Durante décadas, los médicos en una UCI han tenido que adivinar cuánto dolor siente un paciente inconsciente, un niño pequeño o alguien incapaz de hablar. Sin una forma de leer el sufrimiento directamente desde el sistema nervioso, la medicina dependía de que el propio paciente lo describiera. Cuando eso no era posible, la incertidumbre se convertía en parte del diagnóstico.
Un equipo de investigadores coreanos acaba de publicar un sistema de inteligencia artificial que analiza señales cerebrales para medir la intensidad del dolor de forma objetiva, sin necesidad de que el paciente diga una sola palabra.
El problema que la medicina nunca pudo resolver del todo
Durante décadas, la herramienta estándar para medir el dolor ha sido la Escala Visual Analógica (EVA). El método es simple: el paciente señala un número o un punto en una línea que representa su nivel de sufrimiento. Funciona cuando el paciente puede comunicarse. Cuando no puede, el sistema falla.
Y falla de forma sistemática. Los pacientes con consciencia alterada, los niños pequeños, los ancianos con dificultades cognitivas o quienes están sedados en una UCI quedan fuera del alcance de esta herramienta. En esos casos, el clínico trabaja con indicios indirectos: expresión facial, frecuencia cardíaca, tensión muscular.
El problema va más allá de los casos extremos. Incluso entre pacientes capaces de comunicarse, la EVA produce evaluaciones inconsistentes ante estímulos físicos idénticos. La percepción del dolor varía de una persona a otra, y también dentro de la misma persona según el contexto emocional, el momento del día o la simple presencia de un profesional sanitario. Esta variabilidad inherente compromete las decisiones clínicas.
La ausencia de un biomarcador objetivo del dolor ha sido uno de los límites históricos de la neurociencia clínica. Ninguna señal medible, externa al relato del propio paciente, permitía cuantificar el sufrimiento físico con independencia de quién lo experimentara o de su capacidad para describirlo.
Cómo la IA aprendió a leer el dolor sin fiarse del paciente
El equipo del Instituto de Ciencia y Tecnología de Daegu Gyeongbuk (DGIST) y del Instituto de Ciencia y Tecnología de Gwangju (GIST) abordó el problema desde su raíz. En lugar de entrenar el sistema con las puntuaciones subjetivas que los propios pacientes asignan a su dolor, diseñaron un algoritmo que evita ese sesgo desde el principio.
El sistema analiza señales de electroencefalograma (EEG) registradas mientras los participantes reciben estímulos térmicos. La clave, sin embargo, no está en los datos en sí, sino en cómo el modelo aprende de ellos.
La arquitectura es dual y autocorrectiva. Dos modelos de IA independientes comparan sus predicciones entre sí, y el sistema solo incorpora a su entrenamiento los datos en los que ambos coinciden con alta fiabilidad. Los casos discordantes —que suelen reflejar precisamente la variabilidad individual en la expresión del dolor— quedan excluidos del proceso de aprendizaje.
Este diseño resuelve el problema que invalidaba los métodos anteriores. El aprendizaje automático convencional se entrenaba con etiquetas de dolor inherentemente sesgadas, porque procedían de autoinformes subjetivos. Al filtrar los datos poco fiables antes de que el modelo los asimile, el nuevo sistema construye su conocimiento sobre una base más sólida.
Los resultados: precisión, generalización y un descubrimiento neurológico
El modelo fue validado con datos de EEG de 41 participantes expuestos a diferentes tipos de estímulos térmicos: calor, frío y la denominada ilusión de rejilla térmica. Los resultados mostraron mejoras estadísticamente significativas frente a las redes neuronales convencionales en clasificaciones de tres, seis y diez categorías de intensidad del dolor.
Quizá más relevante sea la capacidad de generalización del sistema. El modelo mantuvo predicciones estables ante tipos de estimulación que no había visto durante el entrenamiento, lo que sugiere que no memoriza patrones específicos, sino que identifica características neurofisiológicas del dolor con mayor universalidad.
Los investigadores también localizaron qué zonas del cerebro registran esa señal. La actividad de ondas delta en los lóbulos temporales anteriores izquierdo y derecho, mapeada en los electrodos F7 y F8, correlaciona directamente con la intensidad del dolor percibido. Este hallazgo establece una base neurofisiológica concreta para desarrollar biomarcadores digitales cerebrales del dolor, algo de lo que la medicina clínica carecía hasta ahora.
Del laboratorio a la cabecera del paciente: aplicaciones clínicas inmediatas
La plataforma está concebida como un sistema universal de evaluación del dolor, integrable con diversas bioseñales en entornos hospitalarios reales. Sus aplicaciones más inmediatas abarcan la monitorización antes y después de cirugías complejas, el seguimiento objetivo en UCI y el diagnóstico continuado del dolor crónico.
El investigador principal An Jinung señaló que el objetivo es desarrollar la plataforma para que pueda utilizarse en entornos clínicos reales integrando múltiples señales biológicas. El primer autor, el investigador postdoctoral Jeong Ui-jin, apuntó hacia una meta más ambiciosa a medio plazo: expandir el sistema hacia una red de monitorización en tiempo real basada en interfaces cerebro-computadora (BCI), que no requiera ninguna comunicación verbal del paciente.
El estudio fue publicado en mayo en IEEE Transactions on Neural Systems and Rehabilitation Engineering, con financiación del Programa de Apoyo a Investigadores de Carrera Media y el Programa Pionero de Tecnología de Convergencia de la Fundación Nacional de Investigación de Corea.
Lo que viene a continuación es tan importante como el hallazgo en sí. Si el sistema logra integrarse en UCI reales y operar con distintos tipos de bioseñales, la medicina dispondría por primera vez de una herramienta capaz de escuchar el dolor de quienes no pueden expresarlo. No es solo un avance técnico. Es un cambio en lo que la clínica puede ofrecer a sus pacientes más vulnerables.