Detección automatizada de edema cerebral mediante electroencefalografía en pacientes post-parada cardíaca

Área de la Ciencia:

• Neurología
• Inteligencia Artificial
• Ingeniería Biomédica

Sus antecedentes:

• El edema cerebral difuso es una complicación crítica en pacientes post-parada cardíaca.
• La detección temprana del edema cerebral es crucial para una intervención oportuna y mejores resultados.
• Los métodos de diagnóstico actuales, como la neuroimagen, pueden no detectar el edema en sus etapas más tempranas.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático basado en electroencefalografía (EEG) para identificar el edema cerebral difuso en pacientes post-parada cardíaca.
• Evaluar la capacidad del modelo para predecir el edema cerebral antes de la detección radiográfica.
• Comparar el rendimiento de las arquitecturas Transformer y Long Short-Term Memory (LSTM).

Principales métodos:

• Estudio retrospectivo de cohortes de un solo centro de supervivientes de parada cardíaca adultos (2016-2024) con neuroimagen y monitorización por EEG.
• Modelos de aprendizaje automático (Transformer, LSTM) entrenados en segmentos de EEG de 4 y 8 horas para detectar edema cerebral difuso.
• Modelo de predicción evaluado utilizando segmentos de EEG anteriores a la detección radiográfica de edema.

Principales resultados:

• El mejor modelo de detección (Transformer, EEG de 4 horas) logró un AUC del 80,0%, una precisión del 80,0%, una sensibilidad del 80,0% y una especificidad del 90,0%.
• El modelo de predicción superior (Transformer, EEG de 8 horas) demostró un AUC del 92,2%, una precisión del 90,6%, una sensibilidad del 100% y una especificidad del 88,9%.
• Los modelos Transformer superaron a LSTM tanto en las tareas de detección como de predicción.

Conclusiones:

• El aprendizaje automático aplicado a datos de EEG de rutina puede identificar eficazmente el edema cerebral difuso en supervivientes de parada cardíaca.
• Los modelos basados en Transformer muestran un rendimiento superior para la detección e predicción tempranas del edema cerebral.
• Esta estrategia tiene potencial para el reconocimiento más temprano del edema en evolución durante la monitorización por EEG, lo que permite intervenciones oportunas para reducir el daño cerebral secundario.