Una IA de 2,7 MB detecta crisis epilépticas infantiles; su mejor aporte es explicar por qué falla en algunos niños

Por Bioengineer.org · 16 de octubre de 2026.

Un equipo neozelandés, liderado por Raha Pedram y Hamid Abbasi, ha publicado en Results in Engineering un modelo de aprendizaje profundo para detectar crisis epilépticas en niños a partir de electroencefalogramas (EEG) sin preprocesar. Es una red convolucional temporal (TCN) de 709.697 parámetros, unos 2,71 MB, según los autores.

El modelo se entrenó con CHB-MIT, un conjunto de datos del Boston Children's Hospital y el MIT con 23 pacientes pediátricos, organizados en 24 sesiones de registro. Procesa directamente 18 canales de EEG, sin filtrado de banda, normalización ni eliminación de ruido. Cada época de entrenamiento tarda unos tres segundos en una GPU NVIDIA A100.

La cifra clave es modesta a propósito. Con validación estricta, dejando fuera una sesión completa para el test en cada una de las 24 rondas, obtuvo un 82,3% de precisión media (desviación de 16,5), una sensibilidad del 80,1% y un AUC de 0,866. Un modelo Transformer (Wav2Vec2) usado como comparador interno llegó al 76,9% en las mismas condiciones.

Con otra validación, que mantiene agrupadas las ventanas de cada caso, la precisión sube al 98,2% y el AUC a 0,999. La distancia entre ambas cifras ya es un hallazgo. Los autores sostienen que muchos estudios previos sobre CHB-MIT excluyeron casos difíciles (los 12 a 16) o filtraron en exceso, lo que infla los resultados.

Por casos, 15 sesiones rindieron bien (más del 80% de precisión), 5 de forma moderada y 4 mal (menos del 65%). En dos de ellas, chb13 y chb14, el AUC quedó por debajo del azar. Solo con los 15 buenos, la precisión fue del 91,5%, aunque los autores avisan de que ese análisis es exploratorio y no equivale a validación independiente.

El análisis espectral aporta la explicación. Las crisis se distinguían sobre todo por aumentos simultáneos de potencia en las bandas delta (0,5-4 Hz) y theta (4-8 Hz). En los casos bien clasificados, delta subía más de cinco veces y theta entre tres y cuatro veces respecto a la línea base. La diferencia en theta mostró la correlación más fuerte con el rendimiento por caso (rho de Spearman de 0,578; p ajustada de 0,0083).

En los casos difíciles ocurría lo contrario. Algunos tenían delta basal elevado fuera de las crisis, lo que generaba falsos positivos. En otros (chb12 a chb15), las crisis no mostraban un aumento claro de baja frecuencia, lo que producía falsos negativos. También se observó ruido de alta amplitud en ciertos registros. Los autores advierten de que el conjunto de datos carece de canales oculares, anotaciones de sueño o de movimiento, así que estos patrones son observaciones de señal y no marcadores fisiológicos probados.

El dato más relevante para uso real viene de la evaluación en registros continuos con la proporción natural de crisis. El modelo detectó el 91,0% de los eventos, con una latencia media de 15,9 segundos. Pero generó 3,21 falsas alarmas por hora y un valor predictivo positivo de solo el 3,4% a nivel de alarma. Los propios autores afirman que no es apto para despliegue clínico sin reducir antes las falsas alarmas.

**Nuestra lectura.** La tesis es que el avance útil aquí no es la puntuación, sino la honestidad metodológica. Un 82% con validación por sesión de registro cuenta más que un 99% con ventanas mezcladas. Como contexto del sector, es una regla que conviene aplicar a toda IA médica: preguntar con qué población y con qué partición se validó.

La segunda enseñanza es que la heterogeneidad entre pacientes importa más que la arquitectura. Si se puede anticipar, a partir de su firma delta-theta, qué niños serán difíciles de leer, el siguiente paso lógico son modelos adaptados a cada caso. Habrá que verlo, porque con 23 pacientes de un solo dataset la generalización queda sin demostrar.

Un alarma con un 3,4% de acierto agota a cualquier familia o equipo de enfermería, y es el obstáculo real a corto plazo. A largo plazo, sin embargo, un detector de 2,7 MB cabe en un dispositivo portátil de bajo coste. Eso apunta a un diagnóstico y seguimiento accesibles también en países de renta baja y media, donde, según el artículo, la incidencia de la epilepsia es mayor. Es un paso pequeño pero bien orientado hacia una medicina más universal.