Aprendizaje profundo con datos de electroencefalograma (EEG) para diagnosticar y predecir la respuesta a ISRS en el trastorno depresivo mayor

Por qué las ondas cerebrales podrían cambiar la atención de la depresión

Para millones de personas que viven con depresión mayor, mejorar a menudo implica soportar una búsqueda lenta y frustrante por ensayo y error para encontrar el fármaco adecuado. Este estudio plantea una pregunta sencilla pero poderosa: en lugar de adivinar, ¿podrían los médicos leer patrones en la actividad cerebral de una persona para confirmar el diagnóstico y predecir si un antidepresivo común realmente funcionará para ella?

Mirar dentro del cerebro sin cirugía

Los investigadores se centraron en la electroencefalografía, o EEG, una técnica centenaria que registra los ritmos eléctricos naturales del cerebro mediante pequeños sensores colocados en el cuero cabelludo. El EEG ya se utiliza para diagnosticar epilepsia y trastornos del sueño, y es relativamente económico y ampliamente disponible. Sin embargo, en psiquiatría rara vez se emplea para guiar el tratamiento, a pesar de que la depresión surge de cambios en la función cerebral. Los autores sostienen que esto deja al cerebro como una “caja negra” en la atención rutinaria: los médicos ven síntomas como tristeza y fatiga, pero no miden de forma habitual lo que realmente hace el cerebro.

Enseñar a las computadoras a reconocer patrones de depresión

Para abrir esa caja negra, el equipo recurrió al aprendizaje profundo, una forma de inteligencia artificial especialmente buena para detectar patrones sutiles en datos complejos. Reunieron registros de EEG en estado de reposo de seis grupos independientes de voluntarios en todo el mundo: 146 personas sin enfermedad mental actual y 203 pacientes con depresión mayor. Todas las grabaciones se estandarizaron para usar solo diez ubicaciones de sensores compartidas y una tasa de muestreo moderada, semejante a lo que podría hacerse de forma realista en clínicas diarias. El modelo de aprendizaje profundo se entrenó con parte de los datos y luego se probó con registros cerebrales de personas que nunca había “visto” antes, asegurando que aprendiera firmas cerebrales generales en lugar de memorizar individuos.

Del señal al pronóstico de tratamiento

Una vez entrenado, el modelo pudo distinguir a pacientes deprimidos de voluntarios sanos con aproximadamente un 68% de precisión a nivel de persona completa, no solo en fragmentos breves de EEG. Aún más notable, cuando los investigadores pidieron al sistema que predijera qué pacientes deprimidos responderían a una clase de antidepresivos muy utilizada —inhibidores selectivos de la recaptación de serotonina, o ISRS—, separó correctamente respondedores de no respondedores en alrededor del 79% de los casos. En términos prácticos, simulaciones sugieren que usar una herramienta así para guiar si un paciente comienza un ISRS o cambia a una alternativa podría aumentar la tasa de éxito del tratamiento inicial de aproximadamente el 50% a cerca del 70%. Eso se traduce en muchas menos personas pasando semanas con un medicamento que no les ayudará.

Qué “ve” la computadora en las ondas cerebrales

Una crítica común a la IA moderna es que puede ser una caja negra: hace predicciones, pero no explica cómo. Aquí, los autores abordaron ese problema usando un método de visualización llamado Grad‑CAM para resaltar qué partes del EEG influyeron más en las decisiones del modelo. Encontraron que la actividad en la llamada banda alfa —ritmos cerebrales suaves en el rango de 8–12 ciclos por segundo— sobre regiones frontales y parietales específicas fue especialmente importante. Estas áreas se han vinculado en trabajos anteriores a la regulación emocional y a redes que están hiperactivas en la depresión. El estudio también comparó el sistema de aprendizaje profundo con enfoques más tradicionales de aprendizaje automático y con otro diseño de red específico para EEG. Esos modelos más simples funcionaron notablemente peor, especialmente para predecir la respuesta al tratamiento, lo que subraya que el enfoque más rico del aprendizaje profundo capturó estructura adicional y clínicamente relevante en las señales.

Límites, obstáculos en el mundo real y promesa

Los autores advierten que su trabajo no es un producto diagnóstico terminado. Si bien los modelos se probaron en pacientes no vistos procedentes de múltiples centros, los conjuntos de datos seguían variando en detalles como el momento de las evaluaciones de síntomas y las combinaciones de medicamentos, y utilizaron solo diez sensores de EEG —demasiado pocos para localizar fuentes cerebrales exactas. La precisión, aunque alentadora, no es perfecta, y quedan preguntas sobre cómo factores como las diferencias por sexo y los trastornos concomitantes podrían influir en los patrones. Aun así, el estudio muestra que incluso grabaciones de EEG breves y de bajo coste pueden contener suficiente información para que la IA ayude de forma significativa tanto en el diagnóstico como en la selección del tratamiento.

Qué podría significar esto para los pacientes

En términos sencillos, esta investigación sugiere que una prueba breve y económica de ondas cerebrales, analizada por un programa informático inteligente, podría ayudar a los médicos a pasar de la conjetura a la atención personalizada en la depresión. Al identificar marcadores cerebrales objetivos que señalan tanto la presencia de depresión mayor como la probabilidad de responder a los ISRS, las herramientas basadas en EEG y aprendizaje profundo podrían acortar el tiempo que las personas pasan sufriendo con tratamientos ineficaces y reducir la carga general sobre pacientes, familias y sistemas de salud. Aunque se necesitan estudios más grandes y estandarizados antes de que estas herramientas sean de uso rutinario, este trabajo traza una vía realista para usar mediciones cerebrales cotidianas y así asociar antes la persona adecuada con el antidepresivo adecuado.

Cita: Olbrich, S., Jaworska, N., de la Salle, S. et al. Deep learning using electroencephalogram (EEG) data for diagnosing and predicting SSRI response in major depressive disorder. Commun Med 6, 159 (2026). https://doi.org/10.1038/s43856-026-01394-z

Palabras clave: trastorno depresivo mayor, EEG, aprendizaje profundo, respuesta a antidepresivos, psiquiatría personalizada