Evaluación en el mundo real de un software automatizado de detección de picos de EEG en comparación con un estándar...

Área de la Ciencia:

• Neurología; Tecnología Médica; Inteligencia Artificial

Sus antecedentes:

• Las descargas interictales epileptiformes (DIE) son cruciales para el diagnóstico y la clasificación de la epilepsia; Se están desarrollando modelos de aprendizaje automático (ML) para la detección automatizada de DIE en electroencefalografía (EEG); Evaluaciones anteriores de ML utilizaron conjuntos de datos limitados y no representativos, lo que requiere estudios sobre cohortes clínicamente relevantes.

Objetivo del estudio:

• Evaluar la precisión de un modelo comercial de ML (P15) para la detección de DIE en un gran conjunto de datos de EEG de rutina; Evaluar el rendimiento del modelo en una población clínicamente representativa, a diferencia de estudios anteriores.

Principales métodos:

• Se analizaron registros de EEG de rutina de un gran hospital inglés (junio de 2024 - febrero de 2025); Se aplicó el modelo de ML P15 para generar informes automatizados de DIE; Se calcularon la sensibilidad, la especificidad y los valores predictivos en comparación con los informes clínicos finales.

Principales resultados:

• De 484 EEG, 53 contenían DIE; P15 logró una sensibilidad del 81,1 % y una especificidad del 59,9 %; El modelo demostró un alto valor predictivo negativo (96,3 %) pero un bajo valor predictivo positivo (19,9 %).

Conclusiones:

• El modelo de ML muestra una promesa para descartar las DIE debido a su alto valor predictivo negativo; El bajo valor predictivo positivo indica un riesgo de falsos positivos, lo que requiere precaución en la aplicación clínica; Se necesita más investigación que integre el ML con la retroalimentación clínica para un uso eficaz en la atención al paciente.