Durante mi etapa en el Instituto de Investigación Vall d’Hebron colaboré en un proyecto que hoy, años después, está en proceso de publicación en la revista Epilepsy & Behavior. El objetivo era desarrollar una herramienta basada en aprendizaje profundo para identificar patrones de fármaco-resistencia en pacientes con epilepsia a partir de señales EEG.
El problema clínico
La epilepsia fármaco-resistente afecta aproximadamente al 30% de los pacientes diagnosticados. Identificar de forma temprana qué pacientes no responderán a la medicación estándar es crucial para redirigirlos hacia tratamientos alternativos —como la cirugía— antes de que acumulen años de crisis mal controladas.
El diagnóstico tradicional requiere la observación longitudinal del paciente y múltiples ajustes de medicación, un proceso que puede durar años. La pregunta que guiaba nuestra investigación era: ¿puede una red neuronal aprender a reconocer, directamente en la señal EEG, los biomarcadores de resistencia farmacológica?
Arquitectura técnica
Trabajamos con un dataset de registros EEG de alta densidad (256 canales, 1000 Hz de muestreo). El pipeline de procesamiento incluía:
- Preprocesamiento: filtrado notch (50 Hz), filtro paso-banda (0.5–40 Hz), rereferenciación al promedio.
- Segmentación: ventanas de 10 segundos con solapamiento del 50%.
- Extracción de características: espectro de potencia por bandas (delta, theta, alfa, beta, gamma), coherencia entre electrodos.
- Arquitectura de red: una CNN para la extracción espacial combinada con una LSTM bidireccional para capturar dinámicas temporales.
La comparativa con modelos SVM y Random Forest sobre las mismas características mostraba mejoras de entre 8 y 12 puntos porcentuales en AUC, dependiendo del subgrupo clínico.
Desafíos y lecciones aprendidas
El mayor reto no fue técnico, sino de datos. La heterogeneidad clínica —diferentes protocolos de grabación, distintas definiciones operativas de “resistencia”— hacía extremadamente difícil construir un ground truth limpio.
Aprendí algo que cualquier investigador en IA médica debería tener presente: la calidad de los datos es más determinante que la sofisticación del modelo. Dedicamos el 60% del tiempo del proyecto a tareas de limpieza, anotación y reconciliación de definiciones clínicas.
Reflexión sobre la IA en el ámbito sanitario
Existe una tendencia, especialmente en la divulgación tecnológica, a presentar la IA médica como una panacea inminente. La realidad del trabajo en el laboratorio es más modesta y más interesante: son avances incrementales, llenos de incertidumbre, que requieren una colaboración estrecha entre ingenieros, médicos y estadísticos.
Lo que más valoro de esta experiencia no es el modelo en sí, sino haber aprendido a navegar esa complejidad interdisciplinar.
