Inteligencia artificial para la evaluación intraoperatoria de emociones básicas durante el mapeo cognitivo cerebral en cirugías de gliomas
DOI:
https://doi.org/10.59156/enk1wa84Palavras-chave:
Cirugía despierto, Gliomas, Inteligencia artificial, Mapeo cognitivoResumo
Introducción: la cognición social, esencial para la interacción humana, puede verse comprometida en pacientes con gliomas, sin embargo, su evaluación intraoperatoria ha sido limitada. Este estudio introduce una herramienta basada en inteligencia artificial (IA) para evaluar el reconocimiento de emociones básicas durante la cirugía de paciente despierto, buscando preservar funciones cognitivas y sociales claves.
Objetivos: desarrollar y reportar una herramienta innovadora basada en inteligencia artificial para evaluar el reconocimiento de emociones básicas durante el mapeo cognitivo intraoperatorio.
Material y método: se realizó un estudio observacional y descriptivo de una serie de 5 pacientes con gliomas sometidos a cirugía despierta. Se utilizaron imágenes generadas mediante DALL·E para representar 6 emociones básicas (alegría, tristeza, miedo, sorpresa, ira, disgusto) en cuatro niveles de intensidad. Tras un proceso de selección por parte de los autores, se consolidó un conjunto final de 24 imágenes. Estas se aplicaron a los 5 pacientes antes y durante la cirugía despierto, comparando los resultados con la prueba “Reading the Mind in the Eyes”.
Resultado: a pesar de variaciones en las funciones cognitivas generales, los pacientes conservaron capacidades emocionales en el 100 % de los casos.
Conclusión: integrar herramientas basadas en IA en el mapeo intraoperatorio posibilita una evaluación más precisa de la cognición social. Esta estrategia promueve una neurocirugía más personalizada, orientada a preservar no solo funciones instrumentales, sino también aquellas fundamentales para la vida social y emocional del paciente. La herramienta de IA permitió evaluar el reconocimiento emocional con alta sensibilidad, y el mapeo cognitivo adaptó la resección sin comprometer áreas vinculadas a la cognición social.
Downloads
Referências
1. McDonald S, Cassel A. Rehabilitación de los trastornos de la cognición social. En: Wilson BA, Winegardner J, van Heugten CM, Ownsworth T, eds. Rehabilitación neuropsicológica: manual internacional. 1ª ed. Ciudad de México: El Manual Moderno; 2019. p. 511-23.
2. Duffau H. Lessons from brain mapping in surgery for low-grade glioma: insights into associations between tumor and brain plasticity. Lancet Neurol. 2005;4(8):476-86. DOI: https://doi.org/10.1016/S1474-4422(05)70140-X
3. Herbet G, Lafargue G, Bonnetblanc F, Moritz-Gasser S, Duffau H. Inferring a dual-stream model of mentalizing from associative white matter fibres disconnection. Brain. 2014;137(3):944-59. DOI: https://doi.org/10.1093/brain/awt370
4. Philippi CL, Mehta S, Grabowski T, Adolphs R, Rudrauf D. Damage to association fiber tracts impairs recognition of the facial expression of emotion. J Neurosci. 2009;29(48):15089-99. DOI: https://doi.org/10.1523/JNEUROSCI.0796-09.2009
5. Mandonnet E, Herbet G, eds. Intraoperative mapping of cognitive networks. 1.ra ed. Suiza: Springer; 2021. DOI: https://doi.org/10.1007/978-3-030-75071-8
6. Baron-Cohen S, Wheelwright S, Hill J, Raste Y, Plumb I. The “Reading the Mind in the Eyes” Test, Revised Version: a study with normal adults, and adults with Asperger syndrome or high-functioning autism. J Child Psychol Psychiatry. 2001;42(2):241-51. DOI: https://doi.org/10.1111/1469-7610.00715
7. Fan BE, Chow M, Winkler S. Artificial intelligence-generated facial images for medical education. Med Sci Educ. 2023;34(1):5-7. DOI: https://doi.org/10.1007/s40670-023-01942-5
8. Javan R, Cole J, Hsiao S, Cronquist B, Monfared A. Integration of AI-generated images in clinical otolaryngology. Cureus. 2024;16(8):e68313. DOI: https://doi.org/10.7759/cureus.68313
9. Waikel RL, Othman AA, Patel T, y col. Generative methods for pediatric genetics education. medRxiv. 2023;2023.08.01.23293506. DOI: https://doi.org/10.1101/2023.08.01.23293506
10. Huston JC, Kaminski N. A picture worth a thousand words, created with one sentence: using artificial intelligence-created art to enhance medical education. ATS Sch. 2023;4(2):145-51. DOI: https://doi.org/10.34197/ats-scholar.2022-0141PS
11. Yordanova YN, Duffau H, Herbet G. Neural pathways subserving face-based mentalizing. Brain Struct Funct. 2017;222(7):3087-105. DOI: https://doi.org/10.1007/s00429-017-1388-0
12. Herbet G, Duffau H. Revisiting the functional anatomy of the human brain: toward a meta-networking theory of cerebral functions. Physiol Rev. 2020;100(3):1181-228. DOI: https://doi.org/10.1152/physrev.00033.2019
13. Gupta DK, Chandra PS, Ojha BK, et al. Awake craniotomy versus surgery under general anesthesia for resection of intrinsic lesions of eloquent cortex. Clin Neurol Neurosurg. 2007;109(4):335-42. DOI: https://doi.org/10.1016/j.clineuro.2007.01.008
14. Pichierri A, Bradley M, Iyer V. Anesthetic management of awake craniotomy: systematic review and meta-analysis. J Neurosurg Anesthesiol. 2018;30(3):221-31.
15. Eseonu CI, ReFaey K, Garcia O, y col. Awake craniotomy anesthesia for glioma surgery: a systematic review. World Neurosurg. 2017;105:199-209.
16. Brown T, Shah AH, Bregy A, y col. Awake craniotomy for brain tumor resection: the rule rather than the exception? J Neurosurg Anesthesiol. 2013;25(3):240-7. DOI: https://doi.org/10.1097/ANA.0b013e318290c230
17. Oakley BFM, Brewer R, Bird G, Catmur C. Theory of mind is not theory of emotion: a cautionary note on the Reading the Mind in the Eyes Test. J Abnorm Psychol. 2016;125(6):818-23. DOI: https://doi.org/10.1037/abn0000182
18. Barton JJS, Press DZ, Keenan JP, O'Connor M. Lesions of the fusiform face area impair perception of facial configuration in prosopagnosia. Neurology. 2002;58(1):71-8. DOI: https://doi.org/10.1212/WNL.58.1.71
19. De Renzi E, Faglioni P, Grossi D, Nichelli P. Apperceptive and associative forms of prosopagnosia. Cortex. 1991;27(2):213-21. DOI: https://doi.org/10.1016/S0010-9452(13)80125-6
