Algoritmos de electroencefalografía de codificación predictiva lineal predicen la mortalidad en la enfermedad de...

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Aprendizaje Automático

Sus antecedentes:

• La predicción de la mortalidad por enfermedad de Parkinson (EP) es difícil debido a la heterogeneidad de los pacientes y la falta de marcadores pronósticos fiables.
• El aumento de la mortalidad en la EP requiere mejores herramientas pronósticas.

Objetivo del estudio:

• Clasificar el estado de mortalidad a 3 años en pacientes con EP utilizando electroencefalografía (EEG).
• Correlacionar los índices de LEAPD (Algoritmo de Codificación Predictiva Lineal de EEG para EP) con el tiempo hasta la muerte.

Principales métodos:

• Se utilizaron grabaciones de EEG de estado de reposo de 2 minutos de 94 pacientes con EP.
• Se empleó el algoritmo LEAPD para la clasificación binaria de la mortalidad a 3 años y el análisis de correlación.
• Se realizó una validación cruzada leave-one-out (LOOCV) y pruebas fuera de muestra para la robustez y la precisión.

Principales resultados:

• Varios canales de EEG alcanzaron una precisión del 100 % de LOOCV para la predicción de mortalidad.
• Las correlaciones entre los índices de LEAPD y el tiempo hasta la muerte oscilaron entre ρ = -0,59 y -0,86, manteniéndose significativas después de los ajustes.
• Las pruebas fuera de muestra demostraron una precisión media del 83 % con un ρ de Spearman de -0,82.

Conclusiones:

• El EEG de estado de reposo corto combinado con algoritmos de aprendizaje automático como LEAPD puede predecir eficazmente la mortalidad en la enfermedad de Parkinson.
• Este enfoque ofrece una herramienta prometedora y no invasiva para la evaluación pronóstica en la EP.