Herramientas de inteligencia artificial ganan terreno en neurología para la detección de epilepsia y el apoyo clínico
Un estudio de la Universidad de Delaware demuestra que los algoritmos de IA pueden detectar anomalías sutiles en el electroencefalograma (EEG) vinculadas a la epilepsia genética sin necesidad de capturar convulsiones activas. En la reunión de la AAN 2026, expertos delimitaron las aplicaciones de la IA en el apoyo a decisiones clínicas, la escritura ambiental y el reclutamiento para ensayos clínicos, al tiempo que enfatizaron que los clínicos deben mantener un juicio independiente.
La inteligencia artificial está impulsando la práctica de la neurología en múltiples frentes, desde la detección de señales de advertencia tempranas de epilepsia ocultas en datos de ondas cerebrales hasta la reducción de la carga de trabajo del clínico mediante herramientas de escucha ambiental y apoyo a decisiones clínicas. Estos avances fueron destacados en investigaciones recientes y discusiones en conferencias de neurología principales.
En un estudio de prueba de concepto publicado en el Journal of Neural Engineering, investigadores de la Universidad de Delaware demostraron que un algoritmo de aprendizaje automático puede identificar anomalías sutiles en el EEG vinculadas a la epilepsia genética incluso cuando no ocurren convulsiones visibles. El algoritmo trata las lecturas basales del EEG como un idioma no familiar, identificando patrones eléctricos que se repiten con frecuencia y aprendiendo su significado estructural en contexto para resaltar anomalías que los revisores humanos pasan por alto. Los investigadores probaron el sistema usando grabaciones de EEG de múltiples días de más de 40 ratones, algunos portadores de variaciones que causan epilepsia en el gen TSC1. El enfoque de aprendizaje automático distinguió exitosamente entre diferentes contextos genéticos e identificó la presencia de la mutación TSC1 con alta precisión en dos de cada tres cepas de ratones puramente a partir de ondas cerebrales basales. El equipo ahora está transfiriendo el método al ámbito clínico para analizar grabaciones de EEG más cortas de niños sometidos a evaluaciones de epilepsia en Nemours Children's Health, con el apoyo del Programa ACCEL de Investigación Clínica y Traslacional de Delaware.
En la reunión anual 2026 de la American Academy of Neurology (AAN), expertos delimitaron aplicaciones clínicas inmediatas de la IA en neurología, incluyendo herramientas de escucha y dictado ambiental, apoyo a decisiones clínicas mejorado por IA dentro de registros médicos electrónicos, asistencia de software de imagenología y reclutamiento para ensayos clínicos impulsado por procesamiento de lenguaje natural (PLN) que puede identificar pacientes elegibles a partir de datos no estructurados. La tecnología de escucha ambiental puede reducir significativamente la carga de trabajo del clínico, incluyendo el "tiempo fuera de horario" dedicado a completar dictados después del trabajo. Un sistema de salud informó haber obtenido acceso a un nuevo sistema de IA que utiliza el contexto de los datos pasados de un paciente para ayudar a los clínicos a razonar diagnósticos complejos. La IA también está apoyando el análisis de neuroimagenaje y permitiendo la personalización dinámica de contenido educativo para estudiantes de medicina.
Los expertos enfatizaron que los clínicos deben mantener un juicio independiente al usar herramientas de IA. "Todas las personas que conozco abogan por un enfoque de persona-en-el-bucle o clínico-en-el-bucle para la toma de decisiones", señaló un neurólogo. El principio de "basura entra, basura sale" aplica: si los datos de entrada no son confiables, la IA puede producir respuestas incorrectas, y los clínicos expertos siguen teniendo un papel crítico en la resolución de problemas. Los clínicos siguen siendo responsables de las decisiones y diagnósticos que toman.
El potencial de la IA para apoyar el reclutamiento y participación en ensayos clínicos fue identificado como particularmente prometedor, ya que gran parte de los datos relevantes de pacientes permanece no estructurada. La IA que utiliza PLN puede leer esos datos no estructurados y generar listas realistas de pacientes que podrían cumplir los criterios de elegibilidad del ensayo. Dentro de la educación médica, los estudiantes ya están interactuando directamente con agentes de IA para explicar conceptos difíciles o presentar información desde diferentes ángulos.