El sistema podría ayudar con el diagnóstico y tratamiento de pacientes no comunicativos.
Ke Peng de la Escuela de Medicina de Harvard, el Hospital Infantil de Boston y el Centro de Investigación CHUM en Montreal; Arielle Lee y David Borsook, ambos de la Escuela de Medicina de Harvard, el Hospital Infantil de Boston y el Hospital General de Massachusetts; y Rosalind Picard, profesora de artes y ciencias de los medios y directora de investigación de computación afectiva en el Media Lab.
Centrándose en la frente
En su trabajo, los investigadores adaptaron el sistema fNIRS y desarrollaron nuevas técnicas de aprendizaje automático para hacer que el sistema sea más preciso y práctico para uso clínico.
Para usar fNIRS, los sensores se colocan tradicionalmente alrededor de la cabeza del paciente. Diferentes longitudes de onda de luz infrarroja cercana brillan a través del cráneo y hacia el cerebro. La hemoglobina oxigenada y desoxigenada absorbe las longitudes de onda de manera diferente, alterando ligeramente sus señales. Cuando las señales infrarrojas se reflejan en los sensores, las técnicas de procesamiento de señales utilizan las señales alteradas para calcular la cantidad de cada tipo de hemoglobina presente en las diferentes regiones del cerebro.
Cuando un paciente está herido, las regiones del cerebro asociadas con el dolor verán un fuerte aumento en la hemoglobina oxigenada y una disminución en la hemoglobina desoxigenada, y estos cambios pueden detectarse a través del monitoreo fNIRS. Pero los sistemas fNIRS tradicionales colocan sensores alrededor de la cabeza del paciente. Esto puede llevar mucho tiempo configurarlo y puede ser difícil para los pacientes que deben acostarse. Tampoco es realmente factible para los pacientes que se someten a cirugía.
Por lo tanto, los investigadores adaptaron el sistema fNIRS para medir específicamente señales solo de la corteza prefrontal. Si bien el procesamiento del dolor involucra salidas de información de múltiples regiones del cerebro, los estudios han demostrado que la corteza prefrontal integra toda esa información. Esto significa que necesitan colocar sensores solo sobre la frente.
Otro problema con los sistemas fNIRS tradicionales es que capturan algunas señales del cráneo y la piel que contribuyen al ruido. Para solucionar eso, los investigadores instalaron sensores adicionales para capturar y filtrar esas señales.
Modelado personalizado del dolor
En el lado del aprendizaje automático, los investigadores entrenaron y probaron un modelo en un conjunto de datos de procesamiento del dolor etiquetado que recopilaron de 43 participantes masculinos. (A continuación, planean recopilar muchos más datos de diversas poblaciones de pacientes, incluidas pacientes femeninas, tanto durante la cirugía como mientras están conscientes, y en una variedad de intensidades de dolor, para evaluar mejor la precisión del sistema).
Cada participante usó el dispositivo fNIRS de los investigadores y fue expuesto al azar a una sensación inocua y luego a una docena de descargas en el pulgar con dos intensidades de dolor diferentes, medidas en una escala del 1 al 10: un nivel bajo (alrededor de 3/10) o nivel alto (alrededor de 7/10). Esas dos intensidades se determinaron con pruebas previas: los participantes informaron que el nivel bajo solo era muy consciente de la descarga sin dolor, y el nivel alto como el dolor máximo que podían tolerar.
En el entrenamiento, el modelo extrajo docenas de características de las señales relacionadas con la cantidad de hemoglobina oxigenada y desoxigenada presente, así como con la rapidez con que aumentaron los niveles de hemoglobina oxigenada. Esas dos métricas, cantidad y velocidad, brindan una imagen más clara de la experiencia de dolor de un paciente en las diferentes intensidades.
Es importante destacar que el modelo también genera automáticamente submodelos «personalizados» que extraen características de alta resolución de subpoblaciones de pacientes individuales. Tradicionalmente, en el aprendizaje automático, un modelo aprende clasificaciones, «dolor» o «sin dolor», en función de las respuestas promedio de toda la población de pacientes. Pero ese enfoque generalizado puede reducir la precisión, especialmente con diversas poblaciones de pacientes.
En cambio, el modelo de los investigadores se entrena en toda la población, pero al mismo tiempo identifica características compartidas entre las subpoblaciones dentro del conjunto de datos más grande. Por ejemplo, las respuestas de dolor a las dos intensidades pueden diferir entre pacientes jóvenes y mayores, o según el género. Esto genera submodelos aprendidos que se desprenden y aprenden, en paralelo, patrones de sus subpoblaciones de pacientes. Al mismo tiempo, sin embargo, todos siguen compartiendo información y patrones de aprendizaje compartidos por toda la población. En resumen, están aprovechando simultáneamente la información personalizada detallada y la información a nivel de la población para entrenar mejor.
Los modelos personalizados y un modelo tradicional se evaluaron para clasificar el dolor o la ausencia de dolor en un conjunto aleatorio de señales cerebrales de participantes del conjunto de datos, donde se conocían las puntuaciones de dolor autoinformadas para cada participante. Los modelos personalizados superaron al modelo tradicional en un 20 por ciento, alcanzando una precisión de alrededor del 87 por ciento.
“Debido a que podemos detectar el dolor con esta alta precisión, utilizando solo unos pocos sensores en la frente, tenemos una base sólida para llevar esta tecnología a un entorno clínico del mundo real”, dice López-Martínez.
