Clasificación automatizada de actividad cerebral anormal en pacientes neurocríticos para mejorar capacidad diagnóstica

Abstract

El Estado Epiléptico (EE) es una condición médica grave que implica riesgo vital y deterioro neurológico funcional, por lo que su pronto reconocimiento y tratamiento es indispensable. Tiene una incidencia de alrededor de 56 casos por cada 100.000 adultos al año, y puede presentarse tanto en pacientes con antecedentes de epilepsia como sin ella. El EE puede dividirse en formas convulsivas y no convulsivas. Se estima que esta última puede llegar a incidir en la muerte de hasta 3.000 personas cada año en Chile, y que solo en pérdida de productividad y costos de atención médica directa, implica un perjuicio económico de 14.400 millones de pesos al año, asumidos por las personas o por el estado, considerando las prestaciones que deben efectuarse tanto en salud pública como privada. El pronóstico del EE y la eficacia del tratamiento dependen directamente de la precocidad de su inicio. Por esta razón, la detección temprana resulta particularmente crítica para maximizar las oportunidades de intervenciones exitosas, que deriven en aumento de la sobrevida y disminución de las secuelas permanentes. Por tanto, en el presente trabajo se desarrolló un modelo clasificador de actividad epileptiforme mediante análisis de la actividad cerebral utilizando algoritmos de Machine Learning, con la finalidad de mejorar la capacidad de diagnóstico y así propiciar tratamiento temprano y mejora en el pronóstico de los pacientes del Instituto de Neurocirugía Asenjo (INCA). Para ello, se evaluó distintos modelos de clasificación de actividad epileptiforme. El modelo que obtuvo los mejores resultados con los registros disponibles es capaz de detectar crisis epilépticas en hasta un 87\% de los casos. Dicho resultado se presenta al nivel de las alternativas comerciales estudiadas. A partir de ello, se realiza un prototipo de aplicación, capaz de hacer visibles las potencialidades del uso de un sistema de clasificación automática. A través de una evaluación de impacto social y económico se establece que el desarrollo de una aplicación con las características descritas sería beneficiosa tanto social como económicamente para los pacientes, para los equipos médicos, las instituciones de salud y gobierno. La implementación de un sistema capaz de realizar análisis automático para clasificar o detectar actividad cerebral anormal, y segmentación del registro continuo en ventanas de interés, puede permitir reducir sustancialmente los tiempos de estudio y diagnóstico de registro electroencefalográfico, lo que en trabajos futuros permitirá ampliar la cobertura de seguimiento a un mayor número de camas a nivel local, así como la posibilidad de realizar un monitoreo neurológico remoto y continuo en UCI a nivel nacional.