Según destaca el profesor Pardo Albiach, “el algoritmo permite “aprender” mejor de las señales captadas del cerebro, tanto en el estado preictal -el previo a las crisis epilépticas-, como entre episodios de crisis, para poder predecirlas con aún mayor fiabilidad”. Este nuevo método de procesamiento de la señal del cerebro está basado en un nuevo tipo de filtros de la señal, que denominan supervisados, frente al filtrado tradicional. También los investigadores del CEU-UCH han incorporado, además de redes neuronales profundas (Deep Learning), otros algoritmos en combinación, como el K-Nearest Neighbor (KNN), para mejorar los patrones de predicción de las crisis epilépticas que ya obtuvieron en su primer diseño.

Los datos manejados para este nuevo artículo científico publicado en Plos One se han obtenido gracias a la colaboración que el Grupo ESAI del CEU-UCH mantiene con Benjamin Henry Brinkmann, profesor de Neurología e Ingeniería Biomédica en el Mayo Systems Electrophysiology Laboratory, de la prestigiosa Clínica Mayo, en Rochester (Estados Unidos). Brinkmann visitó este mes de noviembre al equipo del CEU-UCH para avanzar en el trabajo de colaboración con la Clínica Mayo que ahora se ha publicado en Plos One.

Este nuevo artículo amplía el trabajo con el que el Grupo de Investigación ESAI del CEU-UCH ganó el tercer premio entre más de 502 equipos de todo el mundo, en el Data Science Challenge titulado “American Epilepsy Society Seizure Prediction Challenge”, promovido por la plataforma Kaggle, la American Epilepsy Society, The Epilepsy Foundation, el National Institutes of Health (NIH) de Estados Unidos y la Clínica Mayo. Esta primera fase del proyecto del Grupo ESAI del CEU-UCH fue publicada en la prestigios revista médica Brain, con factor de impacto 9.196.

Según destaca el profesor Juan Pardo sobre los avances del Grupo ESAI, “los resultados obtenidos para este nuevo artículo son mejores en su fiabilidad de predicción cuanto más ampliamos el número de datos a procesar. Es decir, a mayor volumen y complejidad de datos obtenidos del cerebro, mejor se comporta el método que hemos diseñado para detectar el estado preictal. Esto es muy positivo, ya que los datos procedentes del iEEG del cerebro son constantes y deben ser procesados en tiempo real para ser realmente eficaces en la predicción”.

El profesor Pardo señala que la monitorización en tiempo real de los indicadores de salud del cuerpo humano (real-time monitoring of body health indicators) es uno de los grandes retos del ámbito del big data, por lo que “nuestras aportaciones en este campo del análisis de la señal eléctrica cerebral podrían extenderse al procesamiento de otros bioindicadores o constantes vitales relacionados con problemas de salud muy diversos”.
agosto 9/2017 (noticiasdelaciencia.com)