139
ARTÍCULO DE REVISIÓN / REVIEW ARTICLE
Rev Neuropsiquiatr. 2022; 85(2): 139-152
Esta obra está bajo
una Licencia Creative Commons
Atribución 4.0 Internacional.
1 Programa de Epilepsia, Department of Clinical Neurological Sciences, Schulich School of Medicine and
Dentistry, Western University. London, Ontario, Canadá.
2 Unidad de Neuro-Epidemiología, Schulich School of Medicine and Dentistry, Western University. London,
Ontario, Canadá.
Inteligencia articial en la evaluación y manejo
de pacientes con epilepsia.
Articial intelligence in the evaluation and management of patients with epilepsy.
Elma Paredes-Aragón 1, Jorge G. Burneo 1,2
RESUMEN
La epilepsia es una enfermedad que frecuentemente conlleva signicativos niveles de morbi-mortalidad, afecta
seriamente la calidad de vida y, en cerca de un tercio de los pacientes, es refractaria a diversos tratamientos. La
inteligencia articial (IA) ha beneciado el estudio, tratamiento y pronóstico de los pacientes con epilepsia a través
de los años. Estos logros abarcan diagnóstico, predicción de crisis automatizada, monitoreo avanzado de crisis
epilépticas y electroencefalograma, uso de recursos genéticos en manejo y diagnóstico, algoritmos en imagen y
tratamiento, neuromodulación y cirugía robótica. La presente revisión explica de forma práctica los avances actuales
y futuros de la inteligencia articial, rama de la ciencia que ha mostrado resultados prometedores en el diagnóstico
y tratamiento de pacientes con epilepsia.
PALABRAS CLAVE: Algoritmos epilepsia, aprendizaje automático, cirugía de epilepsia, dispositivos en epilepsia,
epilepsia. inteligencia articial, neuromodulación.
SUMMARY
Epilepsy is a condition that frequently coexists with signicant morbi-mortality levels, seriously aects the quality
of life and, in up to one third of patients, is refractory to a variety of treatment approaches. Articial intelligence (AI)
has largely benetted the study, treatment, and prognosis of patients with epilepsy through the course of recent years.
These achievements applied the elds of diagnosis, automated seizure prediction, advanced seizure monitoring
and electroencephalogram, use of genetics in diagnosis and management, imaging algorithms in the treatment,
neuromodulation, and robotic surgery. This review conveys the actual and future directions of AI. a branch of
science that has shown promising results in the treatment and diagnosis of patients with epilepsy.
KEY WORDS: Epilepsy, deep learning. epilepsy surgery. articial intelligence. refractory epilepsy. neuromodulation.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
DOI: https://doi.org/10.20453/rnp.v85i2.4231
140
Paredes-Aragón E, at al.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
INTRODUCCION
La epilepsia es una causa de morbi-mortalidad
prevalentes, afectando a 50 millones de personas
(1), el 30% de los pacientes desarrollarán epilepsia
refractaria(2,3), para ellos se consideran opciones
quirúrgicas (4,5,6), que dependerán de hallazgos
electroencefalográcos y exámenes auxiliares para
la identicación de la zona epileptogénica (ZE)(4),
y zonas elocuentes (7,8,9). La epilepsia conere un
riesgo elevado (1 de cada 1000 pacientes con epilepsia,
0,01%) de padecer muerte súbita asociada (SUDEP,
por sus siglas en inglés) (10), con estragos en calidad
de vida (11).
Las herramientas digitales son una parte
fundamental del estudio y tratamiento del paciente
con epilepsia (PCE). Si una crisis puede ser predicha,
hay potencial para tratamiento abortivo de crisis:
auto-administrado por un dispositivo (en forma
de medicamento o estimulación eléctrica) o por el
paciente (12).
¿Qué es la inteligencia articial?
Inteligencia articial (IA) se dene como una
de las ramas de la ciencia de la computación que
pretende entender y construir identidades inteligentes,
frecuentemente instauradas como programas de
software (13,14). La integración de la neurociencia
con la IA fue forjada en 1943 por el neurosiólogo
Warren McCulloch y el matemático Walter Pitts,
recreando interacciones cerebrales en un circuito
neuronal utilizando circuitos eléctricos (15), se reere
a la obra “A Logical Calculus of the Ideas Immanent in
Nervous Activity” como el punto inicial de referencia
en la historia de la cibernética y un paso fundamental
en el desarrollo de la ciencia cognitiva e IA (16,17).
La IA se divide en dos componentes: virtual y físico.
La rama virtual incluye aprendizaje de información
para el manejo de sistemas de salud (registros de
salud, etc.). El componente virtual está representado
como el Aprendizaje Automático (Machine Learning
o ML, por sus siglas en inglés) (13), está diseñado con
algoritmos matemáticos que mejoran el desempeño y
aprendizaje a través de la experiencia.
Hay tres tipos de algoritmos de ML: 1. No
supervisados (reconocen patrones especícos), 2.
Supervisados (basados en ejemplos previos para
clasicación y predicción) y 3. Aprendizaje con
reforzamiento (secuencias de premios y castigos para
estrategias de operación en un problema especíco)
(14, 18, 19). En las tareas supervisadas, el algoritmo
se entrena con un grupo de datos etiquetados.
Esto se aplica en epilepsia, cuando se entrena el
software de registros de EEG para detectar descargas
epileptiformes. Por otro lado, en las tareas de
aprendizaje no supervisadas, se utiliza un algoritmo
para descubrir tendencias, o valores atípicos en datos
no etiquetados que se introducen para su estudio. Un
ejemplo en epilepsia son descargas epileptiformes
candidatas que se detectan como atípicas en el trazo
de EEG (20).
El Aprendizaje Profundo (DL, Deep Learning,
por sus siglas en inglés) utiliza computación ultra-
rápida para ecientemente optimizar redes de datos
en múltiples capas que se organizan en una variedad
de conguraciones (¨capas de ltro convolucional¨;
¨capas recursivas¨). El mayor avance de DL sobre ML
es la representación de tiempo y espacio. Se aprende
automáticamente de datos de entrenamiento y no se
asumen por parte de humanos (21).
Medicina personalizada
El 2003 se completó la primera secuencia del
genoma humano y dio pie al estudio de la medicina
personalizada (MP). La medicina genómica utiliza los
datos de información genética como herramienta en la
toma de decisiones para algunos individuos y sistemas
de salud (22). Existen más de 6000 alteraciones/rasgos
genéticos con una etiología molecular especíca
(https://www.omim.org/statistics/geneMap).
El propósito de MP es crear terapéutica
individualizada, prevenir y promover salud
dependiendo de rasgos individuales del paciente (23).
Medicina de precisión se dene como un abordaje para
el tratamiento y prevención de diversas enfermedades,
considerando variabilidades individuales: factores
genéticos, ambientales y estilo de vida como iniciativa
para recalcar la importancia de la información genética
en la toma de decisión (24).
IA en la evaluación del paciente con epilepsia
Detección de crisis
Dispositivos de uso en casa/ambulatorios: El ML
es util para analizar bases de datos grandes y complejas
y se aplica en detección automática de crisis (DAC)
en EEG (25). Se utilizan diversas técnicas para lograr
la lectura y clasicación con DL. (20)Se aplican para
141
Inteligencia articial en la evaluación y manejo de pacientes con epilepsia.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
Tabla 1. Aplicaciones extrahospitalarias de Inteligencia articial.
Nombre País Disponible en
el mercado
Informaciòn
adicional
Representación
gráca Referencia
EEG
supercie
ambulatorio
Epitel Epilog Estados
Unidos Sí 1 canal 33
Byteies sensor
dot Bélgica No
1 canal
1,35
EMG
ECG
EEG Patch TM Estados
Unidos No 2 canales 36
Dispositivos
Implantables
con EEG
ambulatorio
24/7 EEG
SubQ, UNEEG
Medical
Dinamarca Sí
2 canales
37
Acelerómetro
Dispositivos
Tatuaje PEDOT:PSS Italia,
Japón No
2 canales
38
Compatible
con MEG
Acelerómetros SmartWatch Estados
Unidos Si
GPS, Avisos
para tomar
medicación.
39
EpiCare Free Dinamarca Si
Realiza
llamadas
urgentes
de forma
automática.
42
Empática E4 Italia Si
Registro en
¨nube¨con
señal
inalámbrica
31, 43
Altavoces
inteligentes
Estados
Unidos No
Aviso a
familiares por
teléfono en
caso de crisis.
41
E-diarios
inteligentes
SeizureTracker.
com
Estados
Unidos Si
Disponible
en aplicación
móvil
44
142
Paredes-Aragón E, at al.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
predecir crisis epilépticas (CE) con EEG, usando bases
de datos (tabla 1).
Los dispositivos que se encuentran enlistados en la
parte inferior de esta sección ofrecen versatilidad de
realizar actividades diarias, para la detección de crisis
de largo plazo con menos invasión y así representan una
medición de las características y frecuencia de crisis
más dedigna. Cuando se comparan con el estándar
de oro (Video-electroencefalograma de supercie
de largo plazo, con el sistema internacional10-20 de
electrodos), aun no son superiores para la localización
del foco epileptogénico (la mayoría consta solo de
unos pocos electrodos de supercie). Sin embargo,
sirven para monitorizar frecuencia, severidad y
características de crisis a largo plazo en la comodidad
del hogar del paciente para poder establecer estrategias
de tratamiento.
Electroencefalogramas ambulatorios: Un EEG
portátil para el monitoreo continuo del PCE puede
proveer información para el manejo de la enfermedad
del paciente en tiempo real en la comodidad de su
hogar, así como comprender la frecuencia, severidad
de las crisis epilépticas en un ambiente de hogar
(más habitual y tolerable que en el intrahospitalario).
Epilog, un dispositivo con sensor EEG de un canal
se comparó directamente con el montaje de EEG
de supercie con video para el diagnóstico de CE.
Para compararlos, se utilizó el espectro de potencia,
gradiente señal-sonido, y frecuencia de banda para
comparar la calidad de señal entre ambos registros.
Se concluyó que este dispositivo registraba datos
conables. Los resultados fueron similares con otros
dispositivos (26,27).
Dispositivos implantables: Los sistemas de
monitoreo de EEG bajo la piel del cuero cabelludo
continuo/ultra largo tienen evidencia en estudios
iniciales que comparan EEG de supercie contra esta
técnica. Son favorables y demuestran que las crisis
se pueden comprobar electrográcamente(28), esta
técnica es utilizada en unidades de cuidados intensivos
neurológicos en la práctica actual (29).
Dispositivos ¨Tatuaje¨: Existen electrodos cutáneos
que se implantan en la epidermis en forma de tinta
impresa como un tatuaje polímero en EEG. Tienen
el benecio de pasar desapercibidos por el paciente
con adecuada señal. La señal se envía a través de una
plataforma ¨fantasma¨ (30).
Dispositivos basados en análisis de movimientos:
Estos algoritmos de DAC utilizan el registro de ciclos
temporales, siológicos o su combinación. Una área de
oportunidad es la baja calidad de registro, sobre todo
en aquellos de largo uso (artefactos). La acelerometría
(ACC) magnetometría, giroscopía y sensores de
presión miden con reconstrucción las posiciones
del cuerpo usando sensores electromagnéticos o
mecánicos (31,32,33). Se usan en las muñecas,
tobillos, entre otros; los resultados de estos dispositivos
han sido variables; conables según algunos autores,
e inconsistentes para otros (34), algunos colocados en
colchones miden el impacto mecánico de movimientos
ictales rítmicos(35), se resumen en la tabla 1.
Dispositivos con altavoces inteligentes: Existen
también estudios utilizando altavoces inteligentes
conectados a una red (acústicos y ópticos) de
dispositivos de auto-vigilancia que podrían proveer
DAC (34).
Uso de diarios electrónicos (E-diarios) para
predicción de crisis: Utilizando “E-diarios”, se
desarrolló un esquema con ML para predecir el riesgo
de crisis a 24 horas según el registro de crisis auto-
reportadas de los pacientes, 5000 pacientes ingresaron
a SeizureTracker.com, donde incluyeron frecuencia
de crisis, tipo de crisis, y duración. Un programa de
IA de circuitos recurrentes y un esquema de DL pudo
predecir riesgos de crisis a 3 meses. El resultado fue
una predicción con pronóstico de crisis válida superior
al chance (36), en la tabla I resume los dispositivos
ambulatorios.
Genética y epilepsia: Diagnóstico y tratamiento
ambulatorio
Diagnóstico: un diagnóstico genético especíco
podría evitar examinación innecesaria (exámenes
séricos, imagen por resonancia magnética (IRM o
MRI), biopsias, etc.) Las técnicas genéticas (asociación
de genomas, exomas, epigenética, mRNA) e ingeniería
genética como CAR (antígeno del receptor de células
T) y CRSPR (repeticiones regulares inter-espaciadas
cortas palindrómicas en racimo) están revolucionando
la genética clínica. El auge de subgrupos de estudio
molecular (metabolómica, proteómica, micromiómica)
con transición a uso clínico ha sido importante en los
últimos años (24).
Tratamiento: existen mutaciones especícas que
impactan el tratamiento; la más signicativa es el
Síndrome de Dravet (mutación en gen SCN1A en
143
Inteligencia articial en la evaluación y manejo de pacientes con epilepsia.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
80%), con cuadro clínico establecido después de unos
años. El manejo agresivo inicial tiene efecto en el
desenlace funcional de PCE(cognición y crisis). Los
bloqueadores de canales de sodio como fenitoína,
lamotrigina y carbamazepina deben ser evitados
en estos pacientes; el ácido valproico , topiramato ,
clobazam y estiripentol son beneciosos.
Otras encefalopatías con mutaciones en SCN2A
y SCN8A (más raras), se han descrito con perl de
respuesta distinto (neuronas excitatorias; SCN1A
codica interneuronas inhibitorias). Con la mutación
en SCN8A, los bloqueadores de sodio pueden ser
efectivos en algunos casos. Similares resultados se
han descrito con mutaciones en canales de potasio:
KCNQ2 responde adecuadamente a FAC (fármacos
anticrisis) bloqueadores de canales de sodio.
El transportador de glucosa, GLUT1 es responsable
de una encefalopatía severa infantil secundaria
a una mutación en el gen SLC2A1. Resulta en
alteración de GLUT1 y responde a dieta cetogénica.
Lamentablemente, la minoría de las epilepsias
genéticas son monogénicas. Los mecanismos de las
epilepsias poligénicas aún se están desarrollando (37).
La farmacogenómica es rama de la MP; aplica a la
epilepsia por la respuesta altamente variable de los FAC
entre pacientes. El genotipo HLA-B*15:02 identica
a individuos descendientes del sur de Asia con alto
riesgo de reacción cutánea (RC) a carbamazepina.
HLA-A*31:01 identica aquellos pacientes con
riesgo de RC a Carbamazepina o CYP2C9 para RC
a fenitoína (38). Un estudio retrospectivo mostró
utilizando MP que las características individuales
de los pacientes se pueden integrar a un modelo de
precisión. Utilizando datos de una base de 235 PCE
con un modelo de ML para integrar datos clínicos y
genéticos, construyeron un modelo que predijo la
respuesta clínica a los fármacos anticrisis, así como
una muestra limitada a datos de alta dimensión con
datos clínicos para ayudar a la selección de fármaco
adecuado (39).
La selección de fármacos adecuada inuencia la
respuesta clínica de los PCE; una selección inadecuada
de fármacos puede ocasionar daño, es complejo
seleccionar el medicamento adecuado tomando
en cuenta interacciones, edad y tipo de crisis, tras
evaluación por 24 expertos en epilepsia, se validó el
uso de la aplicación digital de una página web, https://
epipick.org; ayuda elegir el FAC (fármacos anticrisis)
para el PCE según sus características individuales,
utiliza un algoritmo utilizando los conocimientos
de epileptólogos (39), fue validado previamente por
el mismo grupo de investigación; basado en método
Delphi. La selección de FAC se basa en tipo de crisis,
y variables clínicas (40).
IA intrahospitalaria
Dispositivos intrahospitalarios para detección de
crisis
Detección automatizada de crisis en EEG: Una
unidad de monitoreo de epilepsia (UME) requiere
varios días para obtener información relevante a
través de telemetría (41), esta detección depende de
la pericia del equipo y la capacidad económica del
centro/paciente, existen diversos métodos para la
DAC con ML.
Las limitaciones de UME involucran un registro
extenso que al nal capta una crisis que dura tan
unos segundos-minutos, artefactos, y variantes de la
normalidad que pueden dar falsos positivos/negativos
de CE (42), cuando se han evaluado los cuatro
algoritmos de DAC existentes, no fueron considerados
adecuados para la práctica clínica (43).
Existen sistemas que se utilizan como método de
vigilancia en algunas unidades de cuidados intensivos
y con DAC tratar de forma rápida a PCE críticamente
enfermos (41,42,44,45, 46,47); estos también se han
utilizando EEG cuantitativos, de uso común en algunas
unidades de cuidados intensivos neurológicas para
tratamiento en tiempo real de las crisis o urgencias
neurológicas (47). En una publicación reciente, el
software Persyst 14, promete una sensibilidad del
95% para DCA y una sensibilidad similar a la del
humano (78,2% y un rango de error de 1,0/día), el
primer dispositivo con estos resultados (48), sus
características se encuentran en la tabla 2.
Detección automatizada de crisis con análisis
de movimientos: Las técnicas de ML aplican a datos
adicionales en la DCA. En PCE neonatal, estudiaron
los movimientos de las extremidades en registros de
video para entrenar circuitos neurales y clasicar tipos
de crisis. Con 120 registros, se llegó a una sensibilidad
de DCA de 86-94% y especicidad de 93-98%
(mayor en crisis mioclónicas). Adicionales estudios
detectaron además espasmos epilépticos, mioclonías,
crisis tónicas, tónico-clónicas y focales motoras (20).
144
Paredes-Aragón E, at al.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
“Nube” digital para predicción de crisis: Se
propone que el EEG obtenido puede ser enviado del
hospital a una “nube” digital en donde un modelo de
DL prediga crisis. El análisis con DL se enviaría al
clínico mediante el servidor del hospital y si existe
riesgo de crisis, contactaría al PCE (49).
Tabla 2. Aplicaciones intrahospitalarias de Inteligencia articial.
Nombre País
Disponible
en el
mercado
Características del algoritmo
IA Ref.
Deteccion de crisis
Persyst 11 Estados
Unidos Sí
Combina la salida de señal
de circuitos neurales con
supervisión lógica de ML
53
Estados
Unidos
=Persyst 11 + ajustes para
distancia y montaje 10-20 53
Persyst 12 Sí
Estados
Unidos 53
=Persyst 12 + impedancia se
usa para detección de falla de
electrodo
Persyst 13 Canadá Sí 54,55
Épocas de 2 segundos,
detección de crisis con
amplitud mayor a 3 veces el
ritmo de base y coeciente de
variación es menos de 36%
Gotman Sí
TM Event
Detection
=Persyst 13+ algoritmo de
detección con sensibilidad y
grado de falla similar a la de
humano
52
Estados
Unidos
Persyst 14
Sí 52
Deteccion de crisis con camaras
N/A Diversos No
Entrenamiento de circuitos
neurales, con videos de crisis
focales o generalizada y
detección automatizada de
crisis según las características
del video
19
Nube digital para prediccion de
crisis
N/A Diversos No
Modelo de DL para predecir
crisis futuras tras valoración
inicial del paciente
30
Reconociumiento de expresiones
faciales
N/A Francia No
Modelo 3D DL comparando
expresiones faciales variando
entre normalidad y expresión
57
Imagen: algoritmos para reconocimiento de lesiones
El estudio ENIGMA reunió expertos utilizando
MRI en PCE en 24 centros. Se utilizaron 2149 PCE
divididos en: epilepsias genéticas generalizadas (n
=367), epilepsia mesial temporal con esclerosis y
145
Inteligencia articial en la evaluación y manejo de pacientes con epilepsia.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
otras epilepsias (n = 1026); con 1727 controles sanos.
Todos los PCE tenían menor volumen en el tálamo
derecho y ambos giros precentrales. Se utilizó como la
base de datos para la aplicación de DL en modelos de
investigación.
Aprendizaje profundo (DL) e imagen: los cerebros
con Epilepsia del Lóbulo Temporal (ELT) se pueden
discriminar de aquellos cerebros sanos utilizando
máquinas de vector soporte (SVM) basados en
anormalidades aspecto mesial inferior de los lóbulos
temporales (50). Utilizando imágenes multimodales
se demostró que la lateralidad de las crisis se puede
predecir con exactitud en MRI basado en información
hipocampal y temporal, respectivamente. Estas
anormalidades que no se disciernen en ELT con MRI
normal (no lesional/¨negativa¨), se establecieron
anormales con un patrón especial en el lóbulo temporal,
además del hipocampo (51), esto se reprodujo también
utilizando tensor de difusión (DTI)(52).
Detección de displasia focal cortical (DFC): A
diferencia de la ELT con esclerosis mesial temporal
que frecuentemente se identica en MRI, la detección
de DFC es más compleja. A pesar de los avances del
análisis de MRI, los algoritmos basados en supercie
tienen más de 50% de error al detectar DFC.
Utilizando IA–DL, un clasicador entrenado con
base de datos con DFC (histológicamente) trabajó con
MRI con voxeles para distinguir lesiones de tejido
sano. Se entrenó con datos de MRI multimodal en
un centro y después globalmente con 6 otros centros,
un total de 107 pacientes. Este clasicador demostró
adecuada sensibilidad (87%-91%) y especicidad
(95%) entre ellos. Podría ser una alternativa para
los pacientes con una “resonancia negativa” con alta
sospecha de DFC (53).
Otro utilizó pacientes clasicados como ‘no-
lesionales’ para realizar MRI de 1.5-3 tesla y ML
para detectar automáticamente la DFC tipo II en 19
pacientes basados en morfología e intensidad de
imagen con sensibilidad del 74% y especicidad de
100% (54). Utilizando ML se estudió si el modelo
de post-procesamiento de MRI detectaba DFC
conrmada histopatológicamente en pacientes sin
lesiones en MRI con una morfometría cuantitativa
(55). Logró identicar lesiones correctamente en 6
de 7 pacientes con MRI lesional. Los pacientes con
MRI no lesional fueron identicados por ML en 14 de
24 casos con DFC (58%).
Otro grupo investigó un método en línea para
la evaluación cuantitativa del hipometabolismo de
PCE focal refractaria (ELT y ELF (epilepsia del
lóbulo frontal)) como complemento al análisis
visual de 18F-FDG PET CT (56). Incluyeron39
PCE refractaria y probable DFC. Se condujo una
cuanticación automatizada de 18F-FDG PET/CT y
se compararon con PET-CT analizados visualmente
por médicos nucleares. Analizaron las imágenes de
forma cuantitativa y cualitativa. En ELT, los análisis
cuantitativos y visuales fueron similares; en ELF
el análisis visual categorizó al 50% de casos como
normales. En ELF el análisis cuantitativo fue crítico
para identicar la ZE.
Abordaje prequirúrgico
Se ha establecido previamente el abordaje de la
epilepsia como circuito neuronal, más que zonas
independientes (4,57). La estimación del riesgo de
secuelas neurológicas contra el benecio de resección
de la ZE requiere de valoración previa exhaustiva con
estudios invasivos y no invasivos. La predicción de
circuitos neuronales permite determinar si ciertos PCE
se benecian de cirugía basándose en la capacidad de
sincronizarse del área de SEEG. La desincronización
cerebral se asoció a mejores desenlaces quirúrgicos y
previno complicaciones (58).
Abordaje quirúrgico para estudio de la zona
epileptogénica (ZE)
Robots en implantación de SEEG: existen
varias plataformas, entre ellas, ROSA (Asistente
Estereotáctico Robótico) (ZimmerBiomet/MedTech)
y Neuro|MateTMRobot. (Renishaw/Reino Unido).
Fueron diseñadas para SEEG y consisten en un
brazo de 6 grados de movilidad y ángulos con base
ja al piso. Se inserta directamente al ensamble que
va al cráneo. Se realiza un co-registro de la IRM y
tomografía del PCE (59) (gura 1).
Los electrodos pueden colocarse en sentido
ortogonal u oblicuos. Son útiles en casos de difícil
acceso (la ínsula, escondida debajo del opérculo
temporal y frontoparietal, sin mencionar el riesgo de
compromiso vascular al insertar los electrodos) (60).
Neuroestimulación: Manejo
La neuromodulación de circuitos neuronales
con implantación de sistemas de estimulación,
146
Paredes-Aragón E, at al.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
A. Robot Neuro|MateTM(Renishaw plc) en la sala quirúrgica asistiendo al neurocirujano mientras se realiza inserción de electrodos
intracraneales a un paciente.
B. Co-registro de imagen de CT con electrodos intracraneales colocados y resonancia magnética nucleada de encéfalo de paciente
adecuados a software tridimensional para vericación de sitio de contacto de electrodos.
Figura 1. Robot para inserción de electrodos SEEG.
Figura 2. Neuromodulación en epilepsia
147
Inteligencia articial en la evaluación y manejo de pacientes con epilepsia.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
incluyendo DBS (estimulador profundo cerebral),
es una alternativa para aquellos PCE refractaria que
no se benecian de resección (61). Entre las dianas
terapéuticas se encuentra el núcleo anterior del
tálamo (ATN), nodo central del circuito de Papez. Los
mecanismos de acción antiepileptogénica del DBS
aún no se conocen con exactitud (62,63). La ecacia
de la estimulación de ATN se ha demostrado en crisis
focales y generalizadas, con reducción de crisis de
71,3% a 1 año, 73,9% a 2 años, y en un rango de
61,8 - 80,0% desde los 3 a los11 años (64), nuestra
experiencia indica que el DBS puede ser usado con
mejor éxito en pacientes con epilepsia multifocal y sin
complicaciones a largo plazo (65).
VNS: Fue el primer neuromodulador aprobado
para tratamiento de epilepsia. (66) Sigue demostrando
ecacia para crisis de inicio focal y generalizadas
(67). Los modelos recientes tienen función de
autoestimulación (AutoStim). Permite medir
frecuencias cardíacas en rangos extremos ajustado
al individuo para prevenir crisis con descargas
autonómicas (taquicardia/bradicardia), para crisis
nocturnas o sin aura (66). El modelo más reciente de
VNS aprobado (SenTiva), además de AutoStim, tiene
sistema de circuito cerrado generando estimulación
automática (68,69). Con una guía anticipada de
programación, se puede ajustar para auto-sugerir
próximos ajustes a parámetros de estimulación futura
con horario en una sola visita (68).
Estimulación Cerebral Responsiva (RNS):
En contraste con los sistemas anteriores, el RNS
monitorea continuamente la actividad neural de ZE
y responde con estimulación solamente cuando se
detecta actividad epileptiforme. Los ensayos clínicos
con PCE demuestran constante reducción de crisis a
75% después de 9 años de tratamiento (70,71). Se
asoció a mejoría en cognición y calidad de vida en
PCE. Esto se ha reproducido en la ínsula con 75% de
reducción de crisis (72) y bitemporal en 70% (73).
Estimulación del Nervio Trigémino (TNS): La
estimulación del nervio trigémino es utilizada en
algunas regiones de Europa, su mecanismo de acción
es similar al de VNS y posee efectos moduladores
Figura 3. Inteligencia articial en epilepsia.
148
Paredes-Aragón E, at al.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
del ánimo; el benecio más prometedor del TNS es
que no es implantado sino aplicado a la piel por vía
transdérmica (74).
En la gura 2 se resume las aplicaciones de
Neuromodulación e IA en epilepsia.
Otros benecios de IA
Estimación de pronóstico de pacientes con epilepsia
con IA
Se utilizó ML para predecir muerte temprana
y tardía en epilepsia. Utilizaron registros médicos
electrónicos; predijeron si un paciente tenía riesgo
de mortalidad temprana y tardía. Los factores con
impacto en desenlace de muerte tardía fueron causas
médicas, sociales individuales, y relacionados con el
tratamiento (atraso en inicio de FAC) (75).
Direcciones futuras
“Ómicas”
La medicina de precisión como herramienta
para manejo del PCE posee diversas ramas cuyos
desenlaces/manifestaciones clínicas se pueden estimar
con exactitud (24). La biología de sistemas propone
crear un modelo computacional y matemático de
sistemas biológicos complejos (76,77). La epilepsia
está en la categoría de ¨sistemas¨. Este sistema de
epilepsia se intenta integrar como un modelo biológico
complejo de patrones establecidos, entre ellos la
genética.
La metabolómica, se ha aplicado a tejidos de
postoperados de cirugía de epilepsia en comparación
con una espectroscopía de alta resolución- MRI, con
genómica (análisis de chip de RNA (microarray),
histopatología (interactoma celular, neovascularización
y microlesiones)). Utilizando el abordaje de biología
en sistemas en corteza de los PCE, se encontró
evidencia demostrando alteraciones metabólicas en la
arquitectura sináptica y neurovascular de los cerebros
de PCE. Podría representar potencial biomarcador
no-invasivo de epileptogénesis en el futuro y podría
impactar su manejo y abordaje (78).
Estimación de desenlace quirúrgico
Un nomograma (diagrama de cálculo matemático)
se desarrolló para estimar según las características del
PCE el desenlace posquirúrgico si se resecara la ZE.
Se estimó predecir libertad de crisis y clasicación de
Engel 1 a los 2 años y a los 5 años después de cirugía.
(79). El estudio multicéntrico de 846 pacientes
iniciales validó a 604. El riesgo basal de Engel 1 fue
0,69 a los 2 años y 0,62 a los 5 años. En la cohorte
de validación, los modelos demostrados tuvieron
estadística para libertad de crisis de 0,60 y 0,61 para
Engel 1. Se espera que este estudio se valide con
cohortes prospectivas (79).
CONCLUSIONES
La IA es una rama tecnológica en auge en los últimos
años. Las herramientas que provee para el médico
a cargo de PCE representan una ventaja a favor
del tratamiento (Figura 4) y calidad de vida de los
pacientes, así como un mejor entendimiento del
comportamiento de esta enfermedad compleja.
Para las poblaciones de latinoamerica, sobre todo
aquellas poblaciones marginadas o con pobre
acceso a la salud de forma frecuente, estas medidas
representan un método de atención médica continua.
Como ejemplo, el uso de dispositivos ambulatorios
de EEG continuo (aunque sea un solo canal) podría
representar para nuestras poblaciones una posibilidad
de remotamente vigilar, controlar la frecuencia y
severidad de las crisis y llegar a la meta de mejorar la
calidad de vida de los pacientes. Las posibilidades de
este tratamiento son extensas y ofrecen exibilidad
para aquellos quienes más lo necesitan.
Agradecimientos: Dr. David Steven, por las imágenes
intraoperatorias proporcionadas.
Correspondencia:
Jorge G. Burneo
Programa de Epilepsia
Western University & London Health Sciences Centre
University Hospital, B10-120
339 Windermere Rd
London, Ontario, Canada, N6A 5A5
Correo electrónico: jburneo2@uwo.ca
Fuentes de nanciación total o parcial: No se recibió
apoyo nanciero en este estudio.
Conictos de interés: El Dr. Burneo recibe salario
del Endowed Chair Jack Cowin en Investigación en
Epilepsia. La Dra. Paredes-Aragon no tiene conicto
de interés que declarar.
149
Inteligencia articial en la evaluación y manejo de pacientes con epilepsia.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
REFERENCIAS BIBLIOGRAFICAS
1. World Health Organization. Epilepsy: a public health
imperative. Ginebra: World Health Organization;
2019. (Citado el 20 de octubre del 2020). Disponible
en: https://www.who.int/mental_health/neurology/
epilepsy/report_2019/en/
2. Kwan P, Arzimanoglou A, Berg AT, Brodie MJ,
Hauser WA, Mathern G, et al. Denition of drug
resistant epilepsy: Consensus proposal by the ad hoc
Task Force of the ILAE Commission on Therapeutic
Strategies. Epilepsia. 2010; 51: 1069-1077.
3. Kwan P, Brodie MJ. Eectiveness of rst antiepileptic
drug. Epilepsia. 2001;42(10):1255–60.
4. Chauvel P, Gonzalez-Martinez J, Bulacio J.
Presurgical intracranial investigations in epilepsy
surgery. In: Handbook of Clinical Neurology. 2019;
1: 45–71. Doi: 10.1016/B978-0-444-64142-7.00040-0
5. Boling W, Aghakhani Y, Andermann F, Sziklas V,
Olivier A. Surgical treatment of independent
bitemporal lobe epilepsy dened by invasive
recordings. J Neurol Neurosurg Psychiatry. 2009;
80(5): 533–8 . DOI: 10.1136/jnnp.2008.155291
6. Massot-Tarrús A, Steven DA, McLachlan RS,
Mirsattari SM, Diosy D, Parrent AG, et al.
Outcome of temporal lobe epilepsy surgery evaluated
with bitemporal intracranial electrode recordings.
Epilepsy Res. 2016;127:324–330. DOI: 10.1016/j.
eplepsyres.2016.08.008
7. Aghakhani Y, Liu X, Jette N, Wiebe S. Epilepsy
surgery in patients with bilateral temporal lobe
seizures: A systematic. Epilepsia. 55(12):1892-901.
DOI: 10.1111/epi.12856/
8. Wiebe S, Blume WT, Girvin JP, Eliasziw M. A
randomized, controlled trial of surgery for temporal-
lobe epilepsy. N Engl J Med. 200;345(5):311–8. DOI:
10.1056/NEJM200108023450501
9. Téllez-Zenteno JF, Ronquillo LH, Moien-Afshari F,
Wiebe S. Surgical outcomes in lesional and non-
lesional epilepsy: A systematic review and meta-
analysis. Epilepsy Res. 2010;89(2–3):310–8. DOI:
10.1016/j.eplepsyres.2010.02.007
10. Tomson T, Walczak T, Sillanpaa M, Sander JWAS.
Sudden unexpected death in epilepsy: A review of
incidence and risk factors. Epilepsia; 2005; 46: 54–
61. DOI: 10.1111/j.1528-1167.2005.00411.x
11. Vaurio L, Karantzoulis S, Barr WB. The impact
of epilepsy on quality of life. En: Chiaravalloti N,
Goverover Y, editores. Changes in the Brain. New
York: Springer; 2016. p. 167–87. (Citado el 20 de
octubre del 2020). Disponible en: https://link.
springer.com/chapter/10.1007/978-0-387-98188-8_8
12. Acharya UR, Hagiwara Y, Adeli H. Automated
seizure prediction. Epilepsy Behav. 2018; 88:251-
261. doi: 10.1016/j.yebeh.2018.09.030
13. Yu KH, Beam AL, Kohane IS. Articial intelligence
in healthcare [Internet]. Vol. 2, Nature Biomedical
Engineering. 2018; 2: 719–31. (Citado el 20 de
octubre del 2020). Disponible en: http://www.nature.
com/articles/s41551-018-0305-z
14. Hamet P, Tremblay J. Articial intelligence
in medicine.. 2017;69:S36–40. DOI: 10.1016/j.
metabol.2017.01.011
15. Miller DD, Brown EW. Articial Intelligence
in Medical Practice: The Question to the Answer?.
Am J Med. 2018;131(2):129-133. doi: 10.1016/j.
amjmed.2017.10.03
16. Moreno-Díaz R, Moreno-Díaz A. On the legacy of
W.S. McCulloch. Biosystems. 2007;88(3):185-90.
doi: 10.1016/j.biosystems.2006.08.010
17. Abraham TH. (Physio)logical circuits: The intellectual
origins of the Mcculloch-Pitts neural networks. J
Hist Behav Sci. Winter 2002;38(1):3-25. doi:
10.1002/jhbs.1094
18. Deo RC. Machine learning in medicine.
Circulation. 2015;132(20):1920-30. doi: 10.1161/
CIRCULATIONAHA.115.001593
19. El-Hassoun O, Maruscakova L, Valaskova Z, Bucova
M, Polak S, Hulin I. Articial intelligence in service
of medicine. Bratisl Lek Listy. 2019;120(3):218-222.
doi: 10.4149/BLL_2019_028
20. Abbasi B, Goldenholz DM. Machine learning
applications in epilepsy. Epilepsia. 2019;60(10):2037-
2047. doi: 10.1111/epi.16333
21. Ahmedt-Aristizabal D, Fookes C, Dionisio S, Nguyen
K, Cunha JPS, Sridharan S. Automated analysis
of seizure semiology and brain electrical activity in
presurgery evaluation of epilepsy: A focused survey.
Epilepsia. 2017;58(11):1817-1831. doi: 10.1111/
epi.13907
22. Caudle K, Klein T, Homan J, Muller D,
Whirl-Carrillo M, Gong L, et al. Incorporation of
Pharmacogenomics into Routine Clinical Practice: the
Clinical Pharmacogenetics Implementation
Consortium (CPIC) Guideline Development Process.
Curr Drug Metab. 2014;15(2):209-17. doi: 10.2174/1
389200215666140130124910
23. Abul-Husn NS, Kenny EE. Leading Edge Perspective
Personalized Medicine and the Power of Electronic
Health Records. Cell. 2019;177:58–69.
DOI:10.1016/j.cell.2019.02.039
24. Josephson CB, Wiebe S. Precision Medicine:
Academic dreaming or clinical reality? Epilepsia.
2021;62 Suppl 2:S78-S89. doi: 10.1111/epi.16739
25. Weisdorf S, Zibrandtsen IC, Kjaer TW. Subcutaneous
EEG Monitoring Reveals AED Response and
Breakthrough Seizures. Case Rep Neurol Med. 2020;
2020: 8756917. doi: 10.1155/2020/8756917.
26. Byteies. We enable wearable health. Byteies;
2019. (Citado el 24 de enero del 2021). Disponible
en: https://na.eventscloud.com/le_uploads/403e8
77cecc7b00791b8f387f15f49e0_Danneels_
150
Paredes-Aragón E, at al.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
Byteies-eHealth.pdf
27. Nasseri M, Nurse E, Glasstetter M, Böttcher S, Gregg
NM, Laks Nandakumar A, et al. Signal quality and
patient experience with wearable devices for epilepsy
management. Epilepsia. 2020;61 Suppl 1:S25-S35.
doi: 10.1111/epi.16527
28. Duun-Henriksen J, Baud M, Richardson MP,
Cook M, Kouvas G, Heasman JM, et al. A new
era in electroencephalographic monitoring? Subscalp
devices for ultra–long-term recordings. Epilepsia.
2020;61(9):1805-1817. doi: 10.1111/epi.16630
29. Tanner AEJ, Särkelä MOK, Virtanen J, Viertiö-Oja
HE, Sharpe MD, Norton L, et al. Application of
subhairline E-G montage in intensive care
unit: Comparison with full montage. J Clin
Neurophysiol. 2014;31(3):181-6. doi: 10.1097/
WNP.0000000000000049
30. Ferrari LM, Ismailov U, Badier JM, Greco F,
Ismailova E. Conducting polymer tattoo electrodes
in clinical electro- and magneto-encephalography. npj
Flex Electron. 2020 ;4(1). (Citado el 22 de diciembre
del 2020) Disponible en: https://www.nature.com/
articles/s41528-020-0067-z
31. Lockman J, Fisher RS, Olson DM. Detection of
seizure-like movements using a wrist accelerometer.
Epilepsy Behav. 2011;20(4):638-41. doi: 10.1016/j.
yebeh.2011.01.019
32. Villar JR, Menéndez M, Sedano J, de la Cal E,
González VM. Analyzing accelerometer data for
epilepsy episode recognition. In: Advances in
Intelligent Systems and Computing. Springer Verlag;
2015. p. 39–48.
33. Beniczky S, Polster T, Kjaer TW, Hjalgrim H.
Detection of generalized tonic-clonic seizures by a
wireless wrist accelerometer: A prospective,
multicenter study. Epilepsia. 2013;54(4):e58-61. doi:
10.1111/epi.12120
34. Elger CE, Hoppe C. Diagnostic challenges in
epilepsy: seizure under-reporting and seizure
detection. Lancet Neurol. 2018;17(3):279-288. doi:
10.1016/S1474-4422(18)30038-3
35. Vieluf S, Reinsberger C, Atrache R El, Jackson M,
Schubach S, Ufongene C, et al. Autonomic nervous
system changes detected with peripheral sensors in the
setting of epileptic seizures. Sci Rep.
2020;10(1):11560. doi: 10.1038/s41598-020-68434-z
36. Goldenholz DM, Goldenholz SR, Romero J, Moss
R, Sun H, Westover B. Development and Validation of
Forecasting Next Reported Seizure Using e-Diaries.
Ann Neurol. 2020;88(3):588-595. doi: 10.1002/
ana.25812
37. Striano P, Minassian BA. From Genetic Testing to
Precision Medicine in Epilepsy. Neurotherapeutics.
2020;17(2):609-615. doi: 10.1007/s13311-020-008
35-4
38. Franco V, Perucca E. The pharmacogenomics of
epilepsy. Expert Rev Neurother. 2015; 15(10):1161-
70. doi: 10.1586/14737175.2015.1083424
39. Beniczky S, Rampp S, Asadi-Pooya AA, Rubboli G,
Perucca E, Sperling MR. Optimal choice of
antiseizure medication: Agreement among experts and
validation of a web-based decision support application.
Epilepsia. 2021;62(1):220-227. doi: 10.1111/
epi.16763
40. Asadi-Pooya AA, Beniczky S, Rubboli G, Sperling
MR, Rampp S, Perucca E. A pragmatic algorithm
to select appropriate antiseizure medications in
patients with epilepsy. Epilepsia. 2020;61(8):1668–
77. DOI: 10.1111/epi.16610
41. Velis D, Plouin P, Gotman J, Da Silva FL.
Recommendations regarding the requirements
and applications for long-term recordings in epilepsy.
Epilepsia. 2007;48(2):379-84. doi: 10.1111/j.1528-
1167.2007.00920.x
42. Emami A, Kunii N, Matsuo T, Shinozaki T, Kawai K,
Takahashi H. Seizure detection by convolutional neural
network-based analysis of scalp
electroencephalography plot images. Neuroimage
Clin. 2019;22:101684. doi: 10.1016/j.nicl.2019.
101684
43. Varsavsky A, Mareels I, Cook M. Epileptic Seizures
and the EEG . Boca Ratón: CRC Press; 2016. (Citado
el 20 de octubre del 2020). Disponible en: https://
www.taylorfrancis.com/books/epileptic-
seizures-eeg-andrea-varsavsky-iven-mareels-mark-
cook/10.1201/b10459
44. González Otárula KA, Mikhaeil-Demo Y, Bachman
EM, Balaguera P, Schuele S. Automated seizure
detection accuracy for ambulatory EEG recordings.
Neurology. 2019; 92(14):e1540-e1546. doi: 10.1212/
WNL.0000000000007237
45. Sierra-Marcos A, Scheuer ML, Rossetti AO. Seizure
detection with automated EEG analysis: a validation
study focusing on periodic patterns. Clin
Neurophysiol. 2015; 126(3): 456-62. doi: 10.1016/j.
clinph.2014.06.025
46. Gotman J. Automatic seizure detection: improvements
and evaluation. Electroencephalogr Clin
Neurophysiol. 1990; 76(4):317-24. doi: 10.1016/0013-
4694(90)90032-f.
47. Gotman J, Gloor P. Automatic recognition and
quantication of interictal epileptic activity in
the human scalp EEG. Electroencephalogr Clin
Neurophysiol. 1976;41(5):513-29. doi: 10.1016/0013-
4694(76)90063-8
48. Scheuer ML, Wilson SB, Antony A, Ghearing G,
Urban A, Bagić AI. Seizure Detection: Interreader
Agreement and Detection Algorithm
Assessments Using a Large Dataset. J Clin
Neurophysiol. 2021;38(5):439-447. doi: 10.1097/
WNP.0000000000000709
49. Acharya UR, Hagiwara Y, Adeli H. Automated
151
Inteligencia articial en la evaluación y manejo de pacientes con epilepsia.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
seizure prediction. Epilepsy Behav. 2018;88:251-
261. doi: 10.1016/j.yebeh.2018.09.030
50. Del Gaizo J, Mofrad N, Jensen JH, Clark D, Glenn
R, Helpern J, et al. Using machine learning to classify
temporal lobe epilepsy based on diusion MRI. Brain
Behav. 2017;7(10):e00801. doi: 10.1002/brb3.801
51. Bennett OF, Kanber B, Hoskote C, Cardoso MJ,
Ourselin S, Duncan JS, et al. Learning to see the
invisible: A data-driven approach to nding the
underlying patterns of abnormality in visually
normal brain magnetic resonance images in patients
with temporal lobe epilepsy. Epilepsia.
2019;60(12):2499-2507. doi: 10.1111/epi.16380
52. Kamiya K, Amemiya S, Suzuki Y, Kunii N, Kawai
K, Mori H, et al. Machine Learning of DTI Structural
Brain Connectomes for Lateralization of Temporal
Lobe Epilepsy. Magn Reson Med Sci. 2016;15(1):121-
9. doi: 10.2463/mrms.2015-0027
53. Gill RS, Hong SJ, Fadaie F, Caldairou B, Bernhardt
BC, Barba C, et al. Deep convolutional networks
for automated detection of epileptogenic brain
malformations. In: Lecture Notes in Computer
Science. Nerw York: Springer Verlag; 2018. p. 490–7.
54. Hong SJ, Kim H, Schrader D, Bernasconi N,
Bernhardt BC, Bernasconi A. Automated
detection of cortical dysplasia type II in MRI-negative
epilepsy. Neurology. 2014;83(1):48-55. doi: 10.1212/
WNL.0000000000000543
55. Ahmed B, Brodley CE, Blackmon KE, Kuzniecky R,
Barash G, Carlson C, et al. Cortical feature analysis
and machine learning improves detection of “MRI-
negative” focal cortical dysplasia. Epilepsy Behav.
2015;48:21-8. doi: 10.1016/j.yebeh.2015.04.055
56. Coelho VCM, Morita ME, Amorim BJ, Ramos
CD, Yasuda CL, Tedeschi H, et al. Automated online
quantication method for 18F-FDG positron emission
tomography/CT improves detection of the
epileptogenic zone in patients with pharmacoresistant
epilepsy. Front Neurol. 2017;8:453. doi: 10.3389/
fneur.2017.00453
57. Zijlmans M, Zweiphenning W, van Klink N. Changing
concepts in presurgical assessment for epilepsy
surgery Nat Rev Neurol. 2019;15(10):594-606. doi:
10.1038/s41582-019-0224-y
58. Kini LG, Bernabei JM, Mikhail F, Hadar P, Shah
P, Khambhati AN, et al. Virtual resection predicts
surgical outcome for drug-resistant epilepsy. Brain.
2019;142(12):3892-3905. doi: 10.1093/brain/awz303
59. Ho AL, Muftuoglu Y, Pendharkar A V., Sussman ES,
Porter BE, Halpern CH, et al. Robot-guided pediatric
stereoelectroencephalography: Single-institution
experience. J Neurosurg Pediatr. 2018;22(5):1-8. doi:
10.3171/2018.5.PEDS17718
60. De Barros A, Zaldivar-Jolissaint JF, Homann D,
Job-Chapron A-S, Minotti L, Kahane P, et al.
Indications, Techniques, and Outcomes of Robot-
Assisted Insular Stereo-Electro-Encephalography:
A Review. Front Neurol. 2020;11:1033. doi: 10.3389/
fneur.2020.01033
61. Fisher R, Salanova V, Witt T, Worth R, Henry T,
Gross R, et al. Electrical stimulation of the anterior
nucleus of thalamus for treatment of refractory
epilepsy. Epilepsia. 2010; 51(5): 899-908. doi:
10.1111/j.1528-1167.2010.02536.x
62. Lim SN, Lee ST, Tsai YT, Chen IA, Tu PH, Chen JL,
et al. Electrical stimulation of the anterior nucleus
of the thalamus for intractable epilepsy: A long-term
follow-up study. Epilepsia. 2007;48(2):342–7.
63. Chang B, Xu J. Deep brain stimulation for refractory
temporal lobe epilepsy: a systematic review and
meta-analysis with an emphasis on alleviation
of seizure frequency outcome. Childs Nerv Syst.
2018;34(2):321-327. doi: 10.1007/s00381-017-
3596-6
64. Kim SH, Lim SC, Kim J, Son BC, Lee KJ, Shon
YM. Long-term follow-up of anterior thalamic deep
brain stimulation in epilepsy: A 11-year, single center
experience. Seizure. 2017;52:154-161. doi: 10.1016/j.
seizure.2017.10.009
65. Herrera ML, Suller-Marti A, Parrent A, MacDougall
K, Burneo JG. Stimulation of the Anterior Nucleus
of the Thalamus for Epilepsy: A Canadian Experience.
Can J Neurol Sci. 2021;48(4):469-478. doi: 10.1017/
cjn.2020.230
66. González HFJ, Yengo-Kahn A, Englot DJ. Vagus
Nerve Stimulation for the Treatment of Epilepsy.
Neurosurg Clin N Am. 2019;30(2):219-230. doi:
10.1016/j.nec.2018.12.005
67. Wheless JW, Gienapp AJ, Ryvlin P. Vagus nerve
stimulation (VNS) therapy update. Epilepsy Behav.
2018;88S:2-10. doi: 10.1016/j.yebeh.2018.06.032
68. Mertens A, Raedt R, Gadeyne S, Carrette E, Boon
P, Vonck K. Recent advances in devices for vagus nerve
stimulation. Expert Rev Med Devices. 2018;15(8):527-
539. doi: 10.1080/17434440.2018.1507732
69. Lo WB, Chevill B, Philip S, Agrawal S, Walsh AR.
Seizure improvement following vagus nerve
stimulator (VNS) battery change with cardiac-based
seizure detection automatic stimulation (AutoStim):
early experience in a regional paediatric unit. Childs
Nerv Syst. 2021;37(4):1237-1241. doi: 10.1007/
s00381-020-04962-3
70. Shenoy C, Alzahrani HA, Upton A, Kamath M V.
Electrostimulation for refractory epilepsy: A review. J
Long Term E Med Implants. 2016;26(3):253-260.
doi: 10.1615/JLongTermEMedImplants.20160175
69
71. Skarpaas TL, Jarosiewicz B, Morrell MJ. Brain-
responsive neurostimulation for epilepsy (RNS ®
System). Epilepsy Res. 2019;153:68-70. doi:
10.1016/j.eplepsyres.2019.02.00
72. Chen H, Dugan P, Chong DJ, Liu A, Doyle W,
152
Paredes-Aragón E, at al.
Rev Neuropsiquiatr. 2022; 85(2): 139-152
Friedman D. Application of RNS in refractory epilepsy:
Targeting insula. Epilepsia Open. 2017;2(3):345-349.
doi: 10.1002/epi4.12061
73. Geller EB, Skarpaas TL, Gross RE, Goodman
RR, Barkley GL, Bazil CW, et al. Brain-responsive
neurostimulation in patients with medically
intractable mesial temporal lobe epilepsy. Epilepsia.
2017;58(6):994-1004. doi: 10.1111/epi.13740
74. Nune G, DeGiorgio C, Heck C. Neuromodulation in
the Treatment of Epilepsy Curr Treat Options Neurol.
2015;17(10):375. doi: 10.1007/s11940-015-0375-0
75. Hrabok M, Engbers JDT, Wiebe S, Sajobi TT, Subota
A, Almohawes A, et al. Primary care electronic
medical records can be used to predict risk and
identify potentially modiable factors for early
and late death in adult onset epilepsy. Epilepsia.
2021;62(1):51-60. doi: 10.1111/epi.16738
76. Breitling R. What is systems biology? Front Physiol.
2010;1:9. doi: 10.3389/fphys.2010.00009
77. Mahoney JM, Mills JD, Muhlebner A, Noebels J,
Potschka H, Simonato M, et al. WONOEP appraisal:
Studying epilepsy as a network disease using systems
biology approaches. Epilepsia. 2019;60(6):1045-
1053. doi: 10.1111/epi.15216
78. Wu HC, Dachet F, Ghoddoussi F, Bagla S, Fuerst
D, Stanley JA, et al. Altered metabolomic–genomic
signature: A potential noninvasive biomarker of
epilepsy. Epilepsia. 2017;58(9):1626-1636. doi:
10.1111/epi.13848
79. Jehi L, Yardi R, Chagin K, Tassi L, Russo G Lo,
Worrell G, et al. Development and validation of
nomograms to provide individualised predictions of
seizure outcomes after epilepsy surgery: A
retrospective analysis. Lancet Neurol. 2015; 14(3):
283-90. doi: 10.1016/S1474-4422(14)70325-4
Recibido: 20/12/2021
Aceptado: 02/05/2022
