La carga de convulsiones, definida por un algoritmo de inteligencia artificial (IA) aplicado a registros de electroencefalografía (POC EEG) en el lugar de atención, puede ayudar a predecir resultados funcionales.
Después de controlar los cofactores relevantes, una mayor carga de convulsiones se correlacionó con peores resultados funcionales. Todos los pacientes del estudio estaban siendo monitoreados como parte de su estándar de atención debido a la sospecha de convulsiones o porque tenían riesgo de sufrir convulsiones, según el investigador del estudio, Masoom Desai, MD, del Departamento de Neurología de la Universidad de Nuevo México, Albuquerque. , dijo Noticias médicas de Medscapey los resultados fueron «convincentes».
«Nuestro estudio aborda la necesidad crítica de automatización en el seguimiento de la actividad epiléptica y la carga de convulsiones», añadió Desai durante una conferencia de prensa en la Reunión Anual de 2024 de la Academia Estadounidense de Neurología (AAN).
Un cambio fundamental
«Varias décadas de investigación han puesto de relieve la correlación significativa entre la carga de convulsiones y los resultados desfavorables tanto en poblaciones adultas como pediátricas», dijo Desai.
Sin embargo, el método tradicional de interpretar manualmente los EEG para identificar las convulsiones y su carga asociada es un «proceso complejo y que requiere mucho tiempo y que puede estar sujeto a variabilidad y errores humanos», anotó.
POC EEG es un sistema de EEG de montaje reducido y acceso rápido que, cuando se combina con una herramienta automatizada de aprendizaje automático llamada Clarity (Ceribell, Inc; Sunnyvale, CA), puede monitorear y analizar la carga de convulsiones en tiempo real.
El algoritmo incorpora una lista completa de características del EEG que se han asociado con los resultados. Analiza la actividad EEG cada 10 segundos desde todos los canales EEG y calcula la carga de convulsiones en los últimos 5 minutos para el paciente. Cuanto mayor es la carga de las convulsiones, más tiempo ha pasado el paciente en actividad convulsiva.
Entre 344 personas con EEG POC (edad media, 62 años, 45 % mujeres) en el ensayo SAFER-EEG, 178 (52 %) tuvieron una carga de convulsiones de cero durante todo el registro y 41 (12 %) habían sospechado estado epiléptico (carga máxima de convulsiones ≥ 90%).
Antes del ajuste por covariables clínicas, había una asociación significativa entre una alta carga de convulsiones y resultados desfavorables.
Específicamente, el 76% de los pacientes con una carga de convulsiones ≥ 50% tuvieron una evolución desfavorable. Escala de Rankin modificada puntuación de ≥ 4 al momento del alta y una proporción similar fue dada de alta a centros de atención a largo plazo, anotó.
Después del ajuste por covariantes clínicas relevantes, los pacientes con una alta carga de convulsiones (≥ 50 o> 90%) tuvieron un aumento cuatro veces mayor en las probabilidades de una puntuación desfavorable en la Escala de Rankin modificada en comparación con aquellos sin carga de convulsiones.
La alta carga de convulsiones presente en el último cuarto del registro fue particularmente indicativa de resultados desfavorables (probabilidades cinco veces mayores), «lo que sugiere el momento crítico de las convulsiones y su impacto en el pronóstico del paciente», anotó Desai.
‘Implicaciones profundas’
«Las implicaciones de nuestra investigación son profundas e indican un cambio fundamental hacia la integración de la inteligencia artificial y la interpretación automatizada de EEG guiada por aprendizaje automático en el tratamiento de pacientes críticamente enfermos con convulsiones», añadió.
«A medida que avancemos, nuestra investigación se concentrará en aplicar esta herramienta avanzada en la toma de decisiones clínicas en la práctica clínica, examinando cómo puede orientar las decisiones de tratamiento para los pacientes, con el objetivo final de mejorar la atención al paciente y mejorar los resultados para aquellos afectados por estos problemas neurológicos. desafíos», dijo Desai.
El moderador de la sesión informativa Paul M. George, MD, PhD, presidente del comité científico de la AAN, señaló que este resumen fue uno de los tres presentados en la conferencia de prensa sobre «ciencia superior» con el tema «avanzando los límites de la atención neurológica», porque representa un » «método innovador» de utilizar nueva tecnología para mejorar la comprensión de las afecciones neurológicas.
George dijo que esta tecnología «podría ser particularmente útil en entornos con pocos especialistas clínicos. Será emocionante ver a medida que esto se desarrolla, dónde puede guiar tal vez al médico de urgencias o al médico de atención primaria para ayudar a mejorar la atención al paciente».
En ese sentido, George advirtió que todavía es «temprano en el campo» del uso de la IA para guiar la toma de decisiones y que será importante recopilar más información para confirmar que «los algoritmos de aprendizaje automático pueden ayudar a guiar a los médicos en el tratamiento de pacientes con afecciones neurológicas». «
El financiamiento para el estudio fue proporcionado por la Universidad de Wisconsin-Madison y Ceribell, Inc. Desai recibió financiamiento de Ceribell para este proyecto. George no tiene divulgaciones relevantes.
