Diagnóstico de los trastornos de la conciencia mediante mapas topográficos EEG derivados de características no lineales y aprendizaje profundo

Escuchar señales de conciencia

Cuando un ser querido yace sin responder tras una lesión cerebral grave, familiares y médicos se enfrentan a una pregunta desgarradora: ¿queda algo de conciencia en su interior y, si es así, cuánto? Los exámenes tradicionales en la cabecera pueden pasar por alto señales sutiles de conciencia, lo que conduce a diagnósticos erróneos que afectan la atención, la rehabilitación e incluso decisiones sobre el final de la vida. Este estudio explora una nueva forma de “escuchar” el cerebro lesionado usando registros EEG, una medida matemática de la complejidad de la señal y algoritmos de aprendizaje profundo para distinguir mejor entre dos condiciones principales: el estado vegetativo y el estado mínimamente consciente.

Dos estados no responsivos muy distintos

Tras una lesión cerebral grave, algunos pacientes abren los ojos pero no muestran signos claros de conciencia; se describen como en estado vegetativo, también denominado síndrome de vigilia sin respuesta (VS/UWS). Otros pueden, de forma ocasional, seguir órdenes simples, seguir objetos con la mirada o reaccionar de forma significativa a voces o al tacto; a estos pacientes se les considera en estado mínimamente consciente (MCS). Aunque los comportamientos puedan parecer similares a simple vista, las probabilidades de recuperación y el tipo de rehabilitación necesaria pueden ser muy diferentes. Sin embargo, incluso equipos clínicos expertos clasifican mal hasta un 40 % de estos pacientes cuando se basan sobre todo en la observación en la cabecera. Los autores se propusieron apoyar a los clínicos con una herramienta objetiva basada en el cerebro que pudiera emplearse junto al paciente y que no dependiera de la capacidad del paciente para moverse o hablar.

Medir la complejidad cerebral con sonido y silencio

Los investigadores estudiaron a 104 adultos con trastornos de la conciencia que fueron evaluados cuidadosamente con una escala estandarizada de recuperación del coma. A cada paciente se le registró la actividad cerebral con un sistema EEG de 19 canales mientras descansaba en calma y de nuevo mientras escuchaba su música animada favorita, seleccionada a partir de entrevistas con la familia. En lugar de centrarse en las ondas cerebrales tradicionales, el equipo calculó una medida no lineal llamada entropía aproximada, que captura cuán compleja e impredecible es la señal EEG a lo largo del tiempo. En términos sencillos, una entropía mayor refleja una actividad cerebral más rica y variada, que se ha vinculado al procesamiento consciente. Los valores de entropía de cada electrodo en el cuero cabelludo se transformaron en mapas topográficos coloridos, creando una especie de “retrato de complejidad” del cerebro en las condiciones de reposo y con música.

Enseñar a una red neuronal a leer los mapas

Para convertir estos mapas en una ayuda diagnóstica, el equipo entrenó una red neuronal convolucional (CNN), un tipo de sistema de aprendizaje profundo frecuentemente usado en reconocimiento de imágenes, para distinguir VS/UWS de MCS. Para cada paciente, múltiples segmentos EEG de 1 segundo se convirtieron en mapas de entropía y se ensamblaron en imágenes que sirvieron como entrada a la CNN. En paralelo, los autores construyeron otros dos modelos de aprendizaje automático más tradicionales: una máquina de vectores de soporte y una red neuronal de regresión generalizada, usando características numéricas seleccionadas del EEG. Luego compararon qué tan bien cada enfoque etiquetaba a un grupo de pacientes de prueba independiente cuya diagnosis verdadera se conocía por evaluación clínica cuidadosa.

Diferencias claras en las señales cerebrales y mayor precisión

El estudio encontró que los pacientes en estado mínimamente consciente mostraban mayor entropía en varias regiones cerebrales que los que estaban en estado vegetativo, especialmente en el lado izquierdo de la cabeza y durante la música preferida. En los pacientes MCS, los valores más altos de entropía se relacionaron de forma significativa con puntuaciones superiores en la escala de recuperación del coma, lo que sugiere que la medida refleja diferencias reales en la conciencia. En cuanto a la clasificación automática, la CNN fue la mejor: distinguió correctamente a los dos grupos en torno al 90 % de los casos y alcanzó una medida resumen de discriminación elevada (AUC 0,90). La máquina de vectores de soporte funcionó razonablemente bien, mientras que la red de regresión generalizada quedó rezagada. En conjunto, estos resultados indican que introducir mapas cerebrales similares a imágenes en un modelo de aprendizaje profundo puede captar patrones espaciales sutiles que los métodos más simples pasan por alto.

Qué podría significar esto para pacientes y familias

Para quienes no son especialistas, la conclusión clave es que la “complejidad de la señal” cerebral durante el reposo y mientras se escucha música significativa contiene pistas valiosas sobre la conciencia oculta. Al transformar esas pistas en mapas fáciles de interpretar y dejar que una red neuronal aprenda de ellas, los investigadores crearon una herramienta que puede ayudar a distinguir a los pacientes que están verdaderamente inconscientes de aquellos que mantienen una forma frágil pero real de conciencia. Aunque el trabajo debe confirmarse en grupos de pacientes más grandes y diversos, apunta hacia un futuro en el que registros EEG de rutina, combinados con sonidos cuidadosamente seleccionados e inteligencia artificial moderna, ofrezcan una voz más fiable para quienes no pueden hablar por sí mismos.

Cita: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

Palabras clave: trastornos de la conciencia, EEG, aprendizaje profundo, estado vegetativo, estado mínimamente consciente