Predicción Temprana del Delirio Mediante Trayectorias EEG Seriadas y Aprendizaje Automático

Antecedentes y Fundamentación:

El delirio es una manifestación crítica de disfunción cerebral aguda, que afecta al 10-15% de todos los pacientes hospitalizados y a más del 25% de aquellos en unidades de cuidados intensivos (UCI). En la UCI de traumatología, los pacientes son particularmente vulnerables debido a una cascada inflamatoria por cirugías repetidas, alteración de la barrera hematoencefálica, lesión cerebral traumática (TCE) y administración obligatoria de opioides. A pesar de su relevancia clínica —incluyendo mayor mortalidad y deterioro cognitivo a largo plazo— la detección temprana sigue siendo un desafío. Las herramientas actuales junto a la cama, como la CAM-ICU, están limitadas por su naturaleza periódica y dependencia de la pericia clínica, a menudo pasando por alto las fluctuaciones neurofisiológicas rápidas que definen el delirio.

Objetivos y Metodología del Estudio:

Mientras estudios previos han utilizado la electroencefalografía (EEG) como una "instantánea" para identificar el delirio, estos enfoques transversales a menudo reflejan una profundidad sedante transitoria en lugar de una verdadera vulnerabilidad neurocognitiva. Este estudio propone un enfoque longitudinal, centrándose en la trayectoria del cambio en la dinámica cortical a lo largo del tiempo.

Adquirimos EEG en estado de reposo breve y seriado tres veces al día durante al menos tres días consecutivos en pacientes críticos de traumatología. Utilizando un montaje frontal factible, cuantificamos un conjunto exhaustivo de características, incluyendo potencia espectral (enlentecimiento), complejidad no lineal y conectividad funcional basada en fase.

Hipótesis de Investigación:

El marco utiliza aprendizaje automático (ML) para aprovechar estas trayectorias longitudinales, con el objetivo de predecir la vulnerabilidad al delirio antes del diagnóstico clínico formal. Además, planteamos la hipótesis de que las grabaciones con ojos abiertos —al imponer una restricción mínima de activación— capturarán mejor la integridad de la red en estado de vigilia y proporcionarán un poder predictivo superior en comparación con las grabaciones tradicionales con ojos cerrados, que a menudo se ven confundidas por la sedación y la somnolencia en el entorno de la UCI de traumatología.

Impacto Clínico:

Al identificar la condición de grabación óptima y establecer un marco de predicción basado en ML, este estudio busca definir una estrategia estandarizada de monitorización neurofisiológica. Esto finalmente facilitará la intervención temprana y mejorará el pronóstico neurológico a largo plazo de los supervivientes de traumatismos graves.