Integración multimodal con inteligencia artificial explicable en catatonía: revisión sistemática de correlatos clínicos, EEG y neuroimagen

RESUMEN

Introducción: La catatonía es un síndrome neuropsiquiátrico complejo, con alteraciones motoras, conductuales y neurovegetativas, cuya neurobiología involucra redes motoras específicas y un desbalance excitatorio/inhibitorio. El objetivo general fue caracterizar sus correlatos clínicos, electroencefalográficos (EEG) y de neuroimagen, evaluando el potencial de redes neuronales artificiales (ANN) explicables para mejorar la estratificación y predicción terapéutica.

Métodos: Revisión exhaustiva sistemática de estudios publicados entre 2010 y febrero de 2025 en PubMed, Scopus y Web of Science. Se incluyeron estudios con ≥10 pacientes con catatonía, evaluación clínica estandarizada, EEG y/o neuroimagen, y análisis estadístico o de IA. Se extrajeron datos de demografía, diseño, hallazgos clínicos y biomarcadores.

Resultados: Se analizaron 48 estudios (n = 3.462 pacientes; 54 % mujeres; media 42,8 años). Predominó la catatonía hipocinética (67 %), con etiologías lideradas por esquizofrenia/psicosis (41 %), trastorno bipolar (27 %) y depresión mayor (15 %). La neuroimagen mostró hiperperfusión SMA/M1 y reducción de volumen orbitofrontal medial derecho asociada a refractariedad a benzodiacepinas. El EEG reveló lentificación difusa, descenso de la frecuencia alfa pico y alteraciones de microestados. Modelos ANN multimodales (clínica + EEG + MRI) mejoraron la predicción terapéutica, especialmente con estándares BIDS/EEG-BIDS y técnicas explicables (SHAP, Grad-CAM).

Conclusiones: La evidencia respalda que la catatonía es un síndrome de red con biomarcadores estructurales y funcionales reproducibles. La integración multimodal estandarizada con IA explicable es la vía más prometedora hacia una medicina de precisión en catatonía, requiriendo validación multicéntrica y biomarcadores moleculares/genéticos para optimizar detección y tratamiento.