Extracción de biomarcadores de esquizofrenia con métodos de aprendizaje de máquinas sobre señal EEG: una aproximación desde el paradigma de percepción activa

Abstract

La esquizofrenia es un trastorno severo del funcionamiento cerebral con síntomas que afectan la mayoría de los procesos psicológicos básicos. Pese a su baja prevalencia, los grandes costos sociales para el paciente y su entorno, sumados a los costos de salud pública, hacen de esta patología un foco relevante de investigación actual. En esta línea, su diagnóstico se retrasa y su prognosis se perjudica por la falta de un biomarcador específico de esta patología. La patología destaca por lo heterogéneo de sus cuadros manifiestos, alteraciones fisiopatológicas y posibles bases etiológicas. Sin embargo, hipótesis etiológicas basadas en alteraciones de receptores NMDA asociados a neuronas gabaérgicas parecen tener más evidencia a su favor que otras hipótesis. Estas alteraciones están implicadas en mecanismos de generación de oscilaciones neuronales medibles con electroencefalografía. Pero a la fecha ninguna de estas medidas por separado ha permitido generar un biomarcador de utilidad clínica para la esquizofrenia. Esta tesis evalúa posibles biomarcadores elaborados a partir de actividad electrofisiológica gatillada por la exploración libre de imágenes naturales, predicha por mecanismos gabaérgicos perturbados en la esquizofrenia. Esta aproximación se basa en la hipótesis de que en pacientes la observación de estos estímulos evoca actividad gamma alterada en poder y sincronía. Así, se extrajeron medidas oscilatorias, de sincronía neuronal (Cross-Frequency Coupling) y potenciales evocados. Estas medidas se ingresaron a varios algoritmos clasificadores de aprendizaje de máquinas con el objetivo de distinguir los grupos clínico y control. Los resultados confirmaron tales alteraciones de poder y sincronía en el paradigma de observación libre de imágenes naturales y sugieren la existencia de orígenes distintos para la banda gamma según el tipo de estimulación visual. Uno de los algoritmos entrenados con estas medidas tuvo un 20% de errores de clasificación en datos nunca vistos por el algoritmo, lo que lo sitúa entre los mejores clasificadores de pacientes con esquizofrenia basados en señal EEG de los últimos 5 años.