Un sistema de inteligencia artificial desarrollado en Paraguay busca acortar la espera entre el estudio y el diagnóstico
Un electroencefalograma puede contener horas de señal en las que una crisis dura segundos. Encontrarla es una tarea de lectura experta que hoy, en los servicios públicos de nuestro país, se realiza enteramente de forma manual: el epileptólogo recorre el registro tramo por tramo antes de emitir el diagnóstico. Un equipo de investigadores paraguayos, en investigación conjunta con colegas coreanos, entrenó modelos de aprendizaje automático para marcar automáticamente los segmentos sospechosos a fin de que el especialista pueda concentrarse en ellos. Los primeros resultados ya están publicados; el sistema se prepara para su despliegue piloto en el Hospital Central del Instituto de Previsión Social.
Integrantes del Proyecto EplipexIA: 1Diego
P. Pinto-Roa, 1Edgar H. Ayala-Brítez, 1Ignacio Lezcano, 1Ida
Romero, 1Iván Ríos, 1Rodrigo Amarilla, 2Luis
Cubilla, 1Eladio Quintana, 1Máximo Villamayor, 1Luis
Fernando del Valle, 3Silvia
Abente, 3Aníbal
Molinas.
1 Facultad Politécnica – Universidad Nacional de Asunción, Paraguay
2 Big Q Soluciones, Paraguay
2 Big Q Soluciones, Paraguay
Las crisis que no se ven
Cuando se habla de epilepsia, casi todos imaginamos una convulsión. Pero no todas las crisis se manifiestan así. Algunas duran pocos segundos y apenas se perciben como una desconexión momentánea: la persona se queda inmóvil, con la mirada fija, y regresa sin recordar nada. Son las crisis de ausencia, frecuentes en la infancia, y son también las que con más facilidad pasan desapercibidas: para quien las presencia y, después, para quien revisa el registro de la actividad cerebral.
La Liga Internacional contra la Epilepsia define la enfermedad como un trastorno cerebral caracterizado por la predisposición persistente a generar crisis epilépticas, que son descargas eléctricas anormales, excesivas y sincrónicas de grupos de neuronas. Según la Organización Mundial de la Salud, unos 50 millones de personas conviven con epilepsia en el mundo, lo que la convierte en uno de los trastornos neurológicos más frecuentes. La misma fuente señala algo decisivo: hasta el 70 % de esas personas podría vivir sin crisis si recibiera un diagnóstico y un tratamiento adecuados.
En Paraguay, la epilepsia afecta a unas 70.000 personas, según datos difundidos por el Ministerio de Salud Pública y Bienestar Social.
El instrumento central para el diagnóstico es el electroencefalograma (EEG): un estudio no invasivo que registra la actividad eléctrica del cerebro mediante electrodos colocados sobre el cuero cabelludo. Un EEG de rutina dura entre veinte y cuarenta minutos y produce, en paralelo, decenas de canales de señal. Un registro prolongado puede extenderse por varias horas e incluso días. Dentro de todo ese material, la evidencia que busca el especialista puede reducirse a unos pocos segundos.
El cuello de botella: horas de señal, pocos especialistas
En los centros médicos públicos de nuestro país, esos registros se analizan manualmente. El especialista recorre la señal tramo por tramo hasta identificar las descargas características. Es un trabajo minucioso, que insume mucho tiempo y que depende de un recurso escaso: el epileptólogo.
A eso se suma un problema de infraestructura. Los equipos instalados no fueron pensados para compartir información entre servicios ni para permitir la revisión remota de un estudio, y el software que los acompaña está fuertemente atado al equipo de adquisición. Cada registro queda, en la práctica, confinado a la máquina que lo generó.
Qué es EpilexIA
EpilexIA es un proyecto de investigación conjunta entre la Facultad Politécnica de la Universidad Nacional de Asunción y el Instituto de Previsión Social, a través de su Servicio de Neurología y su Departamento de Electromedicina. Cuenta con el financiamiento de la Agencia de Cooperación Internacional de Corea (KOICA) y con el apoyo del Centro de Innovación TIC de la Universidad Nacional de Asunción (CIT-UNA). El convenio se firmó a inicios de enero de 2026 por un período de doce meses.
El objetivo general es desarrollar una herramienta web médica, integrada a un motor de inteligencia artificial, capaz de señalar automáticamente crisis epilépticas en señales de EEG. No se trata solamente de un detector: el sistema incluye la gestión de pacientes y de estudios, la visualización multicanal de la señal, la generación de informes y un esquema de roles y permisos, todo bajo cifrado en tránsito y en reposo y con auditoría de accesos. Una primera versión de la plataforma ya está operativa, alojada en un servidor de Big Q Soluciones, empresa nacional aliada del proyecto.
El resultado no es un diagnóstico, sino un mapa de segmentos marcados sobre el registro, que el neurólogo revisa y valida. EpilexIA es una herramienta de apoyo: la responsabilidad sobre el diagnóstico y sobre el tratamiento sigue siendo enteramente del profesional.
Cómo funciona el sistema
El recorrido de la señal es más simple de lo que suele suponerse. El registro crudo del EEG se divide en ventanas de diez segundos. De cada ventana se extraen características numéricas que describen la forma de la señal en el tiempo: su energía, su variabilidad, su regularidad, entre otras. Esas características —cincuenta en la versión actual del modelo— alimentan a un clasificador entrenado que decide, ventana por ventana, si el tramo corresponde a actividad epileptiforme.
El resultado no es un diagnóstico, sino un mapa de segmentos marcados sobre el registro, que el neurólogo revisa y valida. EpilexIA es una herramienta de apoyo: la responsabilidad sobre el diagnóstico y sobre el tratamiento sigue siendo enteramente del profesional.
Una decisión metodológica merece explicación. Lo habitual en este campo es limpiar la señal antes de analizarla: filtrarla, eliminar artefactos producidos por el parpadeo o el movimiento muscular, normalizarla.
Nosotros trabajamos con el EEG crudo, sin ese preprocesamiento. La diferencia de rendimiento resultó modesta, y a cambio el flujo es más simple, exige menos cómputo y se parece mucho más a lo que ocurre en un servicio real, donde la señal llega tal como el equipo la registra. Para un sistema que debe funcionar en tiempo real y sobre infraestructura hospitalaria modesta, esa simplicidad no es un detalle menor.
Todos los modelos se entrenaron y evaluaron sobre CHB-MIT, una base de datos pública de registros de EEG ampliamente utilizada como referencia internacional en este problema. En paralelo se está construyendo una base con registros de pacientes del Servicio de Neurología del Hospital Central del IPS; en la fase siguiente, los clasificadores se entrenarán y validarán sobre esa base propia.
Qué tan bien funciona
El proyecto evaluó varios modelos bajo dos protocolos distintos. En el primero, las ventanas de todos los pacientes se mezclan y se reparten entre entrenamiento y prueba; bajo ese esquema, nuestro mejor modelo alcanzó una exactitud del 97,93 %. La cifra es real, pero engaña: si el modelo entrena y se evalúa con fragmentos del mismo paciente, en buena medida está aprendiendo a reconocer a ese paciente y no a reconocer una crisis.
El segundo protocolo es más exigente. El paciente completo queda fuera del entrenamiento y se usa recién en la prueba, de modo que el modelo enfrenta a alguien que nunca vio. Ahí la exactitud del mejor modelo baja al 86,59 % y el F1 al 86,35 %. La caída es sistemática: entre dieciséis y veinte puntos porcentuales según la métrica.
Ese segundo número es el que tomamos como referencia actual del proyecto, porque es el que describe lo que va a ocurrir cuando el sistema se encuentre con un paciente nuevo en un consultorio del IPS. Cabe destacar que en paralelo estamos trabajando con algoritmos ensamble y deeplearning, con los que pretendemos llegar a un rendimiento global mayor al 90%.
En qué fase está el proyecto
La plataforma web, el motor de inteligencia artificial y los módulos de gestión y visualización de EEG se encuentran en etapa de finalización, alojados por ahora en un servidor de Big Q Soluciones. La documentación técnica también también ya se está escribiendo.
La etapa siguiente es la validación clínica y el despliegue sobre la infraestructura del IPS: instalación en los servidores institucionales, configuración del entorno de producción y pruebas de funcionamiento en el entorno real con la base de datos propia. Después vendrá la capacitación de neurólogos y de técnicos en EEG, con guías de uso y soporte para la fase inicial. La implementación final se hará en el Servicio de Neurología del Hospital Central del IPS.
El sistema es escalable a otros establecimientos del IPS y del Ministerio de Salud Pública y Bienestar Social, aunque esa expansión requeriría otros mecanismos de financiamiento.
Qué viene después
En el plano científico, el trabajo continúa en tres direcciones: la selección automática de características mediante algoritmos genéticos multiobjetivo, modelos de aprendizaje profundo capaces de distinguir entre distintos tipos de crisis, y esquemas de ensamble orientados a mejorar la generalización entre pacientes. Es decir, atacar de frente la brecha que describimos más arriba: lograr que el desempeño frente a un paciente nunca visto se acerque al que se obtiene en condiciones controladas de laboratorio.
En el plano institucional, el objetivo es que la tecnología quede instalada y en manos del personal de salud. Un sistema que funciona pero que nadie usa no resuelve nada.
Detrás de esto hay un argumento más amplio sobre qué tipo de investigación necesita el país. EpilexIA no se limita a instalar una solución cerrada: forma investigadores locales, produce publicaciones en revistas indexadas y revisadas por pares, deja capacidad instalada en una institución pública e involucra a una empresa nacional en el desarrollo. Ese es, en última instancia, el resultado que perdura.-
Publicaciones del proyecto (hasta el momento)
Ayala-Britez, E. H., Frutos, L., & Pinto-Roa, D. P. (2026). Detection of epileptic seizures in EEG signals: Analysis of linear time-domain features using classical machine learning techniques. En Smart Technologies and Intelligent Computing. CRC Press. https://doi.org/10.1201/9781003666929-50
Lezcano, I. D., Ayala-Britez, E. H., & Pinto-Roa, D. P. (2026). Gradient Boosting for Automatic Epileptic Seizure Detection in EEG Signals: A Comparative Study with Classical Models. 2026 World Conference on Computational Science and Technology (WcCST). IEEE. https://ieeexplore.ieee.org/document/11495833
Ayala-Britez, E. H., Frutos, L., Pinto-Roa, D. P., Abente, S., Molinas, A., Kim, N.-Y., Kim, E.-S., Lee, Y., & Park, S. (2026). Real-Time Epileptic Seizure Detection from Raw EEG Using Classical Machine Learning and Time-Domain Features. Machine Learning and Knowledge Extraction, 8(8), 231. https://doi.org/10.3390/make8080231
Referencias
Fisher, R. S., Acevedo, C., Arzimanoglou, A., et al. (2014). ILAE Official Report: A Practical Clinical Definition of Epilepsy. Epilepsia, 55(4), 475–482.
Tatum, W. O., Rubboli, G., Kaplan, P. W., et al. (2018). Clinical utility of EEG in diagnosing and monitoring epilepsy in adults. Clinical Neurophysiology.
Organización Mundial de la Salud. Epilepsia (nota descriptiva). https://www.who.int/es/news-room/fact-sheets/detail/epilepsy
Paraguay. Ministerio de Salud Pública y Bienestar Social.