Las lecturas de electroencefalografía (EEG) son cruciales para detectar cuándo los pacientes inconscientes pueden estar experimentando o corren riesgo de sufrir convulsiones. Esta práctica consiste en colocar pequeños sensores en el cuero cabelludo para medir las señales eléctricas del cerebro, que se visualizan como líneas que fluctúan en un gráfico.
Durante un EEG, las señales eléctricas del cerebro se captan como líneas ondulantes en un gráfico. Estas líneas representan la actividad eléctrica en diferentes regiones del cerebro y se pueden observar en tiempo real. Durante una convulsión, las señales registradas muestran picos dramáticos y anormales en el gráfico del EEG. Estos picos son similares a los registros que se observan en un sismógrafo durante un terremoto, lo que facilita su identificación por parte de los profesionales médicos.
Sin embargo, hay otras anomalías sutiles más difíciles de identificar en los registros de EEG. Estos eventos pueden ser complicados de identificar y diferenciar de las convulsiones verdaderas a través de métodos tradicionales. Para abordar este desafío investigadores de la Universidad de Durham, Carolina del Norte, utilizaron algoritmos de aprendizaje automático "interpretables" para desarrollar esta herramienta computacional. A diferencia de los modelos típicos de aprendizaje automático, que a menudo son "cajas negras" que hacen imposible comprender cómo se llegó a las conclusiones, los modelos interpretables están diseñados para revelar los procesos detrás de sus conclusiones.
"Por lo general, la gente piensa que los modelos de aprendizaje automático de caja negra son más precisos, pero para muchas aplicaciones importantes, como ésta, simplemente no es cierto", dijo Cynthia Rudin, profesora Earl D. McLean, Jr. de Ciencias de la Computación y Eléctrica y Ingeniería Informática en Duke.
"La gente piensa que los modelos de aprendizaje automático de caja negra son más precisos, pero no es cierto"
El equipo comenzó su investigación analizando muestras de EEG de más de 2.700 pacientes. Para este estudio, más de 120 expertos revisaron y examinaron detalladamente los gráficos EEG con el objetivo de identificar características clave que permitieran clasificar los eventos registrados. Estos eventos fueron categorizados principalmente en tres grupos: convulsiones, uno de los cuatro tipos de eventos similares a convulsiones, o como "otros".
En los gráficos de EEG, las convulsiones y los eventos similares a convulsiones se manifiestan como formas o patrones específicos de actividad eléctrica en el cerebro. Sin embargo, debido a la variabilidad natural de los EEG y la presencia de ruido en las señales, estas características distintivas pueden ser difíciles de discernir o pueden aparecer mezcladas en gráficos que resultan confusos para la interpretación humana.
Debido a la incertidumbre inherente en los gráficos de EEG, el modelo fue entrenado para clasificar sus decisiones en un espectro continuo en lugar de en categorías discretas separadas. “Es mucho más fácil solucionar problemas en los modelos cuando son interpretables. Y en este caso, el modelo interpretable era en realidad más preciso. También proporciona una vista panorámica de los tipos de señales eléctricas anómalas que ocurren en el cerebro, lo cual es realmente útil para el cuidado de pacientes críticamente enfermos”, añade Rudin.
Cuanto más cerca coloca el algoritmo un gráfico específico hacia la punta de un brazo, más seguro está de su decisión, mientras que aquellos colocados más cerca del cuerpo central están menos seguros. Además, el algoritmo resalta los patrones deondas cerebrales específicos que analizó para llegar a sus conclusiones y compara el gráfico en cuestión con tres ejemplos diagnosticados profesionalmente.
Este enfoque permite a los profesionales médicos centrarse rápidamente en secciones relevantes del EEG, evaluar si los patrones identificados son precisos o determinar si el análisis del modelo es incorrecto. Esta herramienta puede ser de gran ayuda incluso para aquellos con experiencia limitada en la lectura de EEG a tomar decisiones más informadas. Un equipo de ocho profesionales médicos con experiencia relevante clasificó 100 muestras de EEG en seis categorías, con y sin asistencia de IA para validar la eficacia de esta tecnología. Su precisión mejoró significativamente con la IA, pasando del 47% al 71%, y superando a aquellos que utilizaron un algoritmo de "caja negra" más opaco en estudios anteriores.