Desarrollo y validación de un modelo de supervivencia profundo para predecir el tiempo hasta la convulsión a partir...

Área de la Ciencia:

• Inteligencia artificial en medicina
• Neurología y neurofisiología clínica
• Aprendizaje automático para la atención médica

Sus antecedentes:

• La predicción precisa del riesgo de convulsiones es crucial para el manejo de la epilepsia y las decisiones de tratamiento.
• Los predictores clínicos tradicionales, como las descargas epileptiformes interictales (EID), tienen limitaciones para predecir el riesgo individual de convulsiones a lo largo del tiempo.
• La electroencefalografía (EEG) de rutina contiene información pronóstica potencialmente infrautilizada.

Objetivo del estudio:

• Desarrollar y validar un modelo de supervivencia profundo, EEGSurvNet, para predecir el riesgo individual de convulsiones utilizando datos de EEG de rutina.
• Comparar el rendimiento de EEGSurvNet con los predictores clínicos tradicionales y el riesgo de convulsiones de referencia.
• Investigar la capacidad del modelo para extraer información pronóstica más allá de las anomalías epileptiformes visibles.

Principales métodos:

• Estudio de cohorte retrospectivo de 1014 EEG de rutina de 994 pacientes con epilepsia.
• Desarrollo de EEGSurvNet, un modelo de aprendizaje profundo que predice el tiempo hasta la próxima convulsión en un horizonte de 2 años.
• Evaluación del rendimiento utilizando AUROC dependiente del tiempo, AUROC integrado (iAUROC) e índice C, en comparación con modelos de Cox y modelos aleatorios.

Principales resultados:

• EEGSurvNet logró un iAUROC de 0,69 y un índice C de 0,66 a 2 años, superando a los modelos clínicos y aleatorios.
• El rendimiento del modelo alcanzó su punto máximo a los 2 meses posteriores a la EEG (AUROC=0,80) y mejoró cuando se combinó con predictores clínicos (iAUROC=0,70).
• EEGSurvNet demostró una discriminación superior para las EEG sin EID (iAUROC=0,78 frente a 0,53), destacando las regiones temporo-occipitales y las frecuencias de 6-15 Hz como predictores clave.

Conclusiones:

• Los modelos de aprendizaje profundo como EEGSurvNet pueden extraer información pronóstica significativa de las EEG de rutina, incluso sin anomalías epileptiformes visibles.
• EEGSurvNet muestra potencial para mejorar el asesoramiento al paciente y fundamentar las decisiones de tratamiento en el manejo de la epilepsia.
• Se requieren estudios prospectivos adicionales para validar estos hallazgos y evaluar la utilidad clínica de EEGSurvNet.