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

A epilepsia é uma condição na qual o cérebro experimenta tempestades elétricas súbitas e não provocadas, causando convulsões. Para muitas pessoas, os medicamentos padrão não conseguem interromper esses eventos, deixando-as diante de uma escolha difícil: viver com o risco de convulsões ou submeter-se a uma cirurgia cerebral para remover o tecido específico que causa o problema. O sucesso desta cirurgia depende inteiramente de encontrar o ponto de partida exato da tempestade elétrica, conhecido como zona de início da crise. Atualmente, os médicos dependem do monitoramento hospitalar de longo prazo para capturar uma crise conforme ela ocorre, um processo que pode levar dias, exige que os pacientes interrompam sua medicação e carrega riscos significativos. Alternativamente, eles utilizam eletrodos invasivos colocados diretamente no cérebro, o que envolve cirurgia e potenciais complicações. Como capturar uma crise é raro e difícil, os médicos muitas vezes têm que adivinhar onde o problema reside com base nos períodos de quietude entre as crises, conhecidos como períodos interictais. Esses períodos de quietude contêm picos elétricos minúsculos e fugazes que guardam pistas sobre a origem da crise, mas esses sinais são frequentemente tênues e distorcidos conforme viajam através do crânio e do couro cabeludo até os sensores na superfície da cabeça.

Um pesquisador desenvolveu um novo sistema de computador projetado para ler esses períodos de quietude e localizar o provável local de origem da crise sem a necessidade de cirurgia invasiva ou de esperar que uma crise ocorra. Ele criou uma estrutura de aprendizado profundo (deep learning), um tipo de inteligência artificial que aprende por meio de exemplos, treinada em milhares de horas de gravações rotineiras de ondas cerebrais de pacientes com epilepsia refratária a medicamentos. O sistema foi ensinado a reconhecer os padrões sutis de picos elétricos que ocorrem entre as crises e a mapeá-los para uma das seis principais regiões do cérebro. Para tornar isso possível, o pesquisador construiu um modelo que trata o tempo do sinal elétrico e sua localização no couro cabeludo como dois eventos separados, mas conectados. Esse design ajuda o computador a entender que um sinal pode parecer diferente dependendo de onde é medido, superando o embaçamento natural que ocorre quando a eletricidade passa pela cabeça. O modelo foi testado em um grande grupo de pacientes e provou ser altamente preciso, identificando corretamente a região cerebral envolvida na vasta maioria dos casos. Teve um bom desempenho mesmo em dados de diferentes hospitais e em gravações de crianças, sugerindo que pode lidar com as variações naturais encontradas na prática médica do mundo real.

O pesquisador selecionou um conjunto massivo de dados compreendendo mais de 6.000 horas de gravações de ondas cerebrais de 100 pacientes. Ele limpou cuidadosamente esses dados, removendo ruídos e padronizando a forma como os sinais eram medidos, antes de alimentá-los em seu sistema. O computador foi treinado para procurar formas específicas de picos elétricos que duram de uma fração de segundo a algumas décimos de segundo. Em vez de tentar encontrar um único padrão perfeito, o sistema utiliza múltiplas camadas de análise para capturar esses sinais em diferentes velocidades, de forma muito semelhante a como um patologista examinaria uma amostra de tecido sob diferentes ampliações para ver tanto detalhes finos quanto estruturas mais amplas. Uma vez que o sistema identifica esses sinais, ele utiliza um método especializado para decidir de qual parte do cérebro eles vieram. Ele faz isso separando a questão de "quando" o sinal aconteceu da questão de "onde" ele foi registrado, permitindo que rastreie o caminho da atividade elétrica de forma mais clara do que os métodos anteriores.

Os resultados deste estudo são promissores. Quando testado em um grupo de pacientes que nunca havia visto antes, o sistema identificou corretamente a zona de início da crise em quase 89 por cento das sessões. Este desempenho foi significativamente superior ao de modelos de computador existentes, que frequentemente lutam para distinguir entre diferentes regiões cerebrais ao trabalhar com gravações padrão não invasivas. O sistema também mostrou uma confiabilidade notável quando testado em um grupo separado de pacientes de um hospital diferente, incluindo muitas crianças, alcançando uma precisão de mais de 84 por cento. Talvez o mais importante seja que o sistema não gerou falsos alarmes quando testado em gravações de pessoas saudáveis sem histórico de epilepsia, identificando corretamente que não havia atividade de crise para relatar. Essa capacidade de distinguir sinais cerebrais reais de ruídos inofensivos é crucial para o uso clínico, pois significa que a ferramenta pode ser confiada para sinalizar apenas os casos que realmente precisam da atenção de um médico.

Além da precisão, o sistema oferece uma melhoria dramática na velocidade. Uma gravação completa de 24 horas da atividade cerebral, que normalmente leva uma equipe de especialistas horas ou até dias para revisar manualmente, pode ser processada por este sistema em pouco mais de quatro minutos. O tempo real que o computador gepasse analisando as ondas cerebrais é inferior a oito segundos; o restante do tempo é gasto simplesmente lendo os arquivos de dados e preparando-os para análise. Essa velocidade sugere que a ferramenta poderia ser usada para triagem rápida de pacientes, destacando as áreas de maior provável preocupação para que um especialista as revise detalhadamente. O pesquisador enfatiza que este sistema não pretende substituir o julgamento de um neurologista, mas sim atuar como um assistente poderoso. Ao estreitar a área de busca e fornecer uma sugestão clara, baseada em dados, de onde a crise pode começar, ele pode ajudar os médicos a planejar cirurgias mais precisas e reduzir a necessidade de pacientes passarem por monitoramento prolongado e arriscado ou procedimentos invasivos.

O estudo também explorou o quão bem o sistema funciona quando não possui marcadores específicos informando exatamente quando um pico ocorreu, simulando um cenário do mundo real onde um médico pode não ter um registro perfeito de cada evento. Mesmo nessas condições, o sistema manteve um alto nível de precisão, identificando corretamente a região cerebral em cerca de dois terços dos casos, o que representa uma melhoria significativa em relação ao acaso. O pesquisador descobriu que o sistema era particularmente bom em identificar crises nos lobos frontal e temporal, que são os locais mais comuns para a epilepsia. Foi ligeiramente menos preciso para o lobo occipital, na parte posterior da cabeça, provavelmente devido à dificuldade de detectar sinais dessa área através do crânio, mas o sistema ainda conseguiu identificar esses casos com mais frequência do que os métodos anteriores. O pesquisador também observou que o sistema aprendeu a ignorar distrações comuns, como movimentos musculares ou piscadas de olhos, que frequentemente confundem outros programas de computador, porque se concentrou na forma específica como os sinais elétricos viajam pelo cérebro, em vez de apenas sua forma.

Este trabalho representa um passo significativo para tornar o tratamento da epilepsia mais seguro e eficiente. Ao provar que as gravações cerebrais rotineiras e não invasivas contêm informações suficientes para localizar a fonte das crises com alta precisão, o pesquisador abriu um novo caminho para o diagnóstico. A capacidade do sistema de se generalizar entre diferentes grupos de pacientes, incluindo crianças e adultos de diferentes hospitais, sugere que ele pode ser uma ferramenta confiável para clínicas em todo o mundo. Embora o pesquisador reconheça que testes adicionais são necessários para confirmar essas descobertas em ensaios clínicos prospectivos, os resultados atuais oferecem uma base sólida para um futuro onde os pacientes possam receber diagnósticos mais rápidos e precisos sem a necessidade de procedimentos invasivos. A ferramenta serve como uma ponte entre a realidade complexa e ruidosa dos dados de ondas cerebrais e a informação clara e acionável que os médicos precisam para ajudar seus pacientes.