Aprendizaje profundo interpretable para la detección de depresión en pacientes neurológicos mediante señales EEG

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• La depresión afecta a más de 280 millones de personas en todo el mundo, y los pacientes neurológicos corren un mayor riesgo.
• El diagnóstico actual de la depresión se basa en métodos subjetivos, lo que dificulta las evaluaciones clínicas consistentes y reproducibles.
• Se necesitan herramientas de diagnóstico objetivo para complementar el juicio clínico, especialmente para la depresión inducida por medicamentos en afecciones neurológicas.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje profundo interpretable para la detección objetiva de la depresión utilizando señales de electroencefalograma (EEG).
• Combinar la clasificación de depresión basada en EEG de alta precisión con IA explicable para la transparencia clínica.
• Identificar biomarcadores EEG específicos que indiquen depresión en pacientes neurológicos.

Principales métodos:

• Se desarrolló y entrenó un modelo de aprendizaje profundo ligero con datos de EEG de 232 pacientes neurológicos.
• El modelo integró características derivadas de EEG para la clasificación de la depresión.
• Se empleó el análisis SHAP (SHapley Additive exPlanations) para interpretar las predicciones del modelo e identificar biomarcadores clave.

Principales resultados:

• El marco de aprendizaje profundo logró una precisión de clasificación del 98% en la detección de depresión.
• El análisis SHAP identificó biomarcadores EEG significativos, incluida la relación delta/alfa y la potencia de la banda theta.
• El modelo demostró una alta precisión diagnóstica manteniendo la interpretabilidad clínica.

Conclusiones:

• El marco propuesto de aprendizaje profundo interpretable ofrece una herramienta basada en EEG transparente, precisa y escalable para la detección de depresión.
• Este enfoque objetivo puede reducir la dependencia de las evaluaciones subjetivas, mejorando la consistencia en la atención de la salud mental.
• El marco apoya la adopción clínica al integrarse con la infraestructura EEG existente y complementar la toma de decisiones clínicas.