Detección automática multicanal de husos de sueño en epilepsia pediátrica
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13845Palabras clave:
Procesamiento y adquisición de señales biomédicas, Ensayo clínico, Validación clínica, Sistemas de apoyo a la decisión y control en medicina, Modelado de neuro-sistemas, Modelado, identificación y simulación de sistemas biomédicosResumen
Los husos de sueño han emergido como biomarcadores neurofisiológicos en epilepsia focal pediátrica, aunque su identificación manual en registros electroencefalográficos (EEG) continúa siendo un proceso lento y subjetivo. En este trabajo preliminar se presenta una versión multicanal de un método monocanal adaptado a la detección automática de husos en pacientes pediátricos con epilepsia focal. El estudio se realizó sobre registros polisomnográficos de siete pacientes, utilizando seis derivaciones bipolares EEG y una validación multicanal basada en detección simultánea de eventos en distintas regiones cerebrales. Los parámetros del detector fueron optimizados mediante la maximización del F1-score. La configuración óptima del sistema alcanzó un F1-score global de 0.625, comparable al acuerdo inter-experto descrito en la literatura. Además, las densidades de husos estimadas mostraron rangos fisiológicamente plausibles y coherentes con estudios previos pediátricos. Los resultados sugieren que la detección automática multicanal constituye una herramienta prometedora para el análisis objetivo y reproducible de husos en epilepsia pediátrica.
Referencias
Chen, C., Wang, K., Belkacem, A.N., Lu, L., Yi, W., Liang, J., Huang, Z., Ming, D., 2023. A comparative analysis of sleep spindle characteristics of sleep-disordered patients and normal subjects. Frontiers in Neuroscience 17, 1110320. DOI: 10.3389/fnins.2023.1110320.
Fisher, R.S., Acevedo, C., Arzimanoglou, A., et al., 2014. ILAE official report: A practical clinical definition of epilepsy. Epilepsia 55(4), 475–482. DOI: 10.1111/EPI.12550
Fortini, S., Beghi, E., Canevini, M.P., et al., 2021. More than one self-limited epilepsy of childhood in the same patient: A multicenter study. Epilepsy Research 177, 106768. DOI: 10.1016/J.EPLEPSYRES.2021.106768.
Gallotto, S., Seeck, M., 2023. EEG biomarker candidates for the identification of epilepsy. Clinical Neurophysiology Practice 8, 32–41. DOI: 10.1016/j.cnp.2022.11.004.
Gruber, R., Wise, M.S., 2016. Sleep spindle characteristics in children with neurodevelopmental disorders and their relation to cognition. Neural Plasticity 2016, 4724792. DOI: 10.1155/2016/4724792.
Iber, C., Ancoli-Israel, S., Chesson, A.L., 2015. The AASM manual for the scoring of sleep and associated events. American Academy of Sleep Medicine, Westchester, IL, USA.
Kramer, M.A., Stoyell, S.M., Chinappen, D., Ostrowski, L.M., Spencer, E.R., Morgan, A.K., Emerton, B.C., Jing, J., Westover, M.B., Eden, U.T., Stickgold, R., Manoach, D.S., Chu, C.J., 2021. Focal sleep spindle deficits reveal focal thalamocortical dysfunction and predict cognitive deficits in sleep activated developmental epilepsy. The Journal of Neuroscience 41(8), 1816–1829. DOI: 10.1523/JNEUROSCI.2009-20.2020.
McLaren, J.R., Luo, Y., Kwon, H., Shi, W., Kramer, M.A., Chu, C.J., 2023. Preliminary evidence of a relationship between sleep spindles and treatment response in epileptic encephalopathy. Annals of Clinical and Translational Neurology 10(9), 1513–1524. DOI: 10.1002/ACN3.51840.
Mei, N., Grossberg, M.D., Ng, K., Navarro, K.T., Ellmore, T.M., 2017. Identifying sleep spindles with multichannel EEG and classification optimization. Computers in Biology and Medicine 89, 441–448. DOI: 10.1016/J.COMPBIOMED.2017.08.030.
Miao, J., Zhu, W., 2022. Precision–recall curve (PRC) classification trees. Evolutionary Intelligence 15(3), 1545–1569. DOI: 10.1007/s12065-021-00565-2.
Organización Mundial de la Salud, 2025. Epilepsia. Organización Mundial de la Salud. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/epilepsy
Parekh, A., Selesnick, I.W., Rapoport, D.M., Ayappa, I., 2015. Detection of K-complexes and sleep spindles (DETOKS) using sparse optimization. Journal of Neuroscience Methods 251, 37–46. DOI: 10.1016/j.jneumeth.2015.04.006.
Purcell, M., Manoach, D.S., Demanuele, C., et al., 2017. Characterizing sleep spindles in 11,630 individuals from the National Sleep Research Resource. Nature Communications 8(1), 1–16. DOI: 10.1038/ncomms15930.
Schönauer, M., Pöhlchen, D., 2018. Sleep spindles. Current Biology 28(19), R1129–R1130. DOI: 10.1016/j.cub.2018.07.035.
Shlobin, N.A., Singh, G., Newton, C.R., Sander, J.W., 2021. Classifying epilepsy pragmatically: Past, present, and future. Journal of the Neurological Sciences 427, 117515. DOI: 10.1016/J.JNS.2021.117515.
Tamamoto, Y., Fujie, T., Umimoto, K., Nakamura, H., 2024. Factors affecting discrepancies between scorers in manual sleep spindle detections in single-channel electroencephalography in young adult males. Frontiers in Sleep 3. DOI: 10.3389/frsle.2024.1427540.
Wendt, S.L., Welinder, P., Sorensen, H.B.D., Peppard, P.E., Jennum, P., Perona, P., Mignot, E., Warby, S.C., 2015. Inter-expert and intra-expert reliability in sleep spindle scoring. Clinical Neurophysiology 126(8), 1548–1556. DOI: 10.1016/j.clinph.2014.10.158.
Wirrell, E.C., Nabbout, R., Scheffer, I.E., et al., 2022. Methodology for classification and definition of epilepsy syndromes with list of syndromes: Report of the ILAE task force on nosology and definitions. Epilepsia 63(6), 1333–1348. DOI: 10.1111/EPI.17237.
Zhang, W., Xin, M., Song, G., Liang, J., 2023. Childhood absence epilepsy patients with cognitive impairment have decreased sleep spindle density. Sleep Medicine 103, 89–97. DOI: 10.1016/j.sleep.2023.01.012.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Cristina Montserrat-Font, Paula Romano-Romeo, Jan Pinyol-Pont, Mónica Vicente-Rasoamalala, Miguel A. Mañanas, Sergio Romero
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
