#180 Inteligencia artificial para detectar bebés con alteraciones neurológicas

Recientemente nos tocó ser parte del jurado de una tesis cuyo tema principal giraba en torno a las aplicaciones más recientes de la inteligencia artificial (IA) en neuropediatría. A propósito de este tema nos animamos a revisar por primera vez una publicación relacionada con el uso de IA en neurología neonatal.

El artículo que comentamos hoy ha sido publicado por Gleason y colegas (Lancet, 2024) quienes plantean la hipótesis de que una IA (en este caso Pose AI) puede predecir cambios neurológicos en bebés hospitalizados en una unidad de cuidados intensivos mediante el registro continuo de patrones de movimiento. El objetivo del estudio fue evaluar la utilidad y capacidad predicitiva de Pose AI para determinar dos outcomes: sedación (uso de sedantes y de fenobarbital) y disfunción cerebral (diagnóstico de encefalopatía con alteraciones compatibles de la actividad de base en el EEG, como enlentecimiento, discontinuidad, asincronía, etc). En el siguiente gráfico se explican los pasos del estudio:

En una primera fase, los autores construyeron una base de datos para entrenar a la IA con patrones tomados de registros de videoelectroencefalografía (vEEG) de bebés menores de un año, procedentes de una población de origen étnico diverso atendida en el hospital Mount Sinai de Nueva York, EEUU. 77 pacientes (67% de la muestra) fueron recién nacidos en estado crítico evaluados durante el periodo entre febrero de 2021 y diciembre de 2022. Aunque es frecuente que los bebés que presentan disfunción cerebral estén sedados, en el grupo estudiado un 38% de bebés presentó un solo diagnóstico, lo cual permitió diferenciar ambos patrones.

En la segunda fase para entrenar a la IA se empleó el software DeepLabCut, anteriormente probado con animales y humanos, ya que los modelos entrenados con humanos adultos no son útiles para valorar los movimientos de los bebés. Para entrenarlo, fueron empleados más de 282 mil minutos de registros de datos de video aEEG. Se emplearon filtros de calidad para los cálculos estadísticos. Se tomaron hasta 25 imágenes de cada bebé con 14 puntos anatómicos de referencia en cada una, seleccionadas por una misma persona en las siguientes regiones: nariz, cuello, hombros, codos, manos, caderas, rodillas y pies (ver figura). Las variaciones de movimiento se calcularon a partir de videos de 30-60 segundos de duración, en muestras de 60 minutos o más por paciente. En total se obtuvieron más de 118 mil minutos de video en 63 pacientes para asegurar que se registraran las variaciones en todos los puntos anatómicos.

Durante el entrenamiento se observó que cuando los pacientes fueron agrupados por edad gestacional, los movimientos iban en aumento conforme ésta se incrementaba. La IA identificó menor movimiento en los bebés sedados, en los que recibieron fenobarbital y en los encefalopáticos, con una disminución aún más marcada si eran bebés con disfunción cerebral además de sedación. Los autores comentan que fue interesante registrar que el algoritmo de Pose AI “no se confundió” con las manos de los adultos que también aparecieron en los videos. Además pudo reconocer la nariz de los bebés incluso con un dispositivo de CPAP en las vías respiratorias, reconoció el brazo de un bebé después de habérsele realizado una canalización, y reconoció los puntos de referencia desde dos ángulos de cámara diferentes.

Con este entrenamiento satisfactorio, se procedió a la tercera fase del estudio cuyo objetivo fue desarrollar modelos matemáticos de "clasificadores" para sedación y para disfunción cerebral, para lo que se emplearon tres métodos: regresión logística, el sistema de aprendizaje supervisado Máquina de vectores de soporte (SVM) y el algoritmo de aprendizaje automático XGBoost. Aquí se evaluaron 118 mil minutos de video provenientes de 63 pacientes. El diagnóstico más frecuente en el grupo de neonatos fue encefalopatía hipóxico-isquémica. Los clasificadores fueron evaluados después con otros grupos de datos independientes para probar su validez externa.

Los valores de la áreas bajo la curva (AOC) para la precisión y la exactitud de ambos clasificadores fueron aceptables (ROC-AUC 0.71-0.91), aunque con mejor desempeño para sedación que para disfunción cerebral. Los puntos anatómicos más importantes para la predicción de patrones fueron, como se esperaba, los hombros y los pies. Para el caso específico de bebés con EHI en hipotermia, el modelo pudo predecir la disfunción neurológica así como el efecto del fenobarbital en base al patrón de movimiento (ver figura).

Las predicciones de Pose AI mostraron una alta precisión, incluso en los conjuntos de datos de prueba independientes. Esto contrasta con algunos estudios publicados previamente, que fueron pequeños (N < 30) y no lograron encontrar una asociación entre los patrones de posturas aprendidas con cambios neurológicos de los bebés en la UCI.

¿Qué implicaciones tienen estos hallazgos? En primer lugar, demuestran que es posible utilizar tecnología de IA para monitorizar de forma continua y no invasiva el estado neurológico de bebés en cuidados intensivos (lo que ahora llamamos neurotelemetría). Esto podría ser especialmente valioso en entornos donde no se dispone de monitorización EEG continua.

En segundo lugar, la capacidad de detectar cambios neurológicos antes de que sean evidentes clínicamente podría permitir intervenciones más tempranas y, potencialmente, mejores resultados para los pacientes. La sobresedación conduce a ventilación mecánica prolongada, riesgo de lesión cerebral y síndromes de abstinencia. La sedación insuficiente se asocia con dolor y eventos adversos, incluyendo repetición de estudios de imagen, desplazamiento de catéteres y extubación no planificada. El seguimiento de los patrones de movimiento tiene el potencial de abordar estas complicaciones de la sedación mediante una titulación más precisa. Sin embargo, los autores señalan que se necesitan más estudios de tipo prospectivo para validar estos hallazgos en poblaciones más grandes y diversas, así como cámaras con mejor resolución, entornos donde exista menos interferencia y modelos que integren los hallazgos observacionales con los del EEG.

Este estudio representa un paso adelante en la integración de la IA en la atención neurológica neonatal. Si bien la tecnología no pretende reemplazar la evaluación clínica experta, podría convertirse en una herramienta valiosa para complementar la atención actual y mejorar los resultados en nuestros pacientes más vulnerables.

Puedes revisar el artículo en versión íntegra aquí:

https://www.thelancet.com/action/showPdf?pii=S2589-5370%2824%2900498-X