Análisis de redes de conectividad cerebral en pacientes epilépticos a través de su representación en espacios de baja dimensionalidad

Abstract

La identificación de estados preictales, periodos en los cuales la probabilidad de ocurrencia de una crisis epiléptica aumenta, sigue siendo un desafío central en la neurociencia computacional clínica. En este trabajo, se propone un marco metodológico novedoso que consiste en proyectar redes de conectividad cerebral funcional, obtenidas de señales registradas de electroencefalografía intracraneal (iEEG), en un espacio euclidiano de baja dimensión. Esta representación compacta permite capturar características topológicas esenciales de la dinámica cerebral y facilita la detección de cambios sutiles en la conectividad que preceden a una crisis. A partir de técnicas estándar de aprendizaje automático, se define un biomarcador adimensional, B, capaz de discriminar entre estados interictales (libres de crisis) y preictales (dentro de las 24 horas previas a una crisis). El método desarrollado se centra en los patrones de conectividad de un subconjunto de electrodos iEEG informativos, lo cual permite una clasificación robusta de los estados cerebrales a lo largo del tiempo. Cuantificamos nuestro enfoque mediante un esquema de leave-one-out cross-validation y una estrategia de predicción pseudo-prospectiva, evaluando el desempeño mediante métricas como el F1-score y la precisión balanceada. Los resultados muestran que las proyecciones euclidianas de baja dimensión aplicadas a la conectividad iEEG producen marcadores interpretables y predictivos de la actividad preictal, lo que ofrece implicaciones prometedoras para la predicción en tiempo real de crisis epilépticas y para el diseño de intervenciones terapéuticas personalizadas.