TÍTULO: Diferencias neuroanatómicas en la tasa y propiedades de las oscilaciones de alta frecuencia, el rol de la seizure-onset zone y aplicaciones en machine learning
DIRECTOR: Diego Fernandez Slezak
JURADO: Silvia Kochen y Marcelo Risk

RESUMEN En casos de epilepsia refractaria a la medicación, la alternativa terapéutica más prome tedora consiste en la resección quirúrgica de la zona epileptógena (EZ). El marcador «gold standard» para la identificación de la EZ es conocido como seizure-onset zone (SOZ), es decir, la zona en donde se originan las crisis. Las oscilaciones de alta frecuencia (HFOs) son eventos capturables mediante electroencefalografía (EEG), su utilidad como biomar cadores interictales de epilepsia se encuentra bajo estudio. Investigaciones previas indican que sectores epileptógenos registran una mayor tasa de eventos por minuto (HFO rate). Sin embargo, existen limitaciones que deben ser resueltas para poder establecer a las HFOs como biomarcadores estándar en el contexto clínico. Una de las principales reside en que estos eventos también pueden ser observados en regiones sanas del cerebro, interviniendo en la cognición normal. Más aún, no se conoce un método para distinguir completamente las HFOs fisiológicas de las patológicas (pHFOs). Esta tesis tuvo como objetivo evaluar si, aplicando técnicas de aprendizaje automático, es posible distinguir HFOs características de la SOZ, mejorando así su potencial como predictores de ésta. Se utilizaron datos de HFOs registradas en 35 estéreo-electroencefalogramas (SEEGs) realizados a pacientes con epilepsia refractaria. Se generaron curvas ROC para clasificar los electrodos en la SOZ utilizando HFO rates, restringiendo distintos tipos de HFOs y regiones neuroanatómicas. Se calcularon estadísticos no paramétricos para comparar las propiedades de las HFO (duración, frecuencia, potencia) en la SOZ y non-SOZ. Posterior mente, se implementaron técnicas de aprendizaje automático utilizando las propiedades para predecir la SOZ, se filtraron los eventos para distintos umbrales de FPR del clasifica dor y se recalcularon las curvas ROC del HFO rate filtrado para compararlo con el original. Utilizando la SOZ como marcador subrogado de la EZ, la hipótesis fue que un filtro óptimo conseguiría aumentar la diferencia entre HFO rates dentro y fuera de la SOZ. El HFO rate resultó estadísticamente mayor en la SOZ y su rendimiento como predictor varió significativamente según el tipo y región, destacándose para los tipos superpuestos con Spikes. Las Fast Ripples on Spikes resultaron tener estadísticamente mayor frecuencia en la SOZ en el lóbulo frontal, y las Fast Ripples on Oscillations en el sistema límbico, pero en su conjunto las propiedades fallaron en la tarea de identificar efectivamente la SOZ mediante técnicas de aprendizaje automático. Se concluyó que utilizando este corpus el impacto producido por los filtros de los cla sificadores automáticos no resulta en una mejora significativa del estado del arte del HFO rate. Sin embargo, cabe mencionar que se podría mejorar la potencia del estudio utilizando otras propiedades, aumentando la cantidad de pacientes y utilizando únicamente aquellos con libertad de crisis confirmada luego de la operación (ya que estamos utilizando a la SOZ como marcador subrogado de la EZ). Con respecto a las propiedades una gran limitación que enfrentamos fue que nuestro conjunto de datos consistía en una parametrización de la señal y de pocas propiedades, un trabajo futuro podría implementar modelos que tomen como input la señal cruda, de donde posiblemente pueda extraerse mucha más información. Palabras clave: epilepsia refractaria, EZ, SOZ, biomarcadores interictales, HFOs, HFO rate, pHFOs, aprendizaje automático, ROC.