Catatonía en entornos agudos y críticos: revisión sistemática de hallazgos clínicos, electroencefalográficos y de neuroimagen, tratamientos y modelos asistenciales basados en inteligencia artificial

RESUMEN

Introducción: La catatonía, descrita por Kahlbaum en 1874, es un síndrome psicomotor que puede ser letal en su forma maligna. En entornos agudos y críticos, su identificación precoz es clave para prevenir complicaciones graves.Objetivos: Revisar sistemáticamente hallazgos clínicos, electroencefalográficos (EEG) y de neuroimagen funcional (fMRI, SPECT, PET) en catatonía; evaluar la eficacia de tratamientos (benzodiacepinas [BZD], amantadina, terapia electroconvulsiva [TEC]); y explorar modelos asistenciales basados en inteligencia artificial (IA) e interoperabilidad.

Métodos: Revisión sistemática exhaustiva (PubMed, Embase, Scopus, Cochrane; 1874–2025), incluyendo estudios clínicos y observacionales con diagnóstico según DSM, ICD o BFCRS. Se extrajeron datos clínicos, EEG, imagen y terapéuticos. Calidad evaluada con Cochrane Risk of Bias y Newcastle–Ottawa Scale; certeza con GRADE.

Resultados: La prevalencia osciló entre 5–20%, con subdiagnóstico frecuente. Clínica+EEG aumentó la sensibilidad 8–12%, identificando lentificación frontal (delta/theta) y alteraciones de microestados antes de la clínica completa. La adición de neuroimagen a clínica+EEG mejoró el AUC en ~5–7%, con hallazgos en SMA, M1 y redes GABA-A. BZD mostraron respuesta del 66–100%, TEC del 80–100% (especialmente en formas malignas), y la amantadina benefició casos resistentes. Modelos de IA multimodales y estándares BIDS/EEG-BIDS y HL7/FHIR permitieron flujos reproducibles y preservaron privacidad mediante aprendizaje federado.

Conclusiones: La integración de clínica, EEG e imagen, apoyada por IA y protocolos estandarizados, optimiza la detección y el manejo de la catatonía en entornos críticos, mejorando pronóstico y seguridad.