Avances en el Análisis de EEG Impulsado por IA para Trastornos Neurológicos y Oculomotores: Una Revisión Sistemática

Área de la Ciencia:

• Neurociencia e Ingeniería Biomédica
• Inteligencia Artificial en la Atención Médica

Sus antecedentes:

• El electroencefalograma (EEG) es una herramienta no invasiva clave para estudiar la actividad cerebral.
• Los trastornos neurológicos y oculomotores requieren métodos avanzados de diagnóstico y monitorización.
• La inteligencia artificial (IA), incluido el aprendizaje automático (ML) y el aprendizaje profundo (DL), ofrece nuevas capacidades analíticas para datos biológicos complejos.

Objetivo del estudio:

• Revisar sistemáticamente los avances recientes en IA (ML/DL) aplicados al análisis de EEG para trastornos neurológicos y oculomotores.
• Sintetizar tendencias, metodologías y desafíos en el análisis de EEG impulsado por IA.
• Identificar direcciones futuras para la traducción clínica de estas tecnologías.

Principales métodos:

• Revisión sistemática de la literatura siguiendo las directrices PRISMA.
• Búsqueda en las principales bases de datos científicas de estudios publicados en la última década.
• Inclusión de 15 estudios revisados por pares centrados en técnicas de IA para el análisis de EEG en trastornos relevantes.

Principales resultados:

• Se están aplicando diversos modelos de IA, desde ML convencional hasta DL avanzado, a datos de EEG.
• Los estudios demuestran el potencial de la IA en el diagnóstico, clasificación y monitorización de afecciones neurológicas y oculomotoras utilizando EEG.
• Los desafíos comunes incluyen tamaños de muestra pequeños, heterogeneidad de datos e validación externa insuficiente.

Conclusiones:

• El análisis de EEG mejorado por IA muestra un potencial significativo para el apoyo a la toma de decisiones clínicas en trastornos neurológicos y oculomotores.
• Metodologías estandarizadas, conjuntos de datos multicéntricos más grandes y una validación sólida son cruciales para la implementación clínica.
• Se necesita más investigación para cerrar la brecha entre el análisis de EEG impulsado por IA y las aplicaciones clínicas confiables.