia cardíaca eliminada: Datos donde se eliminaron los componentes cardíacos identificados manualmente.
5. Modelado estadístico: El impacto de retener estos artefactos se evaluó mediante tamaños de efecto de la d de Cohen y modelos de regresión de Mínimos Cuadrados Ordinarios (OLS). Los modelos probaron los efectos de la intervención (Terapia de Interacción Padre-Hijo frente a Servicios Habituales), las Experiencias Adversas en la Infancia (ACEs) y el caos doméstico (CHAOS) sobre los resultados de la EEG, comparando los conjuntos de datos "retenidos" frente a los "eliminados".

Resultos clave

• Fallo algorítmico: ICLABEL no identificó los artefactos cardíacos en el 100% de los casos identificados manualmente (n=92 componentes). El algoritmo asignó una probabilidad del 0% de artefacto cardíaco a 66 de los 92 componentes. Además, 13 componentes fueron clasificados erróneamente como actividad de "Cerebro" con alta confianza.
• Impacto en las estimaciones de potencia: La retención de los artefactos cardíacos infló significativamente las estimaciones tanto de la potencia theta como de la potencia beta. En el subconjunto de participantes con artefactos cardíacos (n=27), la potencia theta fue significativamente mayor en la condición retenida (M=0.71) en comparación con la condición eliminada (M=0.51, p<0.001). Del mismo modo, la potencia beta fue significativamente mayor en la condición retenida (M=0.71 frente a M=0.53, p<0.001).
• Impacto en la Relación Theta/Beta (TBR): Aunque la TBR es una razón, el estudio encontró que el sesgo introducido por los artefactos cardíacos se neutralizó en gran medida en el cálculo de la relación porque tanto el numerador (theta) como el denominador (beta) se inflaron de manera similar. En consecuencia, los tamaños de efecto de la TBR permanecieron pequeños y no significativos entre las condiciones, enmascarando el ruido subyante en los valores de potencia bruta.
• Hallazgos clínicos espurios: La retención de los artefactos cardíacos introdujo hallazgos falsos positivos en los modelos de regresión. Específicamente, el conjunto de datos de "Frecuencia cardíaca retenida" mostró un efecto principal significativo de la intervención sobre la potencia beta de ojos abiertos y efectos significativos de las ACEs sobre la potencia theta y beta de ojos abiertos. Estos efectos desaparecieron por completo cuando los datos fueron limpiados adecuadamente (Frecuencia cardíaca eliminada), lo que indica que eran artefactos del ruido y no verdaderos efectos biológicos o de tratamiento.

Contribuciones clave

• Evidencia empírica de sesgo: El estudio proporciona evidencia cuantitativa de que los procesos automatizados entrenados en datos de adultos pueden clasificar erróneamente de forma sistemática los artefactos cardíacos en poblaciones pediátricas de alto riesgo, alcanzando una tasa de error del 100% para este tipo específico de artefacto en la muestra analizada.
• Consecuencias derivadas: Demuestra que, si bien las métricas basadas en razones (como la TBR) pueden parecer robustas a este ruido específico, las estimaciones de potencia bruta son altamente susceptibles, lo que puede conducir a conclusiones erróneas sobre la eficacia del tratamiento o el impacto de los factores de riesgo ambiental (ACEs).
• Advertencia metodológica: El artículo destaca que los resultados automatizados "fiables" no son necesariamente "precisos" cuando la distribución de entrenamiento diverge de la población objetivo.

Significancia y Reivindicaciones
Los autores afirman que el uso de procesos de eliminación de artefactos totalmente automatizados (específicamente aquellos entrenados en datos de adultos con desarrollo típico) para la EEG pediátrica, particularmente en contextos de alta adversidad o neurodesarrollo, es actualmente inseguro sin supervisión. El estudio argumenta que el enfoque de "talla única" no logra tener en cuenta las diferencias en el desarrollo de la EEG (por ejemplo, la pendiente 1/f, la frecuencia pico alfa) y el cumplimiento conductual, que alteran cómo se manifiestan los artefactos.

Los autores concluyen que los investigadores deben supervisar los procesos automatizados cuando analizan datos pediátricos. Abogan por el desarrollo de conjuntos de entrenamiento a gran escala específicos para poblaciones pediátricas y neurodesarrollales antes de que la identificación de artefactos de forma no supervisada pueda implementarse de manera fiable. El estudio sirve como una advertencia de que las decisiones automatizadas no deben reemplazar el escrutinio experto, especialmente cuando el costo de la clasificación errónea es la introducción de efectos clínicos espurios.