Pacientes con epilepsia ayudan a afinar su detector de crisis chateando con una IA

Qué se hizo

Un equipo de la Universidad de Pensilvania conectó el EEG (electroencefalograma: registro de la actividad eléctrica del cerebro con electrodos) de 13 adultos ingresados en una unidad de monitorización de epilepsia a un agente de IA (inteligencia artificial) con el que podían chatear desde su teléfono. Once llevaban electrodos en el cuero cabelludo y dos, electrodos intracraneales. Fue un estudio observacional, prospectivo, de un solo centro y en pacientes hospitalizados; no hubo grupo control. La estancia mediana fue de unos cinco días.

El agente usaba un LLM (modelo grande de lenguaje: programa entrenado con enormes cantidades de texto que predice palabra a palabra la respuesta más probable, y por eso puede conversar) y tenía acceso a lo que otros algoritmos extraían del EEG en tiempo real: probabilidad de crisis, descargas interictales, fases del sueño y una estimación de la carga de antiepilépticos. Avisaba al paciente de cada crisis detectada, le pasaba encuestas sobre ánimo y sueño, y respondía preguntas sobre sus propios datos, a veces con gráficos.

El paciente como etiquetador

Lo novedoso es que el paciente podía responder a cada alarma de crisis con «fue real», «falsa alarma» o «no sé». Esas respuestas se usaron para el ajuste fino (reentrenamiento de un modelo ya entrenado con datos de miles de personas, usando unos pocos ejemplos del propio paciente; se mueven poco los parámetros para que aprenda lo particular sin olvidar lo general) del detector, cada tres horas y sin intervención de un experto. Son etiquetas débiles (marcas imperfectas, con errores u omisiones (el paciente puede no recordar la crisis), que aun así, en gran número, ayudan a un modelo a separar lo verdadero de lo falso).

• Se intercambiaron 1307 mensajes; el sistema inició casi el 69 %.
• Hubo 58 alarmas de crisis y los pacientes respondieron al 70,6 %: confirmaron 9 y rechazaron 22 como falsas.
• La moderación no detectó ninguna respuesta inadecuada del agente.
• La facilidad de uso se puntuó de media 83 sobre 100, pero solo la contestaron 5 pacientes.

Qué pasó con el detector

Por seguridad, durante el ingreso solo funcionó el detector original. El reentrenado se probó después, en una simulación pseudoprospectiva: se reprodujeron los datos en orden, como si el modelo se hubiera ido actualizando en vivo.

En la versión preliminar del trabajo, con las respuestas recogidas en la aplicación (seis pacientes con eventos útiles), las falsas alarmas bajaron en torno a tres cuartas partes en mediana, aunque con tan pocos pacientes esa diferencia no alcanzó significación estadística; sí mejoró de forma significativa la puntuación F1 (medida que combina sensibilidad (cuántas crisis reales se detectan) y precisión (cuántas alarmas son crisis reales); solo sube si ambas son buenas). La sensibilidad no mejoró: el modelo dejó de molestar tanto, pero no detectó más crisis.

Qué significa y qué no

Es una prueba de concepto en 13 pacientes hospitalizados: demuestra que el paciente puede ayudar a afinar su detector, no que esto mejore el control de la epilepsia.

• No se midieron crisis evitadas, visitas a urgencias ni calidad de vida.
• Aunque la versión preliminar hablaba de un «dispositivo implantable», el prototipo usó el EEG del hospital, no un implante.
• Los participantes eligieron entrar, lo que puede inflar la satisfacción.
• El reto pendiente, que subraya el comentario de la revista, es que la IA responda bien cuando el riesgo sube: qué aconseja y con qué seguridad.

Como antecedente, un sistema implantado en Australia ya avisaba a 15 pacientes del riesgo de crisis con luces de colores, pero su algoritmo se reajustaba a mano y no dialogaba con el paciente.

Fuentes del contexto

• Goldblum Z, Shi H, Xu Z, et al. Human-artificial intelligence collaboration for comanaging epilepsy in real time. Nat Med. 2026. doi:10.1038/s41591-026-04680-4
• Goldblum Z, Shi H, Xu Z, et al. An implantable device that converses with patients and learns to co-manage epilepsy. medRxiv. 2026. doi:10.64898/2026.01.26.26344234
• Cook MJ, O'Brien TJ, Berkovic SF, et al. Prediction of seizure likelihood with a long-term, implanted seizure advisory system in patients with drug-resistant epilepsy: a first-in-man study. Lancet Neurol. 2013;12(6):563-71. doi:10.1016/S1474-4422(13)70075-9