Una chip portátil para predecir ataques
Por Emily Waltz || IEEE Spectrum![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjzgIogdgF7wd6ZCE-cIhJxa3A9BolxyHVKH_AfiOz1NOklhRan2lZlxQgRI7SVPdIlifN6BMMbHBXy5e6hJmkadBmUmCTtK93Q1L-D2TrshPXGNVm2HcNsY7Dvhu0Yt0j07U8YHTQoL-6W/s1600/Mjk5MTQxNQ.jpeg)
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEhepyr-cXkEGTrGETp9Y1ymZsE_vnLZEIRnmS2sd6N28sOyjOJpPj_6N8gqkknPCQEane4k_LDW7mYO1bVZhkQHSJ_x65la4L5XuT98qhHvMyXNvOIQrb_J1e4CMt0nkgnfFWnHTg80mdaA/s640/Mjk5MTM3Nw.jpeg)
Electroencefalograma (EEG) en una mujer de 27 años. Epilepsia rastreada en la pantalla.
Foto: Getty Images
Uno de los aspectos más difíciles de tener epilepsia es no saber cuándo ocurrirá la próxima convulsión en el caso de los epilépticos. Un sistema de advertencia portátil que detecta la actividad cerebral previa al ataque y alerta a las personas sobre su aparición podría aliviar parte de ese estrés y hacer que el trastorno sea más manejable. Con ese fin, los investigadores de IBM dicen que han desarrollado un chip portátil que puede hacer el trabajo; describieron su invención hoy en el diario de acceso abierto de Lancet, eBioMedicine.
Los científicos construyeron el sistema en una montaña de datos de ondas cerebrales recopiladas de pacientes con epilepsia. El conjunto de datos, informado por un grupo separado en 2013, incluyó más de 16 años de registros continuos de electroencefalografía (EEG) de la actividad cerebral y miles de ataques de pacientes a los que se les habían implantado electrodos quirúrgicamente en el cerebro.
Los científicos de IBM Research Australia luego usaron ese conjunto de datos para entrenar algoritmos de aprendizaje profundo llamados redes neuronales. Los algoritmos aprendieron a identificar patrones de actividad cerebral asociados con el inicio de una convulsión. IBM ejecuta las redes neuronales en TrueNorth, su chip de cómputo neuromórfico de potencia ultrabaja. Con el tamaño de una estampilla postal, el chip podría usarse en un dispositivo portátil para personas con epilepsia o conectado a un dispositivo móvil.
Un tercio de los pacientes con epilepsia no mejora con medicamentos u otro tratamiento, por lo que para esas personas, un sistema de predicción podría ser la única herramienta que les da cierto control sobre su enfermedad, dice Stefan Harrer, investigador de IBM Research Australia en Melbourne quien dirigió el proyecto De hecho, la carga de no saber cuándo ocurrirá un ataque tiende a llevar a las personas a evitar socializar, practicar deportes, viajar o hacer cualquier cosa que no quieran que les sorprenda con un ataque. Ese tipo de confinamiento, a su vez, a menudo conduce a la depresión. "Nuestra motivación", dice Harrer, "es devolver el control y el conocimiento a sus vidas".
![]() |
Un mapa esquemático de la red cerebral |
La sensibilidad del dispositivo se puede marcar o marcar según las necesidades del paciente. En el modo de alta sensibilidad, el sistema predijo con precisión las convulsiones más del 90 por ciento del tiempo, pero también pasó mucho tiempo en el modo de advertencia. "Necesitamos reducir la tasa de falsos positivos antes de que este sistema pueda usarse como un dispositivo real en los pacientes", dice Harrer.
Los patrones de actividad cerebral que indican una inminente convulsión son notoriamente difíciles de identificar. Los patrones difieren no solo de persona a persona, sino que también pueden cambiar a lo largo de la vida de una persona. Eso significa que los algoritmos de aprendizaje profundo deben ser lo suficientemente educados para identificar muchos patrones diferentes de actividad cerebral clave, y lo suficientemente ágiles para adaptarse con el tiempo a medida que cambian los patrones de cada persona.
IBM es uno de varios grupos que trabajan en sistemas de predicción de ataques. Los investigadores de la Universidad de Melbourne que recopilaron los 16 años de datos de EEG también desarrollaron algoritmos para identificar y predecir el inicio de las convulsiones. Las universidades y los hospitales de investigación incluso han organizado concursos para fomentar la innovación en esta área.
Pero las restricciones previas en las capacidades de computación tienen una robustez limitada de estos algoritmos, así como también de sus capacidades en tiempo real, dice Harrer. Por ejemplo, el estudio de la Universidad de Melbourne se basó en una combinación de algoritmos de aprendizaje automático y expertos médicos humanos que seleccionaban a mano patrones que parecían dignos de mención.
Debido a que el proceso requirió mucha mano de obra, el grupo tuvo que concentrarse en períodos seleccionados de actividad cerebral, en lugar de todo el conjunto de datos, para hacer el análisis más aceptable. El resultado fue la disminución de la solidez de las predicciones en algunos pacientes. También significaba que el sistema no podría adaptarse en tiempo real a los patrones de actividad cerebral cambiantes de una persona.
El chip de IBM analizó el conjunto de datos de registro de EEG de la Universidad de Melbourne y no se basó en características de datos recogidos por el ser humano. "Permitimos que el algoritmo lo explore y encuentre patrones de interés en sí mismo", dice Harrer. La computadora "constantemente entrena y vuelve a entrenar en esos patrones cambiantes a lo largo del tiempo", lo que hace que un sistema de predicción en tiempo real sea factible, afirma.
Harrer dice que a IBM le gustaría mejorar el rendimiento del algoritmo explorando otras arquitecturas de redes neuronales e incluyendo otros factores y biomarcadores. También le gusta encontrar una forma de entrenar los algoritmos en datos recolectados fuera del cráneo, en lugar de los electrodos implantados en el cerebro.