Objetivos: El deep learning es una rama del machine learning que utiliza redes neuronales para aprender patrones a partir de conjuntos de datos. Nuestro objetivo es desarrollar un modelo de red neuronal convolucional (CNN) para clasificar pacientes con epilepsia como farmacorresistente (FR) o no farmacorresistente (no-FR), mediante registros EEG de superficie.

Material y métodos: Se procesaron EEG (sistema 10:20, ≥ 30 minutos) de pacientes con epilepsia (2020-2024) y se etiquetaron como FR/no-FR. Se excluyeron aquellos pacientes intervenidos quirúrgicamente. Un observador externo, ciego a los datos clínicos excepto a la característica de farmacorresistencia, desarrolló modelos de CNN. Los datos empleados se destinaron a una fase de entrenamiento y validación (80%), y otra de prueba (20%). En la primera fase se utilizaron técnicas de validación cruzada de 10 pliegues y bootstrap para aumentar el rendimiento y robustez.

Resultados: Se incluyeron 180 EEG; edad media 41,1 ± 17 años; 52,8% mujeres y 48,3% presentaban epilepsia FR. La mediana de edad de inicio fue 19 años (RIC: 10-35). Los pacientes con epilepsia FR presentaron mayor tiempo de evolución y epilepsia focal con mayor frecuencia. El mejor modelo de CNN alcanzó una precisión de validación del 73,5%. En la fase de prueba, la precisión global fue del 70%, con valores predictivos positivo y negativo del 72,2% y 66,6% respectivamente.

Conclusión: El modelo alcanzó una precisión global del 70% en la clasificación del estado de farmacorresistencia en pacientes con epilepsia mediante datos del EEG de superficie. Se necesitan conjuntos de datos más amplios para mejorar los resultados.